信息驱动疫情动力学建模：融合风险感知、网络异质性与受大语言模型（LLM）启发的概念信息层

《Physica A: Statistical Mechanics and its Applications》：Modeling information-driven epidemic dynamics with risk perception, network heterogeneity, and a conceptual LLM-inspired information layer

　　

摘要

传染病的动态演变不仅受生物传播过程的影响，还受信息暴露、风险感知和适应性人类行为的塑造。本研究开发了一个 SVIRPX 流行病 - 行为框架，通过信息 - 行为路径 $L(t) \to P(t) \to X(t) \to v(t)$ 耦合这些过程。考察了四种信息机制：患病率驱动信息、社会强化、信息饱和和延迟信息。这些比较结果刻画了本研究调查的具体功能形式和参数范围。数值模拟表明，信息的时机、持续性和结构可以显著改变风险感知、疫苗接种意愿和流行病动力学。社会强化通常维持更强的行为反应，而延迟信息可能产生时间不匹配的响应和反复出现的流行病动力学。参数分析进一步展示了信息强度、行为敏感性和信息延迟之间的相互作用。随后将该框架扩展至异质无标度接触网络，使用异质平均场方法，结果显示在度依赖传播和行为动力学下，主要的定性效应依然存在。此外，引入了一个概念性的 LLM 驱动信息层，说明未来将数字信息流整合到广义信号 $L(t)$ 中。利用日本 COVID-19 监测数据构建的数据关联信号表明，$L(t)$ 不必局限于预定义的分析函数，也可以从观测时间序列生成。该应用是说明性的，而非预测性验证。总体而言，提出的框架提供了一个灵活的平台，用于研究耦合的流行病 - 信息 - 行为动力学，并为未来整合流行病学、数字和 LLM 衍生的信息流奠定了实证基础。

引言

正如反复爆发的流感、埃博拉、寨卡、COVID-19、猴痘及其他新兴传染病所证明的那样，传染病继续对全球公共卫生构成重大挑战。疫苗接种仍然是最有效和最具成本效益的公共卫生干预措施之一，每年可防止数百万人死亡，并大幅减轻全球疫苗可预防疾病的负担 [1], [2], [3]。尽管取得了这些成就，疫苗接种项目的成功不仅取决于疫苗的可用性和有效性，还取决于公众采纳保护行为的意愿。在疫情期间，个人持续从政府机构、新闻媒体、社交网络、在线平台和人际互动中接收信息。这些信息塑造了意识、风险感知和疫苗接种决策，从而影响流行病结果。虽然准确及时的信息可以促进保护行为并提高疫苗接种率，但延迟、不完整或误导性的信息可能会削弱公众的依从性并降低控制措施的有效性。

大量研究探讨了人类行为如何与流行病动力学相互作用并影响疾病控制。经典流行病模型已逐步扩展以纳入行为适应、疫苗接种决策、风险感知、意识传播和信息扩散，认识到个体不仅对流行病学条件做出反应，也对感知这些条件的信息环境做出反应。先前的研究表明，疫苗接种率可能源于战略决策、模仿过程、社会学习以及基于信息的行为反应，导致疾病患病率与人类行为之间产生复杂的反馈机制。特别是，意识和信息传播可以改变个人风险评估，改变疫苗接种决策，并产生丰富的动力学现象，如振荡爆发、地方性持续存在、行为双稳态和阈值效应。最近的研究进一步表明，社会影响、集体感知和网络中的信息传播在塑造流行病结果方面起着关键作用。这些发现共同表明，流行病动力学不仅由生物传播过程决定，还由信息传播、风险感知、行为适应和社会影响之间的耦合相互作用决定 [4], [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17]。

