論文の概要: Large language models for spreading dynamics in complex systems

• arxiv url: http://arxiv.org/abs/2602.08085v1
• Date: Sun, 08 Feb 2026 18:58:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.975323
• Title: Large language models for spreading dynamics in complex systems
• Title（参考訳）: 複雑系における動的展開のための大規模言語モデル
• Authors: Shuyu Jiang, Hao Ren, Yichang Gao, Yi-Cheng Zhang, Li Qi, Dayong Xiao, Jie Fan, Rui Tang, Wei Wang,
• Abstract要約: 拡散力学は、複雑なシステムとネットワーク科学の物理学における中心的なトピックである。 大規模言語モデル(LLM)は、自然言語理解、推論、生成において強力な能力を発揮している。 LLMは伝播系に埋め込まれた対話的エージェントとして機能し、拡散経路やフィードバック構造に影響を与える可能性がある。
• 参考スコア（独自算出の注目度）: 15.581915022853337
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Spreading dynamics is a central topic in the physics of complex systems and network science, providing a unified framework for understanding how information, behaviors, and diseases propagate through interactions among system units. In many propagation contexts, spreading processes are influenced by multiple interacting factors, such as information expression patterns, cultural contexts, living environments, cognitive preferences, and public policies, which are difficult to incorporate directly into classical modeling frameworks. Recently, large language models (LLMs) have exhibited strong capabilities in natural language understanding, reasoning, and generation, enabling explicit perception of semantic content and contextual cues in spreading processes, thereby supporting the analysis of the different influencing factors. Beyond serving as external analytical tools, LLMs can also act as interactive agents embedded in propagation systems, potentially influencing spreading pathways and feedback structures. Consequently, the roles and impacts of LLMs on spreading dynamics have become an active and rapidly growing research area across multiple research disciplines. This review provides a comprehensive overview of recent advances in applying LLMs to the study of spreading dynamics across two representative domains: digital epidemics, such as misinformation and rumors, and biological epidemics, including infectious disease outbreaks. We first examine the foundations of epidemic modeling from a complex-systems perspective and discuss how LLM-based approaches relate to traditional frameworks. We then systematically review recent studies from three key perspectives, which are epidemic modeling, epidemic detection and surveillance, and epidemic prediction and management, to clarify how LLMs enhance these areas. Finally, open challenges and potential research directions are discussed.
• Abstract（参考訳）: 拡散力学は複雑なシステムとネットワーク科学の物理学において中心的なトピックであり、情報、行動、病気がシステムユニット間の相互作用を通じてどのように伝播するかを理解する統一的な枠組みを提供する。 多くの伝播文脈において、拡散過程は、情報表現パターン、文化的文脈、生活環境、認知的嗜好、公共政策など、古典的なモデリングフレームワークに直接組み込むのが困難である複数の相互作用要因の影響を受けている。 近年、大規模言語モデル(LLM)は、自然言語理解、推論、生成において強力な能力を示し、プロセスの展開における意味的内容と文脈的手がかりを明確に認識し、異なる影響要因の分析を支援する。 外部分析ツールとして機能するだけでなく、LLMは伝播系に埋め込まれた対話的エージェントとしても機能し、拡散経路やフィードバック構造に影響を与える可能性がある。 その結果、LLMの役割と影響は、複数の研究分野において活発で急速に成長している研究領域となっている。 本総説では, 2つの代表的な領域, 誤報や噂などのデジタル流行と, 感染症の発生を含む生物学的流行の研究にLLMを適用した最近の進歩を概観する。 まず, 複雑なシステムの観点から疫病モデルの基礎を考察し, LLMベースのアプローチが従来のフレームワークとどのように関係しているかを考察する。 次に, 疫病モデル, 疫病検出・監視, 疫病予測・管理の3つの重要な視点から最近の研究を体系的にレビューし, LLMがこれらの領域をいかに拡張するかを明らかにする。 最後に、オープンチャレンジと潜在的研究の方向性について論じる。

関連論文リスト

• A time for monsters: Organizational knowing after LLMs [0.0]
  大規模言語モデル(LLM)は、表現と実践に基づく視点の不安定な基盤によって組織的知識を再構築している。 我々は LLM をハラウェイアンモンスター,すなわちハイブリッドカテゴリ,すなわち,確立したカテゴリを不安定化する境界交差エンティティとして概念化し,調査の新たな可能性を開く。
  論文  参考訳（メタデータ） (2025-11-19T14:07:47Z)
• MTOS: A LLM-Driven Multi-topic Opinion Simulation Framework for Exploring Echo Chamber Dynamics [4.784214920683191]
  現実世界のネットワークでは、情報は複数の関連トピックにまたがり、意見の進化に挑戦する。 大規模言語モデル(LLM)に基づく既存の研究は、主に単一のトピックに焦点を当て、マルチトピック、クロスドメインのコンテキストにおける認知的伝達の捕捉を制限する。 一方、伝統的な数値モデルは、複雑な言語態度を離散的な値に単純化し、解釈可能性、行動整合性、複数のトピックを統合する能力に欠ける。 マルチトピック・オピニオン・シミュレーション(MTOS)を提案する。
  論文  参考訳（メタデータ） (2025-10-14T11:59:47Z)
• Unraveling the cognitive patterns of Large Language Models through module communities [45.399985422756224]
  大規模言語モデル(LLM)は、科学、工学、社会において大きな進歩を遂げ、我々の世界を変えました。 実用性と実用性にもかかわらず、LLMの基盤となるメカニズムは何十億ものパラメータや複雑な構造の中に隠されている。 生物学における新たな認知を理解するためのアプローチを採用することで、このギャップに対処する。
  論文  参考訳（メタデータ） (2025-08-25T16:49:38Z)
• Large Language Models for Zero-shot Inference of Causal Structures in Biology [4.650342334505084]
  本稿では,生物学における因果関係のゼロショット推論のための大規模言語モデル(LLM)を評価する枠組みを提案する。 実世界の介入データを用いて, LLMから得られた因果関係を系統的に評価した。 以上の結果から, 比較的小さなLLMでも生物学的システムにおける因果構造の意義を捉えることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-06T11:43:30Z)
• BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
  実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。 そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
  論文  参考訳（メタデータ） (2025-02-23T17:38:10Z)
• Digital Epidemiology: A review [0.0]
  疫学は近年、計算モデルに基づく大きな進歩を目撃している。 ビッグデータとアプリによって、大規模な実データによるモデルの検証と精錬が可能になる。 エボラは、システム解を必要とするため、複雑性のレンズからアプローチする必要がある。
  論文  参考訳（メタデータ） (2021-04-08T08:45:20Z)

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。