대규모 언어 모델 (LLM) 의사결정에 기반한 감염병 확산 시뮬레이션

감염병 발생 기간 동안 개인의 의사결정을 모델링하는 것은 행동 역학을 이해하고 효과적인 공중 보건 개입을 위한 정보를 제공하는 데 매우 중요합니다. 이전 연구들은 대규모 언어 모델 (Large Language Models, LLM)이 인구통계학적 프롬프트와 상황적 맥락을 바탕으로 에이전트 (Agent)의 의사결정을 생성함으로써 현실적인 인간 행동을 시뮬레이션할 수 있음을 보여주었습니다. 본 연구에서는 이러한 토대 위에, 자기 보고된 인플루엔자 유사 질환 (Influenza-like illness)에 관한 LLM 생성 의사결정을 인구 조사 기반의 합성 에이전트 인구 (Census-based synthetic population of agents)에 통합하는 공간 기반 에이전트 기반 시뮬레이션 프레임워크를 구축합니다. 위치는 핵심적인 특징으로 다뤄집니다. 에이전트들은 도시 내의 공간 단위에 할당되며, 실제 인구 조사 데이터를 사용하여 다양한 인구통계학적 그룹의 공간적 분포를 포착하고 지리적으로 다양한 행동 모델링을 가능하게 합니다. 우리는 독립적 추론 (Independent reasoning), 가구 영향 (Household influence), 메시지 프레이밍 (Message framing)이라는 세 가지 의사결정 시나리오를 구현 및 비교하였으며, 샌프란시스코 (San Francisco)와 애틀랜타 (Atlanta)에서의 자기 보고 결과를 시뮬레이션했습니다. 결과에 따르면 소득과 교육 수준이 보고율 변동의 주요 동인임을 밝혀냈으며, 지리적 요인, LLM 모델 선택, 메시지 프레이밍은 작지만 일관된 영향을 미치는 것으로 나타났습니다. 우리의 프레임워크는 사회적 및 지리적 이질성을 모두 포착하는 합성 데이터를 생성하여, 공간 역학 모델링 (Spatial epidemiological modelling)과 편향 인지적 행동 분석 (Bias-aware behavioural analysis)을 지원합니다.