从风险感知到行为：大语言模型驱动的疫情预防行为仿真
社会与信息网络
2026-01-08 v1
摘要
个体预防行为是新型传染病爆发早期的首要防线，但其采纳呈现异质性且难以预测——尤其在数据稀缺且疫情政策环境快速变化时。为此，我们开发了一种基于大语言模型的预防行为仿真框架，包含 (i) 在指定外部情境下预测行为强度的静态模块，和 (ii) 更新居民感知风险并将其传递到行为演化中的动态模块。该模型通过结构化提示工程以第一人称视角实现。我们使用北京居民（R1：2020 年 12 月；R2：2021 年 8 月）的两轮调查数据进行评估，分别在零样本、few-shot 和跨情境迁移三种数据可视化情境下进行测试。采用Kolmogorov-Smirnov 检验比较模拟与观察行为分布（p > 0.001 为有效性标准），该框架表现稳健，随参考示例数量增少表现提升；报告的预测准确率从 72.7%（零样本）提升至 81.8%（few-shot），在迁移到新情境时保持较高准确率（77.8%）。我们进一步将框架用于模拟中国 2022 年 12 月政策放宽期间的行为变化，并对 120 种系统变异的疫情情境（R0、CFR 和控制措施层级）进行压力测试。结果表明，放宽政策下行为普遍松动，但出现一种逆向趋势，即增加排水-related 消毒行为，这凸显了即使外部约束松动，低成本、低阻力行为可能持续或加剧——这引发潜在的环境代价。
引用
@article{arxiv.2601.03552,
title = {From Risk Perception to Behavior Large Language Models-Based Simulation of Pandemic Prevention Behaviors},
author = {Lujia Bo and Mingxuan Chen and Youduo Chen and Xiaofan Gui and Jiang Bian and Chunyan Wang and Yi Liu},
journal= {arXiv preprint arXiv:2601.03552},
year = {2026}
}