Towards Personalized Explanations for Health Simulations: A Mixed-Methods Framework for Stakeholder-Centric Summarization
作者: Philippe J. Giabbanelli, Ameeta Agrawal
分类: cs.AI, cs.ET
发布日期: 2025-09-04
备注: Accepted at the AAAI 2025 Fall Symposium Series. November 6-8, 2025, Arlington, VA, USA
💡 一句话要点
提出一种混合方法框架，为健康模拟提供个性化解释，以利益相关者为中心进行总结。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 健康模拟 个性化解释 大型语言模型 利益相关者 混合方法
📋 核心要点
- 现有健康模拟模型复杂，利益相关者难以理解，阻碍了其在决策中的应用。
- 提出一个混合方法框架，通过识别利益相关者需求，指导LLM生成个性化解释。
- 该框架通过引出需求、优化LLM和综合评估，提升LLM生成定制化健康模拟摘要的能力。
📝 摘要（中文）
建模与模拟（M&S）方法，如基于Agent的模型，在支持健康决策方面具有巨大潜力，例如疫苗接种，以及关于健康饮食和身体活动行为的大量文献。这些模型可能被不同的利益相关者群体使用，因为它们支持决策者估计潜在干预措施的后果，并指导个人在复杂环境中做出健康选择。然而，由于模型的复杂性，这种潜力可能无法充分实现，这使得模型对于那些可以从中受益最多的利益相关者来说难以理解。虽然大型语言模型（LLM）可以将模拟输出和模型设计转化为文本，但当前的方法通常依赖于一刀切的摘要，无法反映临床医生、政策制定者、患者、护理人员和健康倡导者的不同信息需求和风格偏好。这种局限性源于一个根本性的差距：我们缺乏对这些利益相关者需要什么样的解释以及如何相应地调整解释的系统性理解。为了解决这一差距，我们提出了一个逐步框架，以识别利益相关者的需求，并指导LLM生成针对健康模拟的定制解释。我们的程序使用混合方法设计，首先引出不同健康利益相关者的解释需求和风格偏好，然后优化LLM生成定制输出的能力（例如，通过可控属性调整），然后通过一系列综合指标进行评估，以进一步改进摘要的定制生成。
🔬 方法详解
问题定义：论文旨在解决健康模拟模型复杂性导致利益相关者难以理解的问题。现有方法生成的摘要通常是“一刀切”的，无法满足不同利益相关者的个性化信息需求和风格偏好，阻碍了健康模拟模型在实际决策中的应用。
核心思路：论文的核心思路是采用混合方法，首先系统性地了解不同利益相关者（如临床医生、政策制定者、患者等）对健康模拟解释的需求和偏好，然后利用这些信息指导大型语言模型（LLM）生成定制化的解释摘要。通过这种方式，使解释更易于理解和接受，从而促进健康模拟模型在实际应用中的价值。
技术框架：该框架包含三个主要阶段：1) 需求引出阶段：采用混合方法（例如，访谈、问卷调查等）收集不同利益相关者对健康模拟解释的需求和风格偏好。2) LLM优化阶段：利用收集到的需求信息，通过可控属性调整等技术，优化LLM生成定制化输出的能力。例如，可以训练LLM根据不同的利益相关者生成不同风格（例如，技术性、通俗易懂）和内容侧重点的摘要。3) 评估阶段：采用一系列综合指标（例如，可理解性、有用性、满意度等）评估LLM生成的摘要质量，并根据评估结果进一步改进LLM的训练和生成策略。
关键创新：该论文的关键创新在于提出了一个系统性的、以利益相关者为中心的框架，用于生成个性化的健康模拟解释。该框架强调了理解不同利益相关者需求的重要性，并利用这些信息指导LLM生成更易于理解和接受的摘要。与现有方法相比，该框架能够更好地满足不同利益相关者的信息需求，从而促进健康模拟模型在实际应用中的价值。
关键设计：论文的关键设计包括：1) 详细的需求引出方法，确保收集到全面、准确的利益相关者需求信息。2) 可控属性调整技术，允许LLM根据不同的利益相关者生成不同风格和内容侧重点的摘要。3) 综合的评估指标体系，用于全面评估LLM生成的摘要质量。
🖼️ 关键图片
📊 实验亮点
由于论文是方法论研究，侧重于框架的构建，因此实验亮点主要体现在框架的有效性和可行性上。未来的工作将通过具体的案例研究，展示该框架在不同健康领域的应用效果，并提供具体的性能数据，例如，不同利益相关者对个性化摘要的可理解性、有用性和满意度评分，以及与通用摘要相比的提升幅度（未知）。
🎯 应用场景
该研究成果可应用于多个健康领域，例如疫苗接种策略评估、健康饮食行为干预、慢性病管理等。通过为不同利益相关者提供个性化的健康模拟解释，可以帮助他们更好地理解模拟结果，从而做出更明智的决策，最终改善公众健康。
📄 摘要（原文）
Modeling & Simulation (M&S) approaches such as agent-based models hold significant potential to support decision-making activities in health, with recent examples including the adoption of vaccines, and a vast literature on healthy eating behaviors and physical activity behaviors. These models are potentially usable by different stakeholder groups, as they support policy-makers to estimate the consequences of potential interventions and they can guide individuals in making healthy choices in complex environments. However, this potential may not be fully realized because of the models' complexity, which makes them inaccessible to the stakeholders who could benefit the most. While Large Language Models (LLMs) can translate simulation outputs and the design of models into text, current approaches typically rely on one-size-fits-all summaries that fail to reflect the varied informational needs and stylistic preferences of clinicians, policymakers, patients, caregivers, and health advocates. This limitation stems from a fundamental gap: we lack a systematic understanding of what these stakeholders need from explanations and how to tailor them accordingly. To address this gap, we present a step-by-step framework to identify stakeholder needs and guide LLMs in generating tailored explanations of health simulations. Our procedure uses a mixed-methods design by first eliciting the explanation needs and stylistic preferences of diverse health stakeholders, then optimizing the ability of LLMs to generate tailored outputs (e.g., via controllable attribute tuning), and then evaluating through a comprehensive range of metrics to further improve the tailored generation of summaries.