人工智能（AI）为理解与预测复杂系统（如传染病传播建模）提供了强大技术手段。然而，这些预测能力极少被公共卫生决策者采纳用于政策干预。阻碍其应用的关键问题在于：AI方法会放大训练数据中的固有偏差。这在利用大规模且天然存在偏差的时空数据的传染病模型中尤为突出。此类偏差可能通过建模流程传导至决策环节，导致政策干预既不公平又低效。本项目通过三大研究目标探究AI疾病建模流程如何从偏差数据演变为偏差预测，并开发缓解方案：1）构建预测新兴传染病时空传播的AI系统；2）模拟可控偏差的人口数据环境（此类数据常作为AI系统输入）；3）探索采集数据中的偏差与AI模型偏差的关联机制，推导缓解方案。研究成果将推动支持公平决策的AI驱动传染病模型发展，并强化美澳两国早期职业研究者、硕博生、本科生及高中生的伦理AI实践教育与职业发展。
在目标一中，研究团队将采用自监督对比学习方法，以移动性预测作为预文本任务学习空间区域表征。该表征可仅凭少量传染病真实数据预测疾病传播。研究者推测此类模型易受数据偏差影响。因此在目标二中，团队将借助大规模基于智能体的模拟构建沙盒环境，该环境具备完整知识体系，可采集数据并注入各类偏差。针对目标三，团队将通过AI公平性度量指标，探究不同类型模拟数据偏差如何导致预测偏差，并研究如何将公平性度量纳入AI优化流程以缓解偏差。通过理解、测量和缓解传统AI方案的固有偏差，本项目将实现精准、可扩展且快速的预测能力，为疫情预防中的公平决策提供支持。该项目是美国国家科学基金会与澳大利亚联邦科学与工业研究组织"负责任公平人工智能合作计划"资助的美澳联合研究，其立项体现了美国国家科学基金会对学术价值与更广泛社会影响的综合评审标准。
【全文结束】
