main concepts scientists sections
ПростоПопулярноПодробно

Эпидемия как диалог: как языковые модели учат эпидемиологов слушать поведение людей ✛

Оригинал: "Integrating adaptive human behavior into epidemic models with large language models"
· Yicheng Mao, Haoyang Li, Rob Deardon, Hongru Du
arXiv:2608.29535v1 · 2026-08-30 · CC BY 4.0 · 4 мин
Физика и общество Искусственный интеллект
Большие языковые модели встроили в эпидемиологическую модель, чтобы она сама предсказывала, как люди меняют контакты при новых ограничениях.

Контекст

Эпидемии представляют собой связанные поведенческо-биологические системы: поведение людей определяет, где и между кем возникают контакты, а риск заражения и ограничения, в свою очередь, меняют это поведение. Однако поведение остаётся одной из наименее наблюдаемых компонент эпидемической системы. Контактные опросы фиксируют смешение населения, но проводятся редко и с задержкой; данные о мобильности дают косвенный сигнал, но не отражают возрастную структуру контактов. Существующие модели либо полагаются на уже реализованное поведение, либо заранее задают функции реакции на риск, что ограничивает их способность предвидеть реакцию на новые условия. Эта работа стоит рядом с исследованиями, которые используют большие языковые модели для воспроизведения человеческих суждений и поведения, а также с попытками связать гены и болезни или предсказывать здоровье целых стран, но отличается тем, что встраивает языковую модель непосредственно в динамическую петлю обратной связи эпидемии.

Методы

Авторы предложили слой GABLE (Generative Adaptive Behavioral Layer for Epidemics), который на каждом шаге моделирования передаёт языковой модели текущие политические условия, эпидемические показатели и дневники контактов до пандемии. Языковая модель решает, какие из записанных контактов человек сохранил бы в данных условиях, и эти решения агрегируются в возрастную матрицу контактов. Матрица управляет стохастической возрастной моделью передачи SARS-CoV-2, которая симулирует динамику госпитализаций. Затем обновлённое эпидемическое состояние возвращается в поведенческий слой, замыкая петлю обратной связи. Для генерации поведения использовали три языковые модели: GPT-4o mini, Gemini 2.5 Flash и Grok 3 mini. Оценивали подход на данных по COVID-19 во Франции с марта 2020 по июль 2021 года, сравнивая с матрицами на основе мобильности и статической допандемийной матрицей.

Результаты

Все три языковые модели воспроизвели общую временную динамику контактов: во время первого локдауна среднее число контактов упало с 12,67 до 3,15–3,74 на человека в день, что близко к значению 3,44 для матриц на основе мобильности. Корреляция с мобильностью составила от 0,60 до 0,85. Возрастная структура различалась между моделями: например, во время второго локдауна Gemini 2.5 Flash сохранял больше контактов взрослых, но меньше подростков, чем мобильность. При ретроспективной реконструкции все конфигурации воспроизвели суммарные волны госпитализаций с погрешностью 2,3–3,6%, но языковые модели уменьшили дисбаланс между взрослыми и пожилыми по сравнению со статической матрицей. В краткосрочном прогнозировании на 4 недели GABLE с GPT-4o mini показал средний взвешенный интервальный балл 1298 против 2443 у мобильности и 3047–4148 у статистических методов, при этом покрытие 95% интервалов составило 96,2%. При оценке альтернативных политик задержка локдауна на две недели увеличивала контакты на 46% и госпитализации на 45,8%, а максимальные меры снижали их на 17,2% и 14,0% соответственно.

Значение

Работа отличается от соседних исследований тем, что не просто использует языковые модели для воспроизведения опросов или предсказания эффектов лечения, а встраивает их в замкнутую динамическую систему, где поведение и эпидемия влияют друг на друга. Такой подход снимает необходимость заранее задавать функции реакции на каждый фактор и позволяет оценивать последствия ещё не введённых мер. Полученные возрастные матрицы контактов несут эпидемиологически значимую информацию даже после калибровки общей интенсивности передачи, что подтверждает важность структуры смешения, а не только общего числа контактов.

