《Antimicrobial Stewardship & Healthcare Epidemiology》：Using generative artificial intelligence for outbreak communications: a case study of the 2026 Ebola outbreak
编辑推荐：
传染病疫情和公共卫生突发事件（public health emergencies）期间的沟通可能具有挑战性。科学组织、联邦机构以及国际组织提供的信息，若未针对特定受众进行情境化调整，则可能被误解。此外，冗长的声明和文件可能使公众、临床医生以及其他准备和应对疫情
传染病疫情和公共卫生突发事件（public health emergencies）期间的沟通可能具有挑战性。科学组织、联邦机构以及国际组织提供的信息，若未针对特定受众进行情境化调整，则可能被误解。此外，冗长的声明和文件可能使公众、临床医生以及其他准备和应对疫情的人员难以理解。研究人员评估了使用生成式人工智能（generative artificial intelligence, AI）模型开发视觉传播材料和信息图（infographics）的方法，并以近期2026年埃博拉疫情为案例研究。研究人员确定了使用AI模型制作疫情沟通材料的优势与挑战。
利用生成式人工智能进行疫情沟通：2026年埃博拉疫情案例研究
一、研究背景与问题
传染病疫情暴发期间的公共沟通具有挑战性。科学组织和国际机构发布的信息常包含密集的专业术语，普通公众、临床医生等可能难以理解。尤其是2026年5月17日，世界卫生组织（WHO）宣布刚果民主共和国和乌干达的埃博拉疫情为国际关注的公共卫生紧急事件（PHEIC），急需清晰、准确且针对受众的信息传播。视觉摘要和信息图是简化复杂信息的有效手段，但制作过程耗时且需要专业知识。因此，评估生成式AI模型辅助制作疫情沟通材料的能力，对提升公共卫生应急响应中的信息传递效率具有重要意义。
二、研究内容与结论
研究人员以2026年埃博拉疫情为例，评估了Microsoft Copilot和Google Gemini两种生成式人工智能（AI）模型在生成对比性视觉信息图中的准确性。通过输入包含美国疾病控制与预防中心（CDC）和WHO网站链接的提示，要求模型生成社区海报和针对医护人员的信息图。研究发现，AI模型能够快速生成容易理解的视觉比较，但在输出中出现了多项错误：如将CDC三级旅行通知错置在错误的物种列下、拼写错误（“Epidomiologic”并非“Epidemiology”）、基因组差异百分比不准确（标注为55%-60%）等。不同模型和提示条件对输出质量有显著影响，且免费层级存在使用限制。最终结论是，虽然生成AI有助于提高沟通材料制作效率，但必须对输出进行科学准确性和内容代表性的验证。
三、关键技术方法
本研究未涉及实验室操作或样本队列，主要依赖AI模型交互。研究人员于2026年5月下旬至6月初，使用Microsoft Copilot和Google Gemini的免费层级。方法包括：向Copilot提供通用提示（附CDC/WHO网站链接）并多次交互；尝试具体提示时Copilot因免费层级限制无法生成视觉；随后改用Gemini，输入更具体提示（禁止使用受版权保护的短语、图标、照片等），在一分钟内生成社区海报和医护人员信息图。同时记录了Copilot自愿报告的碳足迹（CO
2排放当量）和模型自我纠错过程。提示的设计、模型的选择和时段差异是影响输出的关键变量。
四、研究结果
Using Microsoft Copilot：
在5月21日的初始交互中，Copilot根据通用提示生成了一张信息图，对比了埃博拉扎伊尔型和本地布焦型在历史暴发、病死率、症状、传播、诊断、治疗、疫苗和预防方面的异同。该图虽易于理解，但存在信息错位（如旅行通知列在扎伊尔列）。后续交互中，模型生成了更多视觉材料，但出现拼写错误、图标不能准确表示防护装备，以及基因分歧百分比不准确（55%–60%）等问题。模型还生成了包含虚构会议名称和大学的会议海报。经过“删除CDC/WHO标志”的提示修正后，模型自我纠正了拼写错误，生成了干净的社区海报。然而在6月2日，Copilot拒绝生成视觉，提示免费层级达到生成上限。
Use of AI models on a different date：
改用Google Gemini后，研究人员给予更具体的提示（禁止使用版权内容），Gemini在不到一分钟内生成了社区海报，无拼写错误，但信息量较大，可能使目标受众感到超载。此外，该模型生成的视觉中包含了深色皮肤人物，这可能限制其在某些人群中的适用性。针对医护人员的提示生成了一张信息图，正确区分了Zaire（EBOV）和Bundibugyo（BDBV）两种病毒的关键临床特征、感染控制要求及全球暴发背景，整体准确性较高。
五、局限性
作者指出，生成AI的局限性包括：提示写作质量的直接影响；不同工具和模型的选择（Copilot在图像生成方面不如Gemini）；同工具内模型选择（如快速模式与深度思考）影响准确性；免费层级限制和付费层级差异；以及AI模型快速演化和信息图的可推广性有限。
六、讨论与结论
讨论部分强调，尽管生成AI存在上述局限，但其核心优势在于将复杂信息转化为简洁视觉格式，显著减少设计时间，并可在疫情动态变化时快速生成更新视觉，有助于公共卫生信息传递。结论部分指出，临床医生可以利用现有生成AI模型协助开发教育用信息图和视觉材料，将信息针对不同受众进行情境化。但必须了解模型局限性，提供具体提示，并验证最终输出的科学准确性和内容代表性。本研究未对可用性、可读性、用户满意度或沟通效果进行正式评估，后续需要深入研究以评估大规模采用生成AI进行感染和公共卫生风险沟通的广泛影响。
