🔬 physics

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

Cette étude emploie un modèle épidémique informé par la mobilité, intégré aux données des réseaux sociaux, pour quantifier comment l'exposition à la désinformation vaccinale en ligne amplifie la propagation des maladies, révélant des augmentations significatives d'infections dans les scénarios les plus défavorables afin d'éclairer les politiques de santé publique.

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

Publié 2026-02-09

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez la propagation d'un virus comme un incendie de forêt qui se déplace à travers les bois. Habituellement, les scientifiques tentent de prédire la vitesse à laquelle ce feu brûlera en observant la proximité des arbres les uns des autres et la sécheresse des feuilles.

Ce document ajoute une nouvelle couche invisible à cette forêt : un nuage de fumée qui modifie le comportement des arbres.

Voici l'histoire de ce que les chercheurs ont découvert, décomposée en concepts simples :

1. Les deux forêts

Les chercheurs ont réalisé que les gens vivent dans deux « mondes » différents en même temps :

La Forêt Physique : C'est là où les gens se rencontrent réellement — en allant au travail, en étant assis dans une salle de classe ou en prenant un café. C'est là que le virus se propage.
La Forêt Numérique : C'est là où les gens partagent des histoires et des nouvelles sur les réseaux sociaux (plus précisément Twitter dans cette étude). C'est là que la désinformation se propage.

Le document soutient que ces deux forêts sont connectées. Si quelqu'un dans la Forêt Numérique croit à un mensonge (comme « les vaccins sont dangereux » ou « les masques ne servent à rien »), il pourrait agir différemment dans la Forêt Physique. Il pourrait cesser de porter un masque ou arrêter de pratiquer la distanciation sociale, ce qui facilite le saut du virus d'une personne à l'autre.

2. Le test de « Résilience »

Pour voir jusqu'où cela pouvait aller, les chercheurs ont construit une immense simulation informatique avec environ 20 millions de personnes virtuelles. Ils ont créé deux scénarios extrêmes pour tester les limites :

La Forêt « Super-Résiliente » (Meilleur cas) : Imaginez une forêt où les arbres sont faits d'acier. Même si un souffle de fumée de désinformation passe par là, les arbres l'ignorent. Ces personnes suivent toutes les règles sanitaires (masques, vaccins, distanciation).
La Forêt « Super-Sensible » (Pire cas) : Imaginez une forêt faite de bois de chauffage sec. Si un seul souffle de fumée de désinformation touche un arbre, cet arbre prend feu immédiatement (devient désinformé) et cesse de suivre les règles de sécurité.

3. L'expérience

Les chercheurs ont utilisé des données réelles de Twitter pour voir combien de personnes partageaient des contenus à « faible crédibilité » concernant les vaccins. Ils ont ensuite transposé ces personnes sur leur gigantesque simulation de 20 millions de personnes.

Ils ont demandé : « Si nous avons beaucoup de gens qui croient aux mensonges, à quel point le virus empire-t-il ? »

4. Les résultats choquants

Lorsqu'ils ont lancé la simulation avec le scénario du « Pire Cas » (où les gens croient à la désinformation après une seule exposition), les résultats étaient spectaculaires comparés au « Meilleur Cas » :

Le feu se propage plus vite : Le pic d'infection est survenu deux semaines plus tôt.
Le feu devient plus grand : Le nombre de personnes tombant malades au moment du pic était six fois plus élevé.
Les dommages totaux : Au cours de l'épidémie, 14 % de la population totale des États-Unis supplémentaires seraient infectés.
- Pour mettre cela en perspective : Cela représente près de 47 millions d'Américains supplémentaires qui tombent malades.
Le coût : Les chercheurs ont estimé que cela coûterait au système de santé américain plus de 143 milliards de dollars.

5. Pourquoi cela arrive-t-il ?

Le modèle suppose que les personnes qui croient à la désinformation sont moins susceptibles de prendre des précautions de sécurité. Dans la simulation, ces personnes « désinformées » agissent comme si elles étaient dans un monde normal, sans pandémie (se faisant des câlins, ne portant pas de masque, se rassemblant), tandis que les personnes « bien informées » agissent avec prudence.

