基于大语言模型的自由文本分析揭示COVID-19传播环境：一项全国性病例对照研究

本研究通过结合封闭式问卷与自由文本分析，创新性地利用CamemBERT模型从54万份法国COVID-19感染者调查数据中提取传播环境特征。研究团队开发了监督分类模型（准确率75%）和无监督主题建模方法，成功识别出23个传播场景集群，不仅验证了预设的7类传播环境（如工作、家庭），还发现了医院、养老院等未预设的高风险场景。该成果发表于《Nature Communications》，为未来疫情中快速识别未知传播途径提供了AI驱动的解决方案。

　　

在COVID-19大流行中，快速识别病原体传播环境对公共卫生干预至关重要。传统流行病学调查依赖封闭式问卷，存在预设选项局限性和应答率低等问题。法国Institut Pasteur等机构的研究团队创新性地将自然语言处理(NLP)技术应用于54万份感染者自由文本分析，通过大语言模型(LLM)挖掘文本中隐含的传播特征。

研究采用CamemBERT模型（专为法语优化的RoBERTa变体）构建监督分类系统，从自由文本预测7类预设传播环境（工作、家庭、朋友、体育、文化、宗教、其他），准确率达75%。通过局部可解释模型(LIME)分析发现，"葬礼"等词汇在宗教与家庭类别中存在交叉，揭示了问卷设计的潜在缺陷。更引人注目的是无监督的BERTopic聚类方法，该技术通过UMAP降维和HDBSCAN聚类，从31,036份文本中识别出23个传播场景，包括"医院/急诊"（占比9.9%）和"养老院"（8.4%）等未预设的高风险场所，以及"酒吧/夜晚"、"餐厅/用餐"等具体活动场景。

关键技术包括：1) 基于CamemBERT的文本嵌入转换；2) 使用54万份配对数据（自由文本+封闭答案）进行监督训练；3) 结合TF-IDF和HDBSCAN的无监督主题建模；4) 通过熵值过滤提升分类准确性（过滤43%高熵数据后准确率达91%）。

主要研究发现：

1. 监督分类验证自由文本的流行病学价值
   模型对工作场景识别最佳（精确度83%），宗教场景表现最差（召回率0%），反映出文化语境对分类的影响。通过合并高熵类别（文化/宗教并入其他），平衡准确率提升至76%。

2. 无监督聚类揭示隐藏传播模式
   23个自动生成的集群中，9个集群75%以上响应集中于单一预设类别。工作场景被细分为"同事"（传统工作）、"养老院"（医护人员）、"地铁"（通勤）等子类，显示职业暴露的多样性。

3. 方法学创新助力疫情应对
   研究证明自由文本可替代部分封闭问题（如工作场景预测准确率98%），且能发现问卷未覆盖的风险场景（如学校、游泳池）。通过实时熵值分析，可动态优化问卷设计。

这项研究开创性地将LLM应用于大规模流行病学调查，其价值体现在三方面：首先，在方法学层面证明AI模型能从非结构化文本提取定量流行病学特征；其次，为未来新发传染病疫情提供快速识别未知传播途径的技术路线；最后，提出"自由文本优先"的调查范式，通过减少封闭问题提高应答率。正如作者指出，该方法可扩展至社交媒体等非结构化数据源，为全球公共卫生监测提供新视角。