Epi-LLM 框架：通过基于流行病学主体的模型探索 LLM 行为先验

流行病期间的人类行为会影响传染病的动态，但对其进行量化仍然极具挑战性。在这里，我们介绍 Epi-LLM 框架：基于代理的建模、现实生活中的 Epigames 和 大语言模型 (LLM) 的新颖集成，其中代理的综合社会通过爆发接触网络进行推理和动态适应。将合成代理的行为与无干预 SEIR 基线和 AUIB Epigame 研究中的人类参与者数据进行比较，我们发现四种不同架构的 LLM 代理减少了活跃感染峰值，在 15 天模拟的第六天，检疫合规性达到峰值 58-65%。二项式广义线性模型表明，感知的健康严重程度是隔离行为的最强预测因子（$β= 0.33，p = 0.002$），产生的伪 $R^2$ 为 0.055，与人体试验中观察到的 0.072 相当。 LLM 架构是流行病动态的关键决定因素：低方差架构为测试行为规则提供了更大的内部有效性，而高方差模型可以更好地代表现实世界的决策。地理标签本身并不会引发文化差异化行为；需要明确的态度参数化。这项原理验证工作为将 Epi-LLM 框架部署为大流行病防备研究的可扩展、无风险模拟环境奠定了基础。