대규모 언어 모델 기반 의사 결정을 활용한 감염병 확산 시뮬레이션

An Infectious Disease Spread Simulation Based on Large Language Model Decision Making

감염병 발생 시 개인의 의사 결정 과정을 모델링하는 것은 행동 양상을 이해하고 효과적인 공중 보건 개입 전략을 수립하는 데 매우 중요합니다. 기존 연구에 따르면, 대규모 언어 모델은 인구 통계 정보 및 상황 맥락에 따른 프롬프트를 기반으로 에이전트의 의사 결정을 생성하여 현실적인 인간 행동을 시뮬레이션할 수 있습니다. 본 연구에서는 이러한 기존 연구를 바탕으로, LLM(대규모 언어 모델)에서 생성된 자발적 인플루엔자 유사 질환 보고 결정 사항을 사용하여 실제 인구 통계 데이터를 기반으로 구축된 합성 에이전트 집단을 포함하는 공간적으로 정밀한 에이전트 기반 시뮬레이션 프레임워크를 개발했습니다. 본 연구에서는 위치 정보를 핵심 요소로 간주하며, 도시 내의 특정 공간 단위에 에이전트를 할당하여 실제 인구 통계 데이터로부터 얻은 다양한 인구 집단의 공간적 분포를 반영하고 지리적으로 다양한 행동 모델링을 가능하게 합니다. 독립적인 추론, 가정 환경의 영향, 메시지 구성 등 세 가지 의사 결정 시나리오를 구현하고 비교했으며, 샌프란시스코와 애틀랜타 지역에서 자발적 보고 결과를 시뮬레이션했습니다. 결과에 따르면, 소득과 교육 수준이 보고율 변동의 주요 요인이며, 지리, LLM 모델 선택 및 메시지 구성은 상대적으로 작은 영향을 미치는 것으로 나타났습니다. 본 연구에서 개발된 프레임워크는 사회적 및 지리적 이질성을 모두 반영하는 합성 데이터를 생성하며, 이는 공간 역학 모델링 및 편향을 고려한 행동 분석을 지원합니다.

Modelling individual decision-making during infectious disease outbreaks is crucial for understanding behavioural dynamics and informing effective public health interventions. Prior work has shown that large language models can simulate realistic human behaviour by generating agent decisions based on demographic prompts and situational context. We build on this foundation with a spatially grounded, agent-based simulation framework that integrates LLM-generated decisions about self-reported influenza-like illness into a census-based synthetic population of agents. Location is treated as a central feature: agents are assigned to spatial units within cities, capturing the spatial distributions of different demographic groups using real-world census data and enabling geographically diverse behavioural modelling. We implement and compare three decision scenarios, independent reasoning, household influence, and message framing, and simulate self-reporting outcomes in San Francisco and Atlanta. Results reveal that income and education are the dominant drivers of reporting rate variation, with smaller but consistent effects from geography, LLM model choice, and message framing. Our framework generates synthetic data that captures both social and geographic heterogeneity, supporting spatial epidemiological modelling and bias-aware behavioural analysis.