EpiNarrate：基于智能体框架生成流行病学场景的可靠叙述报告

在公共卫生领域，将复杂的流行病学预测转化为清晰易懂的叙述报告，对于向政策制定者和公众传达信息至关重要。然而，直接使用大语言模型（LLM）总结和解释多维度的预测数据（如干预假设、地理人口分层、结果指标、时间跨度和不确定性分位数）时，常出现不一致、遗漏或逻辑脆弱的问题。为此，研究者开发了EpiNarrate——一种基于智能体（agentic）的框架，专门用于生成可靠且易于理解的公共健康报告。该框架首先从预测数据中提取场景维度，并将其组织为偏序结构，从而系统遍历多维空间；随后构建增强数据集，并通过比较语法生成语义与算术一致的定量陈述。为平衡报告的覆盖范围与非冗余性，团队引入基于最大熵原则的“趣味性”驱动选择机制。在COVID-19场景建模中心数据上的实验表明，EpiNarrate生成的叙述在事实准确性、关键流行病学模式的覆盖广度上均优于直接使用LLM的方法，同时保持了专家撰写报告的文体风格。这一研究为自动化生成可靠、可解释的公共健康沟通材料提供了新思路。