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

En la era digital, la desinformación sobre la salud viaja con la velocidad de un virus. Así como un patógeno biológico se desplaza de persona a persona, una afirmación engañosa se mueve de pantalla en pantalla, remodelando la forma en que las personas entiaden el mundo y actúan dentro de él. Durante décadas, los científicos han intentado predecir estos movimientos utilizando modelos tomados de la epidemiología, el estudio de cómo se propagan las enfermedades. Estos modelos suelen dividir a una población en grupos simples: aquellos que pueden contraer la idea, aquellos que la están propagando actualmente y aquellos que han dejado de hacerlo. Aunque útiles, estas herramientas tradicionales suelen tratar a todos por igual, asumiendo que una mentira se propaga a un ritmo constante, independientemente de cómo se sienta o de cómo reaccione la gente. En realidad, el comportamiento humano es caótico y emocional. Es más probable que compartamos una historia que nos provoque ira o miedo, y menos probable que transmitamos algo que requiera demasiado esfuerzo mental para entenderlo. La pregunta que enfrentan los investigadores hoy en día es si pueden construir un mapa mejor, uno que tenga en cuenta las corrientes psicológicas que impulsan el flujo de información, en lugar de solo los caminos estructurales por los que viaja.

Un equipo de investigadores de la Universidad Metropolitana de Manchester ha dado un paso significativo para responder a esta pregunta mediante la creación de una nueva forma de simular cómo se propaga la desinformación sobre la salud en las redes sociales. Combinaron los modelos clásicos de propagación de enfermedades con una teoría bien conocida de la persuasión humana llamada el Modelo de Probabilidad de Elaboración. Esta teoría sugiere que las personas procesan la información de dos maneras diferentes: a veces reaccionan rápidamente a las señales emocionales superficiales y otras veces se detienen a pensar profundamente en el contenido. Los investigadores construyeron una simulación informática que trata la propagación de la desinformación como una epidemia, pero añade una capa de realismo psicológico. En lugar de una velocidad fija para la propagación, su modelo permite que la tasa cambie cada día basándose en señales del mundo real: qué tan positivo o negativo es el lenguaje, cuántas personas están dando "me gusta" o compartiendo las publicaciones y qué tan complejo es el vocabulario. Probaron este nuevo enfoque, al que llaman ELM-SIRMMM, contra tres colecciones diferentes de datos reales de Twitter y foros de salud, que cubrían desde rumores sobre el COVID-19 hasta consejos de salud general.

Los resultados de sus simulaciones revelan que añadir estos detalles psicológicos marca una diferencia tangible, pero solo cuando los datos en sí son lo suficientemente ricos como para mostrar cambios. Cuando los investigadores aplicaron su modelo a un conjunto de datos de desinformación sobre el COVID-19 de Twitter, el nuevo enfoque resultó ser más preciso que los modelos antiguos y más simples. Predijo el pico de la propagación de la desinformación con mayor precisión, desplazando el punto máximo estimado del día 150 al día 160 e incrementando la prevalencia máxima prevista del 6 por ciento al 7 por ciento de la población. Más importante aún, la tasa de error del modelo disminuyó un 5,5 por ciento, lo que significa que sus predicciones se alinearon mucho más estrechamente con lo que realmente sucedió en el mundo real. La simulación mostró que la ola de desinformación no fue una curva suave y predecible, sino un evento dinámico moldeado por el flujo y reflujo de la emoción y la atención pública.

Sin embargo, el estudio también descubrió una limitación crucial: la capacidad del modelo para capturar estos matices humanos depende enteramente de la calidad de los datos que recibe. Cuando los investigadores probaron el mismo modelo en un conjunto de datos de discusiones de salud general de un foro en línea, los resultados fueron diferentes. En este foro, el tono emocional y los niveles de interacción de las publicaciones no variaban mucho a lo largo del tiempo; las señales eran planas y escasas. Debido a que los datos de entrada carecían de esta fluctuación necesaria, la parte psicológica sofisticada del modelo quedó esencialmente inactiva. La simulación volvió a comportarse como un modelo estándar y rígido, fallando al capturar cualquier cambio dinámico en el comportamiento. En este escenario, el modelo predijo que la desinformación apenas lograría arraigarse, con solo un 3 por ciento de los usuarios alcanzando el estado de "infectado", mientras que la mayoría permanecía susceptible. Este hallazgo sugiere que construir un modelo complejo no es suficiente; el modelo necesita un entorno rico y cambiante para funcionar adecuadamente. Sin señales psicológicas variadas, las funciones avanzadas no pueden activarse y la simulación pierde su ventaja.

Los investigadores también examinaron cómo se comportan diferentes tipos de desinformación. En un conjunto de datos centrado en rumores emocionales, el modelo reprodujo con éxito un patrón de "rumor relámpago", donde la desinformación explotó rápidamente, infectando al 38 por ciento de los usuarios en 45 días, antes de ser corregida y desvanecerse. Esto coincidió con la observación del mundo real de que el contenido altamente cargado puede surgir y luego ser desmentido rápidamente. Por el contrario, el modelo mostró que en entornos donde la gente está menos comprometida o el contenido es menos emocional, la desinformación tiene dificultades para ganar tracción, dejando a una gran parte de la población inconsciente pero no necesariamente convencida. El estudio concluye que, si bien la estructura del modelo es sólida, su poder para explicar eventos del mundo real depende de la variabilidad de las señales humanas que lo alimentan. Los investigadores encontraron que el modelo funciona mejor cuando puede ver los cambios en el sentimiento y el compromiso que impulsan a la gente a compartir o ignorar una historia.

En última instancia, este trabajo demuestra que comprender la propagación de la desinformación requiere más que solo contar veces que se comparte o rastrear conexiones. Requiere comprender la mente humana detrás del clic. El estudio sugiere que, para que los modelos sean verdaderamente útiles para predecir o gestionar la propagación de la información falsa de salud, deben alimentarse con datos que reflejen los cambios de humor y el esfuerzo de las personas involucradas. Si los datos son planos, el modelo permanece plano. Si los datos capturan la turbulencia de la emoción humana, el modelo puede revelar los patrones ocultos de cómo viajan las mentiras y cómo podrían detenerse. Este enfoque ofrece un camino más claro para los comunicadores de salud y los diseñadores de plataformas, mostrando que la clave para gestionar el flujo de información reside en reconocer las fuerzas psicológicas que lo impulsan.