論文の概要: AI Agents as Policymakers in Simulated Epidemics

• arxiv url: http://arxiv.org/abs/2601.04245v1
• Date: Tue, 06 Jan 2026 03:19:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.814826
• Title: AI Agents as Policymakers in Simulated Epidemics
• Title（参考訳）: 模擬疫学における政策立案者としてのAIエージェント
• Authors: Goshi Aoki, Navid Ghaffarzadegan,
• Abstract要約: 我々は、流行時の反復的な政策決定を研究するための生成AIエージェントを開発する。 シミュレーションされたSEIR環境の中にエージェントを埋め込み、市長として振る舞うように促す。 この結果は、AIエージェントの創発的政策行動が、理論インフォームドプロンプトによってどのように形成されるかを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI agents are increasingly deployed as quasi-autonomous systems for specialized tasks, yet their potential as computational models of decision-making remains underexplored. We develop a generative AI agent to study repetitive policy decisions during an epidemic, embedding the agent, prompted to act as a city mayor, within a simulated SEIR environment. Each week, the agent receives updated epidemiological information, evaluates the evolving situation, and sets business restriction levels. The agent is equipped with a dynamic memory that weights past events by recency and is evaluated in both single- and ensemble-agent settings across environments of varying complexity. Across scenarios, the agent exhibits human-like reactive behavior, tightening restrictions in response to rising cases and relaxing them as risk declines. Crucially, providing the agent with brief systems-level knowledge of epidemic dynamics, highlighting feedbacks between disease spread and behavioral responses, substantially improves decision quality and stability. The results illustrate how theory-informed prompting can shape emergent policy behavior in AI agents. These findings demonstrate that generative AI agents, when situated in structured environments and guided by minimal domain theory, can serve as powerful computational models for studying decision-making and policy design in complex social systems.
• Abstract（参考訳）: AIエージェントは、専門的なタスクのための準自律システムとしてますますデプロイされているが、意思決定の計算モデルとしての可能性はまだ探索されていない。 筆者らは, 市町村町村を模擬した環境下で, 市町村の市長として行動するよう促された, 疫病の繰り返し政策決定を研究するために, 生成型AIエージェントを開発した。 エージェントは毎週、更新された疫学的情報を受信し、進化状況を評価し、ビジネス制限レベルを設定する。 エージェントは、リレーシによって過去のイベントを重み付けする動的メモリを備えており、複雑さの異なる環境において、シングルエージェントとアンサンブルエージェントの両方で評価される。 シナリオ全体では、エージェントは人間のような反応行動を示し、ケースの増加に応じて制限を締め付け、リスクが減少するにつれてそれらを緩和する。 重要なことは、エージェントに流行のダイナミクスに関する簡単なシステムレベルの知識を提供し、病気の拡散と行動反応の間のフィードバックを強調し、決定品質と安定性を大幅に改善する。 この結果から,AIエージェントの創発的政策行動が,理論インフォームド・プロンプトによってどのように形成されるかが示唆された。 これらの結果は、生成AIエージェントが、構造化された環境に位置し、最小限のドメイン理論で導かれる場合、複雑な社会システムにおける意思決定とポリシー設計を研究するための強力な計算モデルとして機能することを示した。

関連論文リスト

• EpiPlanAgent: Agentic Automated Epidemic Response Planning [9.237435272733032]
  EpiPlanAgentは、大規模言語モデル(LLM)を使用して、デジタル緊急対応計画の生成と検証を自動化するエージェントベースのシステムである。 公衆衛生の専門家は、コントロールされた評価で現実世界の流行シナリオを使用してシステムをテストした。
  論文  参考訳（メタデータ） (2025-12-11T06:03:17Z)
• A Hierarchical Hybrid AI Approach: Integrating Deep Reinforcement Learning and Scripted Agents in Combat Simulations [0.0]
  本稿では,スクリプトエージェントの信頼性と予測性をRLの動的適応学習能力と相乗化する,階層型ハイブリッド人工知能(AI)アプローチを提案する。 提案手法は,AIシステムを階層的に構築することにより,日常的かつ戦術的な意思決定にスクリプトエージェント,高レベルの戦略的意思決定にRLエージェントを活用することを目的としている。
  論文  参考訳（メタデータ） (2025-11-28T23:50:29Z)
• A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
  既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。 近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。 この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-08-10T16:07:32Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• A Survey on Autonomy-Induced Security Risks in Large Model-Based Agents [45.53643260046778]
  大規模言語モデル(LLM)の最近の進歩は、自律型AIエージェントの台頭を触媒している。 これらの大きなモデルエージェントは、静的推論システムからインタラクティブなメモリ拡張エンティティへのパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2025-06-30T13:34:34Z)
• Appraisal-Guided Proximal Policy Optimization: Modeling Psychological Disorders in Dynamic Grid World [0.0]
  強化学習(RL)エージェントを用いた心理障害のモデル化手法を開発した。 心理障害をシミュレートし,エージェントの行動を制御するための報酬形成戦略を多数検討した。 修正されたPPOアルゴリズムの様々な構成の比較により、不安障害とOCD(Obsessive-Compulsive Disorder)のようなエージェントの振る舞いをシミュレートする変異が同定された。
  論文  参考訳（メタデータ） (2024-07-29T19:19:54Z)
• Modeling Bounded Rationality in Multi-Agent Simulations Using Rationally Inattentive Reinforcement Learning [85.86440477005523]
  我々は、人間不合理性の確立されたモデルであるRational Inattention(RI)モデルを含む、より人間的なRLエージェントについて検討する。 RIRLは、相互情報を用いた認知情報処理のコストをモデル化する。 我々は、RIRLを用いることで、合理的な仮定の下で発見されたものと異なる、新しい平衡挙動の豊富なスペクトルが得られることを示す。
  論文  参考訳（メタデータ） (2022-01-18T20:54:00Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。