대규모 언어 모델(LLM, Large Language Model)을 활용해 감염병 유행 시 개인의 행동 결정을 시뮬레이션한 연구가 공개됐다. 해당 연구는 LLM이 인구통계 정보와 상황 맥락에 기반해 현실적인 인간 행동을 모사할 수 있다는 기존 연구 성과를 토대로, 공간 정보를 중심에 둔 에이전트 기반 시뮬레이션 프레임워크를 구축했다. 인구 센서스 데이터를 바탕으로 합성 인구를 생성하고, 인플루엔자 유사 증상에 대한 자기보고(self-reporting) 행동을 LLM이 생성한 결정으로 구현했다.
연구팀은 독립적 추론, 가구 내 영향, 메시지 프레이밍(message framing) 등 세 가지 의사결정 시나리오를 설계하고, 미국 샌프란시스코와 애틀랜타를 대상으로 시뮬레이션을 수행했다. 분석 결과, 자기보고율의 차이를 가장 강하게 설명하는 변수는 소득과 교육 수준이었다. 지역, LLM 모델 선택, 메시지 전달 방식도 일관된 영향을 미쳤지만 그 효과는 상대적으로 작았다. 공간 단위별로 인구통계 집단의 분포를 반영해 지리적으로 다양한 행동 양상을 포착한 점이 이 프레임워크의 핵심 특징이다.
이 연구가 주목받는 이유는 전통적인 역학 모델이 획일적으로 다루던 개인 행동 결정을 LLM 에이전트를 통해 인구통계와 지리 특성에 따라 이질적으로 모사할 수 있음을 보여줬기 때문이다. 연구팀이 생성한 합성 데이터는 사회적·지리적 이질성을 함께 담아내 공간 역학 모델링과 편향 인식 행동 분석을 지원할 수 있다. 공중보건 당국이 지역사회 특성에 맞춘 개입 전략을 수립하는 데 AI 기반 시뮬레이션이 실질적 도구로 활용될 가능성을 제시한 연구로 평가된다.
