拡大言語モデルを用いて複雑系の伝播動態に関する研究

伝播動態は、物理的な複雑系やネットワーク科学において重要なトピックであり、情報、行動、病気にわたる相互作用中の体系における伝播によって理解される統合フレームワークです。多くの伝播の場面では、説明、文化、生活環境、認知の傾向、そして公的政策など複数の影響要因が、直接的に古典的なモデリングプラクティクーに取り込むのが困難であるためです。最近では、大型言語モデル(LLMs)は自然言語的理解、再帰的思考、生成という能力を優れており、伝播プロセスで現れるSemantic内容とコンテキストのインサージョンを強調し、それに伴う影響要因の分析を支援しています。LLMsに代表される通り型のツールの外側としてだけでなく、プロパゲーションシステムの内臓式の代理であることも可能であり、それは伝播の道筋とフィードバック構造につながります。拡大言語モデル(LLMs)による伝播動態に関するロールとその影響の具体的な研究開発は、複数種類の研究分野間で活発でかつ急成長中のテーマとなっています。このレビューでは、まず複雑系的視点での流行模型の基礎を解説し、「LLMに基づく方法」について議論します。また、伝播モデル、伝染の発見と監視、そして伝染の予測と管理という観点から行われた最近の多数の研究結果を系統的にレビューし、どのような形で「LLMs」がこれらの異なる分野に貢献しているかを解釬します。最後に、その開けれた課題と潜在的な研究テーマに関する議論も含まれます。

arXiv:2602.08085v1 Announce Type: cross Abstract: 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.