🔬 physics

Modeling the amplification of epidemic spread by individuals exposed to misinformation on social media

Diese Studie verwendet ein mobilitätsbasiertes Epidemie-Modell, das mit Social-Media-Daten integriert wurde, um zu quantifizieren, wie die Exposition gegenüber Online-Impf-Fehlinformationen die Krankheitsausbreitung verstärkt, wobei signifikante Anstiege der Infektionen unter Worst-Case-Szenarien aufgezeigt werden, um die öffentliche Gesundheitspolitik zu informieren.

Ursprüngliche Autoren: Matthew R. DeVerna, Francesco Pierri, Yong-Yeol Ahn, Santo Fortunato, Alessandro Flammini, Filippo Menczer

Veröffentlicht 2026-02-09

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Matthew R. DeVerna, Francesco Pierri, Yong-Yeol Ahn, Santo Fortunato, Alessandro Flammini, Filippo Menczer

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich die Ausbreitung eines Virus wie ein Waldbrand vor, der durch einen Wald zieht. Normalerweise versuchen Wissenschaftler vorherzusagen, wie schnell dieses Feuer brennt, indem sie untersuchen, wie nah die Bäume beieinander stehen und wie trocken das Laub ist.

Dieses Paper fügt diesem Wald eine neue, unsichtbare Ebene hinzu: eine Rauchwolke, die das Verhalten der Bäume verändert.

Hier ist die Geschichte dessen, was die Forscher herausgefunden haben, auf einfache Konzepte heruntergebrochen:

1. Die zwei Wälder

Die Forscher erkannten, dass Menschen gleichzeitig in zwei verschiedenen „Welten“ leben:

Der physische Wald: Dies ist der Ort, an dem Menschen sich tatsächlich begegnen – beim Pendeln zur Arbeit, im Klassenzimmer oder beim Kaffeetrinken. Hier breitet sich das Virus aus.
Der digitale Wald: Dies ist der Ort, an dem Menschen Geschichten und Nachrichten in den sozialen Medien teilen (speziell Twitter in dieser Studie). Hier verbreitet sich Fehlinformation.

Das Paper argumentiert, dass diese beiden Wälder miteinander verbunden sind. Wenn jemand im digitalen Wald eine Lüge glaubt (wie „Impfstoffe sind gefährlich“ oder „Masken bringen nichts“), handelt er im physischen Wald möglicherweise anders. Er trägt vielleicht keine Masken mehr oder hält keinen Abstand mehr ein, was es dem Virus erleichtert, von Mensch zu Mensch zu springen.

2. Der „Resilienz“-Test

Um zu sehen, wie schlimm das werden könnte, bauten die Forscher eine riesige Computersimulation mit etwa 20 Millionen virtuellen Menschen. Sie entwarfen zwei extreme Szenarien, um die Grenzen zu testen:

Der „super-resiliente“ Wald (Best Case): Stellen Sie sich einen Wald vor, in dem die Bäume aus Stahl bestehen. Selbst wenn ein Hauch von Fehlinformationsrauch vorbeizieht, ignorieren die Bäume ihn. Diese Menschen befolgen alle Gesundheitsregeln (Masken, Impfungen, Abstand halten).
Der „super-sensitive“ Wald (Worst Case): Stellen Sie sich einen Wald vor, der aus trockenem Brennholz besteht. Wenn nur ein einziger Hauch von Fehlinformationsrauch einen Baum berührt, entzündet sich dieser Baum sofort (wird misinformiert) und stellt die Sicherheitsmaßnahmen ein.

3. Das Experiment

Die Forscher nutzten echte Daten von Twitter, um zu sehen, wie viele Menschen Inhalte mit „geringer Glaubwürdigkeit“ über Impfstoffe teilten. Sie ordneten diese Menschen dann ihrer riesigen Simulation mit 20 Millionen Personen zu.

