論文の概要: EpiNarrate: Agentic Generation of Grounded Narratives from Epidemiological Scenario Projections

• arxiv url: http://arxiv.org/abs/2607.15544v1
• Date: Fri, 17 Jul 2026 01:30:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.728909
• Title: EpiNarrate: Agentic Generation of Grounded Narratives from Epidemiological Scenario Projections
• Title（参考訳）: EpiNarrate: 疫学シナリオ投影による接地物語のエージェント生成
• Abstract要約: 公衆衛生報告作成のためのエージェント・フレームワーク(EpiNarrate)を導入する。 EpiNarrateは、構造化された数値推論と自然言語生成を分離する。 まずシナリオ軸を抽出し、それらを部分順序スキーマに整理する。 その後、拡張データセットを構築し、有効な定量的ステートメントを導出する。
• 参考スコア（独自算出の注目度）: 15.376330927742474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generation of clear and accessible public health narratives is critical for communicating complex epidemiological projections to policymakers and the general public at large. Such narratives require more than simply reporting numbers: projections must be contextualized and quantitatively grounded across multiple dimensions. Further, projections are often derived from large ensemble datasets which combine intervention assumptions, geographic and demographic strata, outcomes, time horizons, and uncertainty quantiles. However, directly using large language models (LLMs) to summarize and contextualize such data often leads to inconsistencies, omissions, and fragile behavior. We introduce an agentic framework (EpiNarrate) for public health report generation that separates structured numerical reasoning from natural-language generation. The framework first extracts scenario axes and organizes them into a partial-order schema, enabling systematic traversal of the underlying multidimensional space. It then constructs an augmented dataset and derives valid quantitative statements through a comparison grammar that enforces semantic and arithmetic consistency. To balance coverage and non-redundancy, we introduce an interestingness-driven selection mechanism based on maximum-entropy principles. Experiments on the COVID-19 Scenario Modeling Hub demonstrate that our model produces narratives with improved factual grounding and broader coverage of salient epidemiological patterns, while preserving the style of expert-written reports.
• Abstract（参考訳）: 明確でアクセスしやすい公衆衛生物語の生成は、政策立案者や一般大衆に複雑な疫学予測を伝える上で重要である。 このような物語は単に数字を報告する以上のものを必要としている。 さらに、プロジェクションはしばしば、介入の仮定、地理的および人口層、結果、時間的地平線、不確実な量子化を組み合わせた大きなアンサンブルデータセットから導かれる。 しかし、そのようなデータを要約・文脈化するために大きな言語モデル(LLM)を直接使用すると、矛盾、省略、脆弱な振る舞いにつながることが多い。 本稿では、自然言語生成から構造化数値推論を分離した公衆衛生報告生成のためのエージェントフレームワーク(EpiNarrate)を提案する。 このフレームワークはまずシナリオ軸を抽出し、それらを部分順序スキーマに整理し、基礎となる多次元空間の体系的なトラバースを可能にする。 その後、拡張データセットを構築し、意味論的および算術的一貫性を強制する比較文法を通じて有効な量的ステートメントを導出する。 カバー範囲と非冗長性のバランスをとるために,最大エントロピー原理に基づく興味深い選択機構を導入する。 COVID-19シナリオモデリングハブの実験では、我々のモデルは、専門家によるレポートのスタイルを保ちながら、事実的根拠を改善し、健康な疫学的パターンを広範囲にカバーした物語を生み出している。

関連論文リスト

• Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
  本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-20T17:58:17Z)
• WhatsApp Vaccine Discourse (WhaVax): An Expert-Annotated Dataset and Benchmark for Health Misinformation Detection [0.0]
  WhaVaxは、複数のパンデミックにまたがるブラジルの大規模な公共グループから収集されたワクチン関連WhatsAppメッセージの、エキスパートによる新しいデータセットである。 WhatsAppの誤情報を詳細に分析し,言語的,構造的,語彙的,時間的,グループレベルのパターンを明らかにした。 また、従来のモデル、微調整された小言語モデル、および現実的なデータ共有制約下でのゼロまたは少数ショットの大規模言語モデルもベンチマークします。
  論文  参考訳（メタデータ） (2026-03-25T14:54:09Z)
• On the Out-of-Distribution Generalization of Reasoning in Multimodal LLMs for Simple Visual Planning Tasks [56.98385132295952]
  簡単な計画課題において,チェーン・オブ・ソート・アプローチがいかに一般化するかを評価する。 複数のテキスト形式を組み合わせた推論トレースが、最高の(かつ非自明な)OOD一般化をもたらすことが分かりました。 純粋にテキストベースのモデルは、画像ベースの入力を利用するモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-02-17T09:51:40Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• Mental Disorder Classification via Temporal Representation of Text [33.47304614659701]
  ソーシャルメディア投稿からの精神障害予測は、逐次テキストデータの複雑さのために困難である。 本稿では,時系列に順序付けられたソーシャルメディア投稿を一連の数に圧縮する新しいフレームワークを提案する。 我々は、現在のSOTAを3つの異なる精神条件で上回ることで、フレームワークの一般化能力を実証する。
  論文  参考訳（メタデータ） (2024-06-15T10:53:21Z)
• Skews in the Phenomenon Space Hinder Generalization in Text-to-Image Generation [59.138470433237615]
  本稿では,関係学習用データセットの言語的スキューと視覚的スクリューの両方を定量化する統計指標を提案する。 系統的に制御されたメトリクスは、一般化性能を強く予測できることを示す。 この研究は、データの多様性やバランスを向上し、絶対的なサイズをスケールアップするための重要な方向を示します。
  論文  参考訳（メタデータ） (2024-03-25T03:18:39Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Structured Time Series Prediction without Structural Prior [0.152292571922932]
  時系列予測は、多くの領域の応用において広くよく研究されている問題である。 このようなグラフに依存しない完全データ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-07T22:01:58Z)
• Discrepancies in Epidemiological Modeling of Aggregated Heterogeneous Data [1.433758865948252]
  本研究では, 複雑なシステムに直面すると, 伝染率などの疫学パラメータを推定するための最先端モデルが不適切であることを示す。 複数の流行から発生した入射曲線を組み合わせることで、複雑な発生シナリオを3つ生成する。 このベイズ推定フレームワークにおける2つのデータ生成モデルを評価する。
  論文  参考訳（メタデータ） (2021-06-20T03:41:19Z)

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。