EpiNarrate：根据流行病学情景预测代理生成扎根叙事

生成清晰易懂的公共卫生叙述对于向政策制定者和广大公众传达复杂的流行病学预测至关重要。这种叙述需要的不仅仅是简单地报告数字：预测必须结合具体情况，并在多个维度上进行定量分析。此外，预测通常来自大型集合数据集，其中结合了干预假设、地理和人口阶层、结果、时间范围和不确定性分位数。然而，直接使用 大语言模型 (LLM) 对此类数据进行总结和上下文化通常会导致不一致、遗漏和脆弱的行为。我们引入了一个用于公共卫生报告生成的代理框架（EpiNarrate），它将结构化数字推理与自然语言生成分开。该框架首先提取场景轴并将其组织成偏序模式，从而能够系统地遍历底层多维空间。然后，它构建一个增强的数据集，并通过强制语义和算术一致性的比较语法得出有效的定量陈述。为了平衡覆盖率和非冗余性，我们引入了一种基于最大熵原理的兴趣驱动选择机制。 COVID-19 情景建模中心的实验表明，我们的模型生成的叙述具有更好的事实基础和更广泛的显着流行病学模式覆盖范围，同时保留了专家撰写报告的风格。