Sie fragten sich: „Wenn wir viele Menschen haben, die die Lügen glauben, wie viel schlimmer wird das Virus dadurch?“

4. Die schockierenden Ergebnisse

Als sie die Simulation mit dem „Worst Case“-Szenario durchführten (in dem Menschen nach nur einer Exposition der Fehlinformation glauben), waren die Ergebnisse im Vergleich zum „Best Case“ dramatisch:

Das Feuer breitet sich schneller aus: Der Höhepunkt der Infektion trat zwei Wochen früher ein.
Das Feuer wird größer: Die Zahl der Menschen, die zum Zeitpunkt des Höhepunkts erkrankten, war sechsmal höher.
Der Gesamtschaden: Im Verlauf der Epidemie würden sich zusätzliche 14 % der gesamten US-Bevölkerung infizieren.
- Um dies einzuordnen: Das sind fast 47 Millionen zusätzliche Amerikaner, die krank werden.
Die Kosten: Die Forscher schätzten, dass dies dem US-Gesundheitssystem über 143 Milliarden Dollar kosten würde.

5. Warum das passiert

Das Modell geht davon aus, dass Menschen, die Fehlinformationen glauben, weniger wahrscheinlich Sicherheitsvorkehrungen treffen. In der Simulation verhalten sich diese „misinformierten“ Menschen so, als befänden sie sich in einer normalen Welt ohne Pandemie (Umarmungen, kein Maskentragen, Versammlungen), während die „gut informierten“ Menschen vorsichtig agieren.

Da das Virus nicht unterscheidet, wer vorsichtig ist und wer nicht, schafft das unvorsichtige Verhalten der misinformierten Gruppe eine Brücke, die es dem Virus ermöglicht, auch die vorsichtige Gruppe zu infizieren. Es ist, als würde eine Gruppe von Menschen eine Tür offen lassen, damit ein Luftzug hineinkommt; schließlich gelangt die kalte Luft (das Virus) in das ganze Haus, selbst in die Räume, in denen die Leute versucht haben, die Fenster geschlossen zu halten.

Zusammenfassung

Das Paper sagt nicht, dass Fehlinformation die Ursache des Virus ist. Stattdessen zeigt es, dass Fehlinformation wie ein Kraftverstärker wirkt. Sie schadet nicht nur den Menschen, die die Lügen glauben; sie macht die gesamte Epidemie für alle schlimmer, beschleunigt die Ausbreitung und infiziert Millionen mehr Menschen als notwendig.

Die Forscher nutzten reale Daten, um zu zeigen, dass wir, wenn wir die Verbreitung von Online-Lügen nicht bekämpfen, dem Virus im Grun genommen eine Abkürzung geben, um die gesamte Bevölkerung zu infizieren.

Technische Zusammenfassung: Modellierung der Verstärkung der epidemischen Ausbreitung durch Personen, die durch Fehlinformationen exponiert wurden

Problemstellung
Die Ergebnisse der öffentlichen Gesundheit werden maßgeblich durch soziale Faktoren beeinflusst, insbesondere durch die Bereitschaft der Bevölkerung, Schutzmaßnahmen zu ergreifen. Jüngste Erkenntnisse deuten darauf hin, dass die Exposition gegenüber Fehlinformationen in sozialen Medien mit einer erhöhten Impfskepsis und einer verringerten Einhaltung von Richtlinien der öffentlichen Gesundheit korreliert. Die Quantifizierung der kausalen Auswirkungen von Fehlinformationen auf die epidemiologische Dynamik bleibt jedoch eine Herausforderung, da es an ganzheitlichen, datengestützten Modellen mangelt, die sowohl die Verbreitung von Informationen als auch die Verbreitung von Krankheiten integrieren. Bestehende Studien stützen sich oft auf vereinfachte experimentelle Settings oder lassen die reale Integration von Social-Media-Daten mit physischen Kontaktnetzwerken vermissen. Diese Arbeit adressiert diese Lücke, indem sie einen Rahmen zur Schätzung des zusätzlichen Schadens vorschlägt, der durch Fehlinformationen während einer Epidemie entsteht, wobei der Schwerpunkt auf der COVID-19-Pandemie in den USA liegt.

