公衆衛生の分野では、複雑な疫学的予測を政策立案者や一般市民に明確に伝えるためのナラティブの生成が極めて重要です。従来の予測レポートは単なる数字の羅列に終始しがちで、多次元にわたる文脈化や定量的な裏付けが不足しています。大規模言語モデル（LLM）を直接使用してこうしたデータを要約・文脈化しようとすると、不整合や情報の欠落、脆弱な動作が頻繁に発生します。この問題に対処するため、研究者らはEpiNarrateフレームワークを提案しました。このフレームワークは、構造化された数値推論と自然言語生成を分離します。
EpiNarrateはまず、予測データからシナリオ軸を抽出し、それらを半順序スキーマに整理することで、潜在的な多次元空間を系統的に走査可能にします。シナリオ軸には、介入の仮定、地理的・人口統計学的層、結果、時間軸、不確実性の分位数などが含まれます。次に、拡張データセットを構築し、比較文法（意味的・算術的一貫性を強制する仕組み）を用いて有効な量的記述を導き出します。比較文法により、「介入Aの下での入院率は介入Bよりも30%低い」といった表現が数学的に正しく、意味的に妥当であることが保証されます。
カバレッジと冗長性回避のバランスを取るために、最大エントロピー原理に基づく「面白さ駆動」の選択機構を導入しています。この機構は、情報量が多く重複しない記述を選択し、簡潔で包括的なナラティブを生成します。研究者らはCOVID-19シナリオモデリングハブのデータ（複数のモデルからの予測を含む）を用いてEpiNarrateを評価しました。その結果、LLMを直接使用する方法と比較して、EpiNarrateが生成するナラティブは事実に基づく正確性が大幅に向上し、重要な疫学的パターンをより広くカバーできることが示されました。同時に、専門家が作成したレポートのスタイルも保持されています。この研究は、自動化された公衆衛生レポート生成に新たな可能性をもたらし、今後のパンデミック対応において重要な役割を果たすことが期待されます。