Развитие

Метод можно расширить на другие патогены и типы поведения, такие как тестирование, вакцинация или обращение за медицинской помощью. Перспективно исследовать ансамбли языковых моделей и явно учитывать неопределённость поведенческих реакций. Важной задачей остаётся проверка на действительно новых эпидемиях, не представленных в обучающих данных языковых моделей, чтобы исключить утечку исторической информации.

Влияние

Подход может повлиять на эпидемиологическое моделирование, поддержку принятия решений в общественном здравоохранении и вычислительные социальные науки, где требуется моделировать адаптивное поведение в ответ на меняющиеся условия.

Следующие шаги

Следующие шаги включают валидацию на других странах и патогенах, изучение различий между языковыми моделями и разработку методов для работы с по-настоящему новыми эпидемическими ситуациями.

Ключевые проблемы

Работа напрямую связана с фундаментальной проблемой эпидемиологии: как предсказывать поведение людей в условиях, которых ещё не было. Традиционные модели либо игнорируют адаптацию, либо задают её жёсткими правилами, что ограничивает их прогностическую силу. Данный подход предлагает гибкий механизм, который учится на контексте, но остаётся вопрос, насколько он обобщается за пределы исторических данных.

Взгляд машины знаний

Этот раздел адресован автору работы и его коллегам. Соседние работы нашёл смысловой поиск по нашему архиву — не по совпадению слов, а по смыслу. Мы не рецензируем: мы показываем поле вокруг.

Что сделано в работе

Авторы соединили большие языковые модели с механистической моделью эпидемии COVID-19 во Франции. Языковая модель по описанию политики и эпидемической обстановки генерировала возрастные матрицы контактов, которые управляли передачей инфекции. Такой подход позволил воспроизвести реальные волны госпитализаций, улучшить краткосрочные прогнозы и оценить последствия альтернативных политических сценариев ещё до их введения.

В чём сила

Работа встраивает языковую модель непосредственно в динамическую петлю обратной связи эпидемии, что позволяет моделировать адаптивное поведение без заранее заданных функций реакции на риск.

Куда можно двигаться

Что можно попробовать

  • Сравнить матрицы контактов, сгенерированные LLM, с результатами контактных опросов, если они доступны для того же периода.
  • Проверить, как выбор языковой модели влияет на возрастную структуру контактов и итоговые эпидемические траектории.
  • Апробировать подход на других странах или эпидемиях, чтобы оценить переносимость.

Почему это может быть важно

Такой подход может снизить зависимость от редких и запаздывающих поведенческих данных, открывая путь к более гибким и своевременным эпидемическим прогнозам.

Работы рядом в нашем архиве

Ближайшая работа архива — 0.62 по смысловой близости. Обычный для нашего корпуса уровень.

Весь граф →

Во время первого локдауна во Франции среднее число ежедневных контактов упало примерно в четыре раза: с 12,67 до 3,15–3,74. Это как если бы каждый человек вместо полного автобуса общался лишь с тремя попутчиками.

Идея модели, которая предсказывает поведение толпы в ответ на меняющиеся условия, напоминает психоисторию из «Основания» Айзека Азимова, где математические модели предсказывали судьбы цивилизаций. Здесь, правда, масштаб скромнее: не галактика, а одна страна и одна эпидемия.

Ключевые числа

  • падение контактов в первый локдаун: с 12,67 до 3,15–3,74 на человека в день
  • средний взвешенный интервальный балл GABLE: 1298 против 2443 у мобильности
  • покрытие 95% интервалов прогноза: 96,2%
  • увеличение госпитализаций при задержке локдауна на 2 недели: 45,8%
  • снижение контактов при максимальных мерах: 17,2%
Понятия
большие языковые модели эпидемическая модель эпидемия генеративная модель эмерджентное коллективное обучение нейронное усвоение языка