Methodik
Die Autoren schlagen ein SMIR-Modell (Susceptible Misinformed Infected Recovered) vor, eine mehrstufige agentenbasierte Simulation, die ein Informationsdiffusionsnetzwerk mit einem physischen Kontaktnetzwerk koppelt.

Konstruktion des Informationsnetzwerks:
- Datenquelle: Das Modell nutzt einen Datensatz von etwa 26 Millionen englischsprachigen Tweets zu COVID-19-Impfstoffen, die zwischen dem 4. Januar und dem 30. September 2021 von über 2 Millionen US-Twitter-Nutzern gesammelt wurden.
- Geolokalisierung und Filterung: Die Nutzer wurden auf 341 US-Landkreise (Counties) geolokalisiert (jeweils mit >200 Nutzern). Die politische Ausrichtung wurde mithilfe annotierter Nachrichtenquellen und Label-Propagation-Algorithmen abgeleitet.
- Definition von Fehlinformationen: Konten, die Links zu Quellen mit geringer Glaubwürdigkeit (NewsGuard-Score < 60) teilten, wurden als Verbreiter von Fehlinformationen identifiziert.
- Diffusionsmodell: Ein einstufiger linearer Schwellenwert-Prozess der Meinungsbildung modelliert, wie Fehlinformationen gewöhnliche Nutzer in den Status „fehlinformiert“ (M) konvertieren. Ein Schwellenwertparameter, $\phi$ $ϕ$ , repräsentiert die Anzahl der fehlinformierten Freunde, die erforderlich ist, um einen gewöhnlichen Knoten zu konvertieren.
  - Ein niedriges $\phi$ (z. B. $\phi=1$ ) repräsentiert ein „Worst-Case“-Szenario, in dem eine einzige Exposition zur Fehlinformation führt (einfache Kontagion).
  - Ein hohes $\phi$ (z. B. $\phi=20$ ) repräsentiert ein „Best-Case“-Szenario, in dem die Bevölkerung gegenüber Fehlinformationen hochgradig resilient ist.
Konstruktion des Kontaktnetzwerks:
- Datenquelle: Ein physisches Kontaktnetzwerk von etwa 20 Millionen Knoten (das eine 10%-Stichprobe der US-Bevölkerung repräsentiert) wurde unter Verwendung von SafeGraph-Mobilfunk-Mobilitätsdaten und den Wählerdaten der US-Präsidentschaftswahl 2020 erstellt.
- Struktur: Das Netzwerk erfasst Mobilitätsmuster zwischen und innerhalb der Landkreise. Die Knotenattribute (fehlinformiert vs. gewöhnlich) werden basierend auf der aus dem Informationsnetzwerk abgeleiteten Verteilung zugewiesen, wobei sichergestellt wird, dass die ideologische Spaltung (Republikaner vs. Demokraten) den empirischen Wahlergebnissen entspricht.
Epidemische Simulation (SMIR-Modell):
- Das Modell erweitert das Standard-SIR-Framework. Es wird davon ausgegangen, dass gewöhnliche Individuen (O) den Richtlinien der öffentlichen Gesundheit folgen (Masken, Distanzierung, Impfung), während fehlinformierte Individuen (M) angenommen werden, diese Maßnahmen abzulehnen.
- Parameter: Die Übertragungswahrscheinlichkeit ( $p$ $p$ ) und die Kontaktdichte ( $\bar{k}$ $\overset{ˉ}{k}$ ) werden manipuliert, um Szenarien abzugrenzen.
  - Gewöhnlich ( $O$ ): $p_O = 0,01$ (hohe Mitigierung).
  - Fehlinformiert ( $M$ ): $p_M = 1,0$ (keine Mitigierung, hohe Übertragung).
  - Die Kontaktdichte ist fest auf $\bar{k} = 25$ (Durchschnitt vor der Pandemie) eingestellt.
- Die Simulationen laufen über 100 Tage mit einer Erholungsrate von $\gamma = 0,2$ (5-tägige Quarantäne).

