Large language models for spreading dynamics in complex systems
作者: Shuyu Jiang, Hao Ren, Yichang Gao, Yi-Cheng Zhang, Li Qi, Dayong Xiao, Jie Fan, Rui Tang, Wei Wang
分类: physics.soc-ph, cs.AI, cs.CE
发布日期: 2026-02-08
💡 一句话要点
利用大型语言模型分析复杂系统中传播动力学，应用于数字和生物流行病。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 传播动力学 复杂系统 数字流行病 生物流行病 流行病建模 信息传播
📋 核心要点
- 传统传播动力学模型难以有效整合信息表达、文化背景等复杂因素的影响。
- 利用LLM的自然语言理解能力，显式感知语义内容和上下文线索，分析复杂影响因素。
- 综述了LLM在数字和生物流行病建模、检测、预测和管理中的应用，并探讨了未来方向。
📝 摘要（中文）
传播动力学是复杂系统和网络科学中的核心议题，为理解信息、行为和疾病如何在系统单元间通过交互传播提供了一个统一框架。在许多传播场景中，传播过程受到多种相互作用因素的影响，例如信息表达模式、文化背景、生活环境、认知偏好和公共政策，这些因素难以直接纳入经典建模框架。最近，大型语言模型（LLM）在自然语言理解、推理和生成方面表现出强大的能力，能够显式感知传播过程中的语义内容和上下文线索，从而支持对不同影响因素的分析。除了作为外部分析工具外，LLM还可以充当嵌入传播系统中的交互式代理，潜在地影响传播途径和反馈结构。因此，LLM在传播动力学中的作用和影响已成为跨多个研究学科的一个活跃且快速发展的研究领域。本文综述了将LLM应用于传播动力学的最新进展，涵盖数字流行病（如虚假信息和谣言）和生物流行病（包括传染病爆发）两个代表性领域。我们首先从复杂系统的角度考察了流行病建模的基础，并讨论了基于LLM的方法与传统框架的关系。然后，我们从流行病建模、流行病检测与监测以及流行病预测与管理三个关键角度系统地回顾了最近的研究，以阐明LLM如何增强这些领域。最后，讨论了开放的挑战和潜在的研究方向。
🔬 方法详解
问题定义：论文旨在解决传统传播动力学模型难以有效整合多种复杂因素（如信息表达模式、文化背景、认知偏好等）的问题。现有方法通常依赖于简化的数学模型，无法充分捕捉现实世界中传播过程的复杂性和动态性，导致预测精度和管理效果受到限制。
核心思路：论文的核心思路是利用大型语言模型（LLM）强大的自然语言理解、推理和生成能力，将这些复杂因素纳入传播动力学的研究框架中。LLM能够显式地感知语义内容和上下文线索，从而更好地理解和模拟传播过程中的各种影响因素。此外，LLM还可以作为交互式代理嵌入传播系统，影响传播途径和反馈结构。
技术框架：论文主要从三个关键角度综述了LLM在传播动力学中的应用：1) 流行病建模：利用LLM构建更精细、更贴近现实的传播模型；2) 流行病检测与监测：利用LLM进行早期预警和实时监测；3) 流行病预测与管理：利用LLM进行传播趋势预测和制定有效的干预策略。论文还讨论了LLM与传统流行病建模框架的关系，以及LLM作为交互式代理的影响。
关键创新：论文的关键创新在于将LLM引入传播动力学的研究中，为解决传统模型难以处理的复杂因素问题提供了一种新的思路。LLM不仅可以作为外部分析工具，还可以作为交互式代理嵌入传播系统，从而更全面地理解和模拟传播过程。这种方法能够更有效地整合语义信息和上下文线索，提高传播动力学研究的精度和实用性。
关键设计：论文主要是一篇综述性文章，没有涉及具体的模型设计细节。但是，论文强调了LLM在处理自然语言信息方面的优势，例如利用Transformer架构进行上下文理解，以及利用预训练和微调技术提高模型在特定任务上的性能。未来的研究可以探索如何设计更有效的LLM架构和训练方法，以更好地应用于传播动力学的研究中。
🖼️ 关键图片
📊 实验亮点
该论文是一篇综述性文章，主要亮点在于系统性地梳理了LLM在传播动力学研究中的应用，涵盖了数字流行病和生物流行病两个重要领域。论文从流行病建模、检测与监测、预测与管理三个角度，清晰地展示了LLM如何增强这些领域的研究能力。此外，论文还指出了当前研究的挑战和未来的研究方向，为相关领域的研究人员提供了有价值的参考。
🎯 应用场景
该研究具有广泛的应用前景，包括：精准识别和控制虚假信息传播，有效应对公共卫生危机，优化公共政策制定，以及提升社会风险管理能力。通过更准确地预测和理解传播动态，可以更好地保护公众利益，维护社会稳定，并促进可持续发展。
📄 摘要（原文）
Spreading dynamics is a central topic in the physics of complex systems and network science, providing a unified framework for understanding how information, behaviors, and diseases propagate through interactions among system units. In many propagation contexts, spreading processes are influenced by multiple interacting factors, such as information expression patterns, cultural contexts, living environments, cognitive preferences, and public policies, which are difficult to incorporate directly into classical modeling frameworks. Recently, large language models (LLMs) have exhibited strong capabilities in natural language understanding, reasoning, and generation, enabling explicit perception of semantic content and contextual cues in spreading processes, thereby supporting the analysis of the different influencing factors. Beyond serving as external analytical tools, LLMs can also act as interactive agents embedded in propagation systems, potentially influencing spreading pathways and feedback structures. Consequently, the roles and impacts of LLMs on spreading dynamics have become an active and rapidly growing research area across multiple research disciplines. This review provides a comprehensive overview of recent advances in applying LLMs to the study of spreading dynamics across two representative domains: digital epidemics, such as misinformation and rumors, and biological epidemics, including infectious disease outbreaks. We first examine the foundations of epidemic modeling from a complex-systems perspective and discuss how LLM-based approaches relate to traditional frameworks. We then systematically review recent studies from three key perspectives, which are epidemic modeling, epidemic detection and surveillance, and epidemic prediction and management, to clarify how LLMs enhance these areas. Finally, open challenges and potential research directions are discussed.