另一个重要的研究方向是关于复杂网络上的流行病传播，其中异质接触模式可以显著影响疾病传播动力学。许多研究表明，无标度和其他复杂网络结构表现出与均质混合假设预测根本不同的流行病行为，强调了高度连接个体在疾病传播和控制中的重要性。这些发展确立了网络科学作为理解异质传播过程和 designing 有效干预策略的强大框架。尽管网络流行病学取得了重大进展，但很少有研究将信息驱动的风险感知、适应性疫苗接种行为和异质接触结构整合到一个统一的流行病 - 行为框架中 [18], [19], [20], [21], [22], [23], [24], [25], [26]。

同时，数字通信平台的快速增长改变了流行病相关信息的生成和传播方式。新闻媒体、社交媒体平台、在线论坛和搜索引擎不断产生大量信息，塑造公众感知和行为反应。人工智能的最近进展，特别是大语言模型（LLMs），为从大规模文本信息流中提取情绪、风险感知和行为指标创造了新机遇 [27], [28], [29], [30], [31]。与通过预定义数学函数规定意识的传统信息模型不同，基于 LLM 的方法提供了直接从现实数据构建信息信号的可能性。尽管人们对 AI 辅助公共卫生应用的兴趣日益增长，但将 LLM 衍生的信息信号整合到流行病 - 行为模型中仍 largely 未被探索。

尽管先前的研究分别探讨了行为适应、信息传播、网络异质性和 AI 辅助信息分析，但仍存在几个重要差距。首先，许多流行病 - 行为模型假设意识直接对疾病患病率做出反应，忽视了感知形成的中间过程。其次，现有的信息驱动流行病模型通常依赖于简化的意识机制，很少在统一框架内比较替代信息生成过程。第三，异质接触结构下信息驱动的行为动力学的鲁棒性仍未得到充分理解。最后，很少有研究探讨如何将现代 AI 系统和 LLM 衍生的信息信号纳入流行病 - 行为模型。

受这些挑战的驱动，本研究开发了一种新型信息驱动的流行病 - 行为框架，明确链接信息暴露、风险感知、疫苗接种意愿和流行病传播。引入一个信息信号 $L(t)$ 来表示可供人群使用的流行病相关信息强度，该信号驱动动态风险感知变量的演变。疫苗接种意愿通过基于模仿的行为动力学演变，随后通过疫苗接种率影响疾病传播。考察了多种信息生成机制，包括患病率驱动信息、社会强化、信息饱和和延迟信息传播。为了检验所提框架的鲁棒性，模型通过异质平均场方法扩展到了异质无标度网络。此外，我们引入了一个 LLM 驱动的信息层，使得能够从异质数字信息源构建信息信号，包括媒体活动、在线搜索行为以及使用大语言模型提取的文本信息。

本工作的主要贡献总结如下：
1. 我们开发了一个统一的流行病 - 行为框架，明确耦合信息传播、风险感知、疫苗接种意愿和疾病传播。
2. 我们调查并比较了多种信息生成机制，包括患病率驱动、社会强化、饱和和延迟信息过程，并评估它们对流行病控制的影响。
3. 我们将框架扩展到了异质无标度网络，并证明主要的信息 - 行为机制在接触异质性下仍然保持鲁棒。
4. 我们引入了一个概念性 LLM 驱动的信息层，为将实时数字信息流纳入流行病 - 行为建模提供了一条途径。
5. 我们表明，持续的信息强化增强了疫苗接种行为，降低了疾病患病率，并在确定性和基于网络的设置中改善了流行病控制。

本文其余部分组织如下。第 2 节提出流行病 - 行为框架和替代信息生成机制。第 3 节展示确定性模型的数值模拟和 $R_e$ 比较。第 4 节开发基于网络的扩展并研究异质接触结构。第 5 节展示基于网络和确定性模型的数值模拟和比较。第 6 节介绍 LLM 驱动的信息层及相关数值实验。最后，第 7 节讨论并总结全文，讨论未来研究方向。

章节片段

信息驱动的风险感知
人类对传染病爆发的反应不仅受流行病学条件影响，还受通过媒体报道、社交互动、公共卫生活动和数字通信平台接收的信息影响。为了捕捉这一效应，我们引入一个动态风险感知变量 $P(t) \in [0,1]$，代表人群内的平均感知感染风险。我们假设风险感知由两个互补来源驱动：观察到的疾病患病率...

