論文の概要: Integrating adaptive human behavior into epidemic models with large language models
- arxiv url: http://arxiv.org/abs/2608.29535v1
- Date: Sun, 30 Aug 2026 03:46:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.992309
- Title: Integrating adaptive human behavior into epidemic models with large language models
- Title（参考訳）: 大規模言語モデルを用いた流行モデルへの適応的人間の行動の統合
- Abstract要約: 我々は,この課題を,機械的流行モデル内での適応的人間の行動を表現するために,大規模言語モデル(LLM)を用いて再評価する。
我々は,この概念をジェネレーティブ・アダプティブ・行動層(ジェネレーティブ・アダプティブ・ビヘイビア・レイヤ・フォー・エピデミクス,GABLE)を通じて運用する。
- 参考スコア（独自算出の注目度）: 6.676022717846684
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Infectious disease transmission is shaped by patterns of human interaction, which adapt as epidemic conditions change. Capturing these context-dependent behaviors remains a fundamental challenge for epidemic models. Here, we recast this challenge by using large language models (LLMs) to represent adaptive human behavior within mechanistic epidemic models. We operationalize this idea through Generative Adaptive Behavioral Layer for Epidemics (GABLE), which adapts LLMs to infer behavioral responses to epidemic and policy conditions and translates them into age-structured contact matrices coupled to a mechanistic epidemic model. Applied to COVID-19 in France, GABLE reproduced responses in population mixing and age-specific contact structures that remained epidemiologically informative. In short-term forecasting, LLM-generated contact matrices outperformed mobility-driven matrices derived from real-world mobility data, with the largest gains at longer horizons. GABLE also extends beyond forecasting to prospective policy evaluation by projecting behavioral and epidemic responses to candidate interventions before implementation. When supplied with subsequently implemented policies, GABLE reproduced epidemic trajectories and generated distinct responses to alternative policy timing and composition. By leveraging LLMs as a flexible behavioral layer, GABLE provides a framework for coupling context-sensitive behavioral generation with epidemic dynamics.
- Abstract（参考訳）: 伝染病の伝染は人間の相互作用のパターンによって形成され、疫病の状況が変化するにつれて適応する。
これらの文脈依存的な行動の捕獲は、疫病モデルにとって依然として根本的な課題である。
本稿では,大規模言語モデル(LLM)を用いて,機械的流行モデルにおける適応的人間の行動を表現することで,この課題を再考する。
我々は、このアイデアをジェネレーティブ・アダプティブ・ビヘイビア・レイヤ・フォー・エピデミクス(GABLE)を通じて運用し、LLMを用いて、流行や政策条件に対する行動応答を推測し、それらを機械的流行モデルに結合した年齢構造接触行列に変換する。
フランスの新型コロナウイルス(COVID-19)に応用されたGABLEは、人口混合や、疫学的に有益な年齢別接触構造における反応を再現した。
短時間の予測では、LLM生成の接触行列は、現実の移動データから得られる移動性駆動行列よりも優れており、より長い地平線での最大の利得がある。
GABLEはまた、実施前の候補介入に対する行動や流行の応答を予測することによって、予測から予測的な政策評価まで拡張する。
その後実施された政策で供給されると、GABLEは流行の軌跡を再現し、代替政策のタイミングと構成に対して異なる反応を発生させた。
LLMを柔軟な行動層として活用することにより、GABLEは、コンテキストに敏感な行動生成と流行のダイナミクスを結合するフレームワークを提供する。
関連論文リスト
- Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。
SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
論文 参考訳（メタデータ） (2026-05-14T11:50:00Z) - Toward World Models for Epidemiology [45.965729493797824]
我々は、計算疫学は世界モデルにとって自然で未発達の環境であると主張している。
本研究では,疫学世界モデルの概念的枠組みを導入し,疫病を制御された部分的に観察された動的システムとして定式化する。
政策関連推論に明示的な世界モデリングがなぜ必要かを示す3つのケーススタディを示す。
論文 参考訳（メタデータ） (2026-04-10T17:39:20Z) - Learning Pareto-Optimal Pandemic Intervention Policies with MORL [1.160208922584163]
本研究では,疾患拡散防止戦略をモデル化し,評価するための枠組みを開発する。
シミュレーションでは,全国規模のパンデミックのダイナミクスを再現し,他のモデルよりも桁違いに忠実に再現する。
この研究は、公衆衛生危機を緩和するための透明で証拠に基づく政策決定を支援する。
論文 参考訳（メタデータ） (2025-10-02T12:06:29Z) - EpiLLM: Unlocking the Potential of Large Language Models in Epidemic Forecasting [2.9557992468454533]
大規模言語モデル(LLM)は、ドメイン固有のタスクの基礎モデルとして有効であることを示した。
EpiLLMの最近の進歩は、現実世界のCOVID-19データセットの既存のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-05-19T05:53:25Z) - A Short Survey of Human Mobility Prediction in Epidemic Modeling from Transformers to LLMs [0.0]
疫病の流行をモデル化するためには、人々がどう動くかを理解することが不可欠である。
人口移動の予測は、公衆衛生上の緊急時のモデルや効果的な対応計画の策定に不可欠である。
BERTやLLM(Large Language Models)のような事前訓練された言語モデルを用いて,モビリティ予測タスクに特化して,さまざまなアプローチをレビューする。
論文 参考訳（メタデータ） (2024-04-25T17:52:19Z) - Advancing Real-time Pandemic Forecasting Using Large Language Models: A COVID-19 Case Study [39.70947911556511]
既存の予測モデルは、関連するデータと堅牢な結果翻訳の多面的な性質に苦慮している。
本研究は、テキスト推論問題として、リアルタイムに拡散する疾患の予測を再構築する新しいフレームワークであるPandemicLLMを紹介する。
このモデルは新型コロナウイルス(COVID-19)のパンデミックに適用され、テキストによる公衆衛生政策、ゲノム監視、空間および疫学的時系列データを活用するように訓練されている。
論文 参考訳（メタデータ） (2024-04-10T12:22:03Z) - Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance
of Containment Measures [65.62256987706128]
比較疫学モデルは、疾患の状態に基づいて個人を分類する。
我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。
スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
論文 参考訳（メタデータ） (2023-07-28T08:01:05Z) - Multi-scale simulation of COVID-19 epidemics [0.0]
新型コロナウイルスの感染拡大が始まってから1年以上が経過している。
今後数週間にわたって広がる未来と、潜在的な政治的介入の影響を正確に予測することは難しい」と述べた。
現在の流行モデルは主に2つのアプローチに該当する: 分割モデル、人口を疫学クラスに分け、微分方程式の数学的解決に依存する。
論文 参考訳（メタデータ） (2021-12-02T12:34:11Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z)
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。