Integrating Persuasion Theory into the Epidemiological Modelling of Health Misinformation Spread on Social Media

Im digitalen Zeitalter verbreitet sich Fehlinformation über die Gesundheit mit der Geschwindigkeit eines Virus. Genau wie ein biologischer Erreger von Mensch zu Mensch wandert, bewegt sich eine irreführende Behauptung von Bildschirm zu Bildschirm und gestaltet die Art und Weise neu, wie Menschen die Welt verstehen und in ihr handeln. Jahrzehntelang haben Wissenschaftler versucht, diese Bewegungen mithilfe von Modellen vorherzusagen, die aus der Epidemiologie – der Lehre von der Ausbreitung von Krankheiten – entlehnt wurden. Diese Modelle unterteilen eine Bevölkerung typischerweise in einfache Gruppen: jene, die eine Idee aufnehmen können, jene, die sie derzeit verbreiten, und jene, die damit aufgehört haben. Obwohl diese traditionellen Werkzeuge nützlich sind, behandeln sie alle Menschen gleichermaßen und gehen davon aus, dass sich eine Lüge mit einem stetigen Tempo verbreitet, unabhängig davon, wie sie sich anfühlt oder wie die Menschen darauf reagieren. In der Realität ist menschliches Verhalten chaotisch und emotional. Wir neigen eher dazu, eine Geschichte zu teilen, die uns wütend oder ängstlich macht, und weniger dazu, etwas weiterzugeben, das zu viel geistige Anstrengung erfordert, um es zu verstehen. Die Frage, vor der Forscher heute stehen, ist, ob sie eine bessere Landkarte erstellen können – eine, die die psychologischen Strömungen berücksichtigt, die den Informationsfluss antreiben, statt nur die strukturellen Wege, auf denen er reist.

Ein Team von Forschern der Manchester Metropolitan University hat einen bedeutenden Schritt zur Beantwortung dieser Frage unternommen, indem sie eine neue Methode entwickelt haben, um zu simulieren, wie sich Gesundheits-Fehlinformationen in sozialen Medien verbreiten. Sie kombinierten die klassischen Modelle der Krankheitsausbreitung mit einer bekannten Theorie der menschlichen Überzeugung, dem Elaboration Likelihood Model. Diese Theorie besagt, dass Menschen Informationen auf zwei verschiedene Arten verarbeiten: Manchmal reagieren sie schnell auf emotionale Reize an der Oberfläche, und manchmal verlangsamen sie den Prozess, um tiefgreifend über den Inhalt nachzudenken. Die Forscher bauten eine Computersimulation, die die Verbreitung von Fehlinformationen wie eine Epidemie behandelt, aber eine Ebene psychologischer Realität hinzufügt. Anstatt einer festen Geschwindigkeit für die Verbreitung erlaubt ihr Modell, dass sich die Rate täglich basierend auf realen Signalen ändert: wie positiv oder negativ die Sprache ist, wie viele Menschen die Beiträge liken oder teilen und wie komplex die Wörter sind. Sie testeten diesen neuen Ansatz, den sie ELM-SIRMMM nennen, gegen drei verschiedene Sammlungen realer Daten von Twitter und Gesundheitsforen, die Themen von COVID-19-Gerüchten bis hin zu allgemeiner Gesundheitsberatung abdeckten.

Die Ergebnisse ihrer Simulationen zeigen, dass das Hinzufügen dieser psychologischen Details einen spürbaren Unterschied macht, aber nur dann, wenn die Daten selbst reichhaltig genug sind, um Veränderungen aufzuzeigen. Als die Forscher ihr Modell auf einen Datensatz von COVID-19-Fehlinformationen aus Twitter anwandten, erwies sich der neue Ansatz als genauer als die älteren, einfacheren Modelle. Er sagte den Höhepunkt der Verbreitung der Fehlinformation mit größerer Präzision voraus, indem er den geschätzten Höchstpunkt von Tag 150 auf Tag 160 verschob und die vorhergesagte Spitzenprävalenz von 6 Prozent auf 7 Prozent der Bevölkerung erhöhte. Wichtiger noch: Die Fehlerrate des Modells sank um 5,5 Prozent, was bedeutet, dass seine Vorhersagen viel enger mit dem übereinstimmten, was in der realen Welt tatsächlich geschah. Die Simulation zeigte, dass die Welle der Fehlinformation keine glatte, vorhersehbare Kurve war, sondern ein dynamisches Ereignis, das durch das Auf und Ab der öffentlichen Emotion und Aufmerksamkeit geformt wurde.