确定性模型的数值实现
六维 SVIRPX 系统在 MATLAB 中使用自适应求解器 ode45 进行求解，而延迟信息公式则使用 dde23 进行积分。模拟在 $t \in [0,500]$ 范围内进行。

替代信息机制对流行病和行为动力学的影响
图 2 比较了由四种信息机制产生的流行病和行为动力学。尽管所有场景都表现出类似的初始爆发，但由于信息影响风险感知和疫苗接种决策的方式不同，其长期行为存在显著差异。

复杂网络上的异质平均场扩展
确定性 SVIRPX 框架假设均质混合，这意味着所有个体经历相同的接触率，因此面临相同的流行病风险。然而，现实的社会和接触网络高度异质，有些个体保持的联系远超他人。这种异质性可以显著改变流行病阈值、传播模式和行为反应。为了考虑这些效应，我们将提出的模型扩展到复杂网络...

计算方面
异质平均场（HMF）方法在计算上很高效，因为它随度类而非单个网络节点演变状态变量。因此，计算成本取决于度类的数量，而不是网络总大小。生成的 ODE 和 DDE 系统分别使用 MATLAB 的自适应求解器 ode45 和 dde23 在区间 $t \in [0,500]$ 上求解。通过用基于度的平均场...取代显式网络模拟...

概念性 LLM 驱动的信息层
在 SVIRPX 框架中引入的信息信号 $L(t)$ 有意采用通用公式，以便可以纳入多种流行病相关信息来源。传统上，流行病模型中使用的意识指标由报告的病例数、媒体报道或搜索引擎活动构建。然而，现代信息生态系统通过在线新闻、社交媒体平台、公共卫生...产生大量非结构化文本信息。

示例 1：应用于日本 COVID-19 数据
为了说明所提 SVIRPX 框架的适用性，考虑了日本公开可用的每周 COVID-19 发病率数据，选取了 10 周期间（第 20-30 周）。观察到的发病率被缩放到模型时间范围，并使用数值模拟中采用的相同参数值与相应的模型输出进行比较。因此，没有进行额外的参数估计或优化。此示例的目标不是获得...

讨论

提出的 SVIRPX 框架展示了流行病传播如何与信息暴露、风险感知和适应性疫苗接种行为相互作用。在确定性和异质网络公式中，数值结果表明信息的结构和持续性可以显著改变行为反应，从而影响流行病结果。这里不重复表 6 中总结的单个数值发现，而是关注它们的更广泛...

作者贡献声明 (CRediT)
Akhil Kumar Srivastav: 撰写 - 审阅与编辑，撰写 - 初稿，可视化，验证，方法，调查，形式分析，概念化。Jun Tanimoto: 撰写 - 审阅与编辑，撰写 - 初稿，验证，监督，软件，资源，项目管理，方法，概念化。

利益冲突声明
作者声明不存在已知可能影响本文报告工作的竞争性经济利益或个人关系。

致谢
我们感谢以下机构提供的支持：(i) 日本学术振兴会（JSPS）外国人博士后 fellowship 计划（项目编号 P25404），以及 JSPS 科学研究补助费（项目编号 26KF0089）对 A.K.S. 的支持；(ii) 日本学术振兴会（JSPS）科学研究补助基金，特别是通过 KAKENHI（项目编号 JP 23H03499）的支持。我们真诚感谢 JSPS 的支持，并认可他们对本研究成功完成的贡献。

Akhil Kumar Srivastav | Jun Tanimoto
九州大学，工学科学交叉学科研究生院，日本福冈县筑紫市筑紫学园 6-1，邮编 816-8580