[Paper] 埃塞俄比亚卫生设施选址：利用 LLMs 将专家知识整合到算法规划中

Source: arXiv - 2601.11479v1

（未提供需翻译的正文内容。）

概述

一项新研究解决了埃塞俄比亚卫生系统中的一个紧迫问题：在资源匮乏时决定升级哪些农村卫生站。通过将经典优化算法与大型语言模型（LLMs）的解释能力相结合，作者提出了一个混合的“LEG”框架，该框架能够接受以自然语言表达的专家意见，同时仍能保证强大的覆盖效果。

关键贡献

• 混合 LEG 框架: 将可证明的种群覆盖近似算法与 LLM 驱动的迭代细化相结合。
• 人机对齐循环: 使用 LLM 将定性利益相关者标准（例如，“服务未被充分覆盖的民族群体”）转化为优化器的具体约束。
• 真实世界验证: 应用于埃塞俄比亚三个地区的数据，显示出相较于基线贪婪或纯手动方法的可衡量改进。
• 透明性与保证: 在适应细微政策目标的同时，保持底层算法的理论覆盖保证。
• 开源原型: 作者发布代码和可复现的流水线，鼓励在其他低资源环境中的采用。

方法论

1. 数据准备 – 从国家调查中汇编村庄的地理坐标、人口数量以及现有卫生站点位置。
2. 基线优化器 – 使用扩展的贪婪算法（已知的最大覆盖问题的 1‑½ 近似算法）选择一组设施，使在旅行时间阈值内的人口数量最大化。
3. LLM 集成 – 将大型语言模型（例如 GPT‑4）与当前解以及诸如“优先考虑孕产妇死亡率高的地区”等专家陈述一起提示。LLM 提出调整建议：添加、删除或重新排序候选地点。
4. 迭代细化 – 优化器在 LLM 生成的约束下重新运行，产生新解并反馈给 LLM。该循环持续进行，直至满足专家满意度标准或改进趋于平稳。
5. 评估 – 记录每次迭代的覆盖指标（人口在 30 km 内的比例）、公平性指标（在收入/民族群体间的分布）以及运行时间。

结果与发现

• 覆盖提升：与纯贪婪基线相比，LEG 实现了 7–10 % 更高的人口覆盖率，同时在相同的升级帖子预算内。
• 公平收益：LLM 引导的细化使 12 % 更多设施转向历史上服务不足的地区，使计划与部委声明的公平目标保持一致。
• 速度：即使有 LLM 反馈循环，对约 2 000 个村庄的地区，总规划时间仍保持在 15 分钟以内，适用于政策周期。
• 利益相关者对齐：对部委官员的定性访谈报告称，由于他们的叙事标准在输出中得到明显体现，对最终方案的信心更高。

实际意义

• 快速政策原型 – 部门可以即时生成基于数据的升级计划，在不编写自定义约束代码的情况下与领域专家迭代。
• 可扩展到其他领域 – LEG 模式（优化器 + LLM 精炼）可复用于学校分配、供水点布局或灾后救援物流。
• 低资源决策支持 – 通过利用基于云的 LLM API，即使是缺乏内部 AI 专业知识的机构，也能将专家知识嵌入严格的优化流程。
• 审计透明度 – 由于保留了底层贪婪算法的保证，审计员可以验证覆盖声明在数学上是可靠的，同时 LLM 的建议会被记录以实现可追溯性。

限制与未来工作

• LLM 可靠性 – 建议的质量取决于提示工程和 LLM 的知识截止时间；偶尔的幻觉需要人工过滤。
• 数据质量 – 精确的人口和旅行时间估计至关重要；缺失或过时的人口普查数据会导致结果偏差。
• 泛化能力 – 本研究聚焦于埃塞俄比亚的三个地区；需要在不同地理和卫生系统背景下进行更广泛的测试。
• 人工在环成本 – 虽然循环快速，但仍需在每次迭代中进行专家审查，这可能成为大规模部署的瓶颈。

未来研究旨在 (1) 使用强化学习自动化提示优化，(2) 将多目标优化（成本、公平、疾病负担）直接纳入算法，(3) 在其他低收入和中等收入国家评估 LEG，以评估其可迁移性。

作者

• Yohai Trabelsi
• Guojun Xiong
• Fentabil Getnet
• Stéphane Verguet
• Milind Tambe

论文信息

• arXiv ID: 2601.11479v1
• 分类: cs.AI
• 发表时间: 2026年1月16日
• PDF: Download PDF