Zentrale Beiträge

Integration von Echtzeitdaten: Die Studie geht über theoretische Annahmen hinaus, indem sie groß angelegte, empirisch abgeleitete Social-Media-Daten (Twitter-Retweets) mit physischen Mobilitätsdaten (Mobilfunk-Spuren) und demografischen Daten (Wählerdaten) integriert.
Das SMIR-Framework: Es führt ein spezifisches agentenbasiertes Modell ein, das explizit eine „fehlinformierte“ Subpopulation und deren differenziertes Verhalten hinsichtlich der Krankheitsübertragung verfolgt.
Quantitative Grenzen: Durch die Variation des Resilienzparameters $\phi$ und der Übertragungswahrscheinlichkeiten liefert das Modell quantitative Grenzen für den potenziellen Schaden durch Fehlinformationen anstelle einer einzelnen Punktschätzung.

Ergebnisse
Die Simulationen vergleichen ein Worst-Case-Szenario (geringe Resilienz, $\phi=1$ ) mit einem Best-Case-Szenario (hohe Resilienz, $\phi=20$ ):

Infektionsspitze: Im Worst-Case-Szenario ist die Spitze der täglichen Infektionen etwa sechsmal höher als im Best-Case-Szenario.
Zeitpunkt: Die Infektionsspitze tritt im Worst-Case-Szenario etwa zwei Wochen früher auf.
Kumulativer Effekt: Im Verlauf der simulierten Epidemie führt das Worst-Case-Szenario dazu, dass zusätzlich 14 % der Gesamtbevölkerung infiziert werden im Vergleich zum resilienten Szenario. Dies entspricht einer relativen Zunahme der Gesamtinfektionen um 32 %.
Skalierung: Basierend auf den US-Volkszählungsdaten entspricht diese zusätzliche 14 % fast 47 Millionen zusätzlichen Amerikanern, die infiziert wurden.
Wirtschaftliche Auswirkungen: Die Autoren schätzen, dass die damit verbundenen Gesundheitskosten für diese zusätzlichen Infektionen 143 Milliarden US-Dollar übersteigen.

Bedeutung und Ansprüche
Die Autoren behaupten, dass die primäre Bedeutung ihrer Arbeit darin liegt, Entscheidungsträgern und Behörden der öffentlichen Gesundheit datengestützte Erkenntnisse über die potenziellen Schäden durch Online-Impf-Fehlinformationen zu liefern. Indem sie eine „alarmierende Grenze“ für die Folgen der Exposition gegenüber Fehlinformationen etablieren, zielt die Arbeit darauf ab, Social-Media-Plattformen und Gesundheitsbehörden zu motivieren, die Verbreitung von Inhalten mit geringer Glaubwürdigkeit einzudämmen.

Die Autoren stellen explizit klar, dass ihre Ergebnisse Extremszenarien darstellen (unter Verwendung von $p_M=1$ und $p_O=0,01$ ) und geben Einschränkungen zu, wie etwa die Annahme eines kausalen Zusammenhangs zwischen Fehlinformationen und riskantem Verhalten, die Nutzung von Twitter als Stellvertreter für alle Informationsquellen sowie die Vereinfachung der individuellen Resilienz als uniform. Sie argumentieren jedoch, dass ihr Modell selbst unter diesen Einschränkungen zeigt, dass Fehlinformationen die epidemische Ausbreitung signifikant verstärken und Bemühungen zur Eindämmung verzögern können. Die Arbeit unterstreicht die Notwendigkeit, die komplexe Beziehung zwischen Online-Informationsnetzwerken und physischen Kontaktnetzwerken zu steuern, um epidemische Krisen effektiv zu kontrollieren.