Naukowcy łączą modelowanie wieloagentowe z dużymi modelami językowymi w nową ramę HALE (Hybrid Agent-based and Language-driven Epidemic), która pozwala symulować decyzje człowieka w oparciu o predykcje LLM zamiast statycznych reguł. Tradycyjne modelowanie wieloagentowe potrafi symulować zachowania milionów osób i ich interakcje, co jest cenne dla tworzenia polityki publicznej, ale zawsze opierało się na wcześniej zdefiniowanych, niezmiennych założeniach. To ograniczenie uniemożliwiało modelom adaptację do zmian w czasie rzeczywistym.
Nowe podejście wykorzystuje możliwości dużych modeli językowych do predykcji wyborów człowieka w dynamicznych warunkach. Autorzy zastosowali HALE do symulacji COVID-19 w Salt Lake County w Utah, gdzie system może przewidywać zachowania ludzi - takie jak decyzje o szczepieniu czy izolacji - na podstawie kontekstu epidemiologicznego i komunikacji. Ten hybrid łączy skalę modelowania wieloagentowego (zdolność obsługi milionów jednostek) z elastycznością i rozumowaniem LLM.
Zasadnicze znaczenie tego podejścia dla polityki zdrowotnej i zarządzania kryzysowego jest oczywiste. Modele, które mogą w realistyczny sposób symulować zmienne decyzje ludzi w odpowiedzi na zmieniającą się sytuację epidemiologiczną, mogą lepiej informować decydentów o potencjalnych scenariuszach i skuteczności interwencji. Publikacja na arXiv sugeruje, że to wciąż wczesne stadium badań, ale otwarcie drogi do łączenia LLM z symulacyjnym modelowaniem społecznym wydaje się obiecującą ścieżką dla nauk społecznych i ochrony zdrowia publicznego.