公衆衛生政策や複雑な疫学予測を一般向けに分かりやすく伝えることは、政策立案者と国民に重要な情報を届けるための課題です。単に数字を報告するだけでなく、複数の次元にわたって予測を文脈化し、定量的に根拠づける必要があります。疫学予測は通常、介入施策の仮定、地理的・人口統計的層別、アウトカム、時間軸、不確実性の分位数を組み合わせた大規模なアンサンブルデータセットから導き出されます。しかし、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、矛盾、漏落、不安定な動作が生じやすくなります。 そこで研究者らは「EpiNarrate」という新しいエージェンティックフレームワークを開発しました。このシステムは構造化された数値推論と自然言語生成を分離することで、より信頼性の高い公衆衛生報告書生成を実現します。フレームワークはまず、シナリオの軸を抽出して部分順序スキーマに組織化し、多次元空間を体系的に探索します。次に、拡張データセットを構築し、意味的および算術的一貫性を強制する比較文法を通じて、有効な定量的ステートメントを導出します。 カバレッジと非冗長性のバランスを取るため、最大エントロピー原理に基づいた「興味深さ駆動型選択メカニズム」を導入しています。COVID-19シナリオモデリングハブでのテストでは、EpiNarrateが生成した物語は、事実的根拠がより強化され、疫学的パターンのカバレッジがより広くなり、専門家による報告書のスタイルを維持しながらも、より高品質な出力を実現しています。