Parce que le virus ne se soucie pas de savoir qui est prudent et qui ne l'est pas, le comportement imprudent du groupe désinformé crée un pont qui permet au virus d'infecter aussi le groupe prudent. C'est comme si un groupe de personnes laissait une porte ouverte pour un courant d'air ; finalement, l'air froid (le virus) finit par entrer dans toute la maison, même dans les pièces où les gens avaient essayé de fermer les fenêtres.

Résumé

Le document ne dit pas que la désinformation est le virus. Il montre plutôt que la désinformation agit comme un multiplicateur de force. Elle ne fait pas que nuire aux personnes qui croient aux mensonges ; elle aggrave l'épidémie pour tout le monde, accélérant la propagation et infectant des millions de personnes de plus que nécessaire.

Les chercheurs ont utilisé des données réelles pour montrer que si nous ne traitons pas la propagation des mensonges en ligne, nous donnons essentiellement au virus un raccourci pour infecter l'ensemble de la population.

Résumé Technique : Modélisation de l'amplification de la propagation épidémique par les individus exposés à la désinformation

Énoncé du Problème
Les résultats de santé publique sont considérablement influencés par des facteurs sociaux, en particulier la volonté des populations à adopter des mesures d'atténuation. Des preuves récentes suggèrent que l'exposition à la désinformation sur les réseaux sociaux est corrélée à une augmentation de l'hésitation vaccinale et à une réduction de l'adhésion aux directives de santé publique. Cependant, quantifier l'impact causal de la désinformation sur la dynamique épidémique reste un défi en raison de l'absence de modèles holistiques, fondés sur des données, qui intègrent à la fois la propagation de l'information et la propagation de la maladie. Les études existantes reposent souvent sur des cadres expérimentaux simplifiés ou manquent d'une intégration réelle des données de médias sociaux avec les réseaux de contacts physiques. Cet article comble cette lacune en proposant un cadre pour estimer le préjudice supplémentaire causé par la désinformation lors d'une épidémie, en se concentrant spécifiquement sur la pandémie de COVID-19 aux États-Unis.

Méthodologie
Les auteurs proposent un modèle SMIR (Susceptible Misinformed Infected Recovered - Susceptible, Désinformé, Infecté, Rétabli), une simulation multi-agents qui couple un réseau de diffusion de l'information avec un réseau de contacts physiques.

Construction du Réseau d'Information :
- Source de Données : Le modèle utilise un ensemble de données d'environ 26 millions de tweets en anglais concernant les vaccins contre la COVID-19, collectés entre le 4 janvier et le 30 septembre 2021, provenant de plus de 2 millions d'utilisateurs américains de Twitter.
- Géolocalisation et Filtrage : Les utilisateurs ont été géolocalisés dans 341 comtés américains (chaque comté contenant >200 utilisateurs). L'alignement politique a été déduit à partir de sources d'actualités annotées et d'algorithmes de propagation de labels.
- Définition de la Désinformation : Les comptes partageant des liens vers des sources à faible crédibilité (score NewsGuard < 60) ont été identifiés comme propageant de la désinformation.
- Modèle de Diffusion : Un processus de propagation d'opinion par seuil linéaire en une seule étape modélise comment la désinformation convertit les utilisateurs ordinaires en individus « désinformés » (M). Un paramètre de seuil, $\phi$ $ϕ$ , représente le nombre d'amis désinformés requis pour convertir un nœud ordinaire.
  - Un $\phi$ faible (ex: $\phi=1$ ) représente un scénario du « pire cas » où une seule exposition conduit à la désinformation (contagion simple).
  - Un $\phi$ élevé (ex: $\phi=20$ ) représente un scénario du « meilleur cas » où la population est hautement résiliente à la désinformation.
Construction du Réseau de Contacts :
- Source de Données : Un réseau de contacts physiques d'environ 20 millions de nœuds (représentant un échantillon de 10 % de la population américaine) a été construit à l'aide de données de mobilité de téléphonie cellulaire SafeGraph et des registres de vote de l'élection présidentielle américaine de 2020.
- Structure : Le réseau capture les modèles de mobilité entre et au sein des comtés. Les attributs des nœuds (désinformés vs ordinaires) sont assignés sur la base de la distribution dérivée du réseau d'information, garantissant que la division idéologique (Républicain vs Démocrate) correspond aux registres de vote empiriques.
Simulation Épidémique (Modèle SMIR) :
- Le modèle étend le cadre SIR standard. On suppose que les individus ordinaires (O) suivent les directives de santé publique (port du masque, distanciation, vaccination), tandis que les individus désinformés (M) refusent ces mesures.
- Paramètres : La probabilité de transmission ( $p$ $p$ ) et la densité de contact ( $\bar{k}$ $\overset{ˉ}{k}$ ) sont manipulées pour délimiter les scénarios.
  - Ordinaire ( $O$ ) : $p_O = 0,01$ (atténuation élevée).
  - Désinformé ( $M$ ) : $p_M = 1,0$ (aucune atténuation, transmission élevée).
  - La densité de contact est fixée à $\bar{k} = 25$ (moyenne pré-pandémique).
- Les simulations sont exécutées pendant 100 jours, avec un taux de rétablissement $\gamma = 0,2$ (quarantaine de 5 jours).

