将自适应人类行为融入基于大型语言模型的流行病模型

传染病传播受到人类互动模式的影响，而这些模式会随着流行病条件的变化而调整。如何捕捉这类依赖情境的行为，仍然是流行病模型面临的根本挑战。本文通过使用大型语言模型（LLMs）在机制性流行病模型中表征自适应人类行为，重新定义了这一挑战。我们通过 Generative Adaptive Behavioral Layer for Epidemics（GABLE）将这一想法具体化，使 LLMs 能够推断对流行病和政策条件的行为反应，并将其转化为与年龄结构相关的接触矩阵，再与机制性流行病模型耦合。将其应用于法国的 COVID-19 后，GABLE 重现了人群混合以及年龄特异性接触结构的变化，这些变化在流行病学上仍然具有信息价值。在短期预测中，由 LLM 生成的接触矩阵优于基于真实世界流动数据推导的、由流动性驱动的矩阵，而且在更长预测期上的提升最大。GABLE 还将应用扩展到预测性政策评估，可在政策实施前对候选干预措施的行为和流行病响应进行推演。如果输入随后实施的政策，GABLE 能够重现流行轨迹，并针对不同的政策时机和组合生成不同的响应。通过将 LLMs 作为灵活的行为层，GABLE 提供了一个将情境敏感的行为生成与流行病动力学耦合的框架。