研究人员开发了 Epi-LLM 框架，该框架将基于主体的建模与大型语言模型 (LLM) 相结合，以模拟流行病期间的人类行为。该框架使用合成 LLM 代理来模拟社会对疫情爆发的反应，发现 LLM 代理降低了感染高峰并实现了显著的隔离依从性。研究还揭示了 LLM 架构会影响流行病动力学，低方差模型为行为规则测试提供了更好的内部有效性，而高方差模型则能更好地代表现实世界的决策。 AI
影响 为大流行病防备研究提供了一个新颖的模拟环境，能够对行为干预措施进行无风险测试。
排序理由 该集群包含一篇详细介绍使用 LLM 模拟流行病动力学的新颖框架的研究论文。
在 arXiv cs.MA (Multiagent) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.02867v1 Announce Type: cross Abstract: Human behaviour during epidemics affects infectious disease dynamics, but quantifying this remains deeply challenging. Here we introduce the Epi-LLM framework: a novel integration of agent-based modelling, real-life epigames, and …
Human behaviour during epidemics affects infectious disease dynamics, but quantifying this remains deeply challenging. Here we introduce the Epi-LLM framework: a novel integration of agent-based modelling, real-life epigames, and large language models (LLMs) in which a synthetic …