La modélisation multi-agents (ABM) est largement utilisée pour représenter les interactions entre un grand nombre d’individus, notamment dans les domaines de la santé publique et de l’aide à la décision. Son intérêt est clair pour tester des scénarios complexes à grande échelle. Mais ces modèles reposent souvent sur des hypothèses comportementales statiques, ce qui limite leur capacité à s’adapter à des changements rapides du contexte.
Dans un article déposé sur arXiv, les auteurs proposent une réponse à cette limite avec HALE (*Hybrid Agent-based and Language-driven Epidemic*), un cadre qui combine ABM et grands modèles de langage (LLM). L’idée est d’utiliser les LLM pour estimer des décisions humaines au sein de la simulation, afin d’introduire une couche comportementale plus flexible que les règles prédéfinies habituelles.
Les chercheurs présentent cette approche comme un moyen de combler un « déficit d’information » dans les modèles classiques, en particulier lorsque les comportements individuels évoluent en fonction de signaux nouveaux ou de situations changeantes. Selon le résumé, les LLM ouvrent ici de nouvelles possibilités pour prédire la prise de décision humaine, tout en restant intégrés à une architecture de simulation scalable.
Comme preuve de concept, HALE est appliqué à la simulation du COVID-19 et de ses effets dans le comté de Salt Lake, dans l’Utah. Le résumé ne détaille pas, à ce stade, les performances quantitatives du système ni les comparaisons avec d’autres méthodes. L’intérêt du travail réside donc surtout, à ce stade, dans la proposition méthodologique : rapprocher les capacités de raisonnement des LLM et la puissance de l’ABM pour produire des simulations potentiellement plus réactives aux comportements humains réels.