Die Studie deckte jedoch eine entscheidende Einschränkung auf: Die Fähigkeit des Modells, diese menschlichen Nuancen zu erfassen, hängt vollständig von der Qualität der Daten ab, die es erhält. Als die Forscher dasselbe Modell auf einen Datensatz allgemeiner Gesundheitsdiskussionen aus einem Online-Forum anwandten, waren die Ergebnisse anders. In diesem Forum variierten der emotionale Tonfall und das Engagement der Beiträge über die Zeit kaum; die Signale waren flach und spärlich. Da die Eingangsdaten nicht die notwendige Fluktuation aufwiesen, wurde der anspruchsvolle psychologische Teil des Modells im Wesentlichen inaktiv. Die Simulation kehrte zu einem Verhalten wie bei einem Standard-, starren Modell zurück und versäumte es, dynamische Veränderungen im Verhalten zu erfassen. In diesem Szenario sagte das Modell voraus, dass Fehlinformationen kaum Fuß fassen würden, wobei nur 3 Prozent der Nutzer jemals den Zustand der „Infektion“ erreichten, während die Mehrheit empfänglich blieb. Dieses Ergebnis legt nahe, dass es nicht ausreicht, einfach ein komplexes Modell zu bauen; das Modell benötigt ein reichhaltiges, wechselhaftes Umfeld, um richtig zu funktionieren. Ohne variierende psychologische Signale können die fortschrittlichen Funktionen nicht aktiviert werden, und das Modell verliert seinen Vorsprung.

Die Forscher untersuchten auch, wie sich verschiedene Arten von Fehlinformationen verhalten. In einem Datensatz, der sich auf emotionale Gerüchte konzentrierte, reproduzierte das Modell erfolgreich ein „Flash-Gerücht“-Muster, bei dem Fehlinformationen innerhalb von 45 Tagen rasant explodierten, 38 Prozent der Nutzer infizierten, bevor sie korrigiert wurden und abklangen. Dies entsprach der realen Beobachtung, dass hochgradig aufgeladene Inhalte schnell aufsteigen und dann schnell widerlegt werden können. Im Gegensatz dazu zeigte das Modell, dass in Umgebungen, in denen die Menschen weniger engagiert oder die Inhalte weniger emotional sind, die Fehlinformation Schwierigkeiten hat, Anklang zu finden, wodurch ein großer Teil der Bevölkerung zwar nicht unbedingt überzeugt, aber auch nicht informiert bleibt. Die Studie kommt zu dem Schluss, dass die Struktur des Modells zwar solide ist, seine Kraft, reale Ereignisse zu erklären, jedoch von der Variabilität der menschlichen Signale abhängt, die hineinfüttern. Die Forscher fanden heraus, dass das Modell am besten funktioniert, wenn es die Verschiebungen in der Stimmung und im Engagement sehen kann, die Menschen dazu bewegen, eine Geschichte zu teilen oder zu ignorieren.

Letztendlich zeigt diese Arbeit, dass das Verständnis der Verbreitung von Fehlinformationen mehr erfordert als nur das Zählen von Shares oder das Verfolgen von Verbindungen. Es erfordert das Verständnis des menschlichen Geistes hinter dem Klick. Die Studie legt nahe, dass Modelle, um bei der Vorhersage oder dem Management der Verbreitung falscher Gesundheitsinformationen wirklich nützlich zu sein, mit Daten gefüttert werden müssen, die die wechselnden Stimmungen und Bemühungen der beteiligten Menschen widerspiegeln. Wenn die Daten flach sind, bleibt auch das Modell flach. Wenn die Daten die Turbulenzen menschlicher Emotionen einfangen, kann das Modell die verborgenen Muster dessen offenlegen, wie Lügen reisen und wie sie gestoppt werden können. Dieser Ansatz bietet einen klareren Weg für Kommunikatoren im Gesundheitswesen und Plattformgestalter und zeigt, dass der Schlüssel zum Management des Informationsflusses in der Anerkennung der psychologischen Kräfte liegt, die ihn antreiben.