在公共衞生領域，將複雜的流行病學預測轉化為清晰易懂的敍述對於政策制定者和公眾至關重要。然而，傳統的預測報告往往只是列舉數字，缺乏多維度的背景化和定量支撐。直接使用大語言模型（LLM）總結和情境化這類數據，常常導致不一致、遺漏和脆弱行為。為此，研究人員提出了EpiNarrate框架，該框架將結構化數值推理與自然語言生成分開處理。
EpiNarrate首先從預測數據中提取情景軸，並將其組織成部分有序模式，從而系統化地遍歷潛在的多維空間。這些情景軸包括干預措施假設、地理和人口分層、結果、時間範圍和不確定性分位數等多維要素。接着，框架構建增強數據集，並通過比較語法（一種強制語義和算術一致性的機制）推導出有效的定量陳述。比較語法確保生成的陳述在數學上正確且語義上合理，例如“住院率在干預A下比干預B低30%”這類表述。
為了在覆蓋面和避免冗餘之間取得平衡，EpiNarrate引入了一種基於最大熵原理的有趣性驅動選擇機制。該機制選擇那些信息量最大且不重複的陳述，從而生成簡潔而全面的敍述。研究者在COVID-19情景建模中心的數據上對EpiNarrate進行了實驗，該數據集包含來自多個模型的預測結果。結果顯示，與直接使用LLM的方法相比，EpiNarrate生成的敍述在事實準確性上顯著提升，並且更廣泛地覆蓋了重要的流行病學模式，同時保持了專家撰寫報告的風格。這項研究為自動化公共衞生報告生成提供了新的思路，有望在未來的疫情應對中發揮重要作用。