Principales Contributions

Intégration de Données du Monde Réel : L'étude dépasse les hypothèses théoriques en intégrant des données massives de médias sociaux (retweets Twitter) avec des données de mobilité physique (traces de téléphonie cellulaire) et des données démographiques (registres de vote).
Le Cadre SMIR : Il introduit un modèle spécifique à base d'agents qui suit explicitement une sous-population « désinformée » et leur comportement différentiel concernant la transmission de la maladie.
Limites Quantitatives : En faisant varier le paramètre de résilience $\phi$ et les probabilités de transmission, le modèle fournit des limites quantitatives sur le préjudice potentiel de la désinformation, plutôt qu'une estimation ponctuelle unique.

Résultats
Les simulations comparent un scénario du pire cas (faible résilience, $\phi=1$ ) à un scénario du meilleur cas (haute résilience, $\phi=20$ ) :

Pic d'Infection : Dans le scénario du pire cas, le pic du nombre d'infections quotidiennes est environ six fois plus élevé que dans le meilleur cas.
Temporalité : Le pic d'infection survient environ deux semaines plus tôt dans le pire cas.
Impact Cumulé : Au cours de l'épidémie simulée, le pire cas entraîne une infection de 14 % de la population totale supplémentaire par rapport au scénario résilient. Cela représente une augmentation relative de 32 % des infections totales.
Échelle : Sur la base des données du recensement américain, ces 14 % supplémentaires se traduisent par près de 47 millions d'Américains supplémentaires infectés.
Impact Économique : Les auteurs estiment que les coûts de santé associés à ces infections supplémentaires dépassent les 143 milliards de dollars.

Signification et Revendications
L'article affirme que sa principale importance réside dans la fourniture aux décideurs politiques et aux autorités de santé publique d'informations fondées sur les données concernant les dommages potentiels de la désinformation vaccinale en ligne. En établissant une « limite alarmante » sur les conséquences de l'exposition à la désinformation, ce travail vise à motiver les plateformes de médias sociaux et les responsables de la santé à freiner la propagation des contenus à faible crédibilité.

Les auteurs déclarent explicitement que leurs résultats représentent des scénarios extrêmes (en utilisant $p_M=1$ et $p_O=0,01$ ) et reconnaissent des limites, notamment l'hypothèse d'un lien causal entre la désinformation et les comportements à risque, l'utilisation de Twitter comme substitut à toute exposition à l'information, et la simplification de la résilience individuelle comme étant uniforme. Cependant, ils soutiennent que même avec ces contraintes, leur modèle démontre que la désinformation peut considérablement amplifier la propagation épidémique et retarder les efforts de suppression. Ce travail souligne la nécessité de gérer la relation complexe entre les réseaux d'information en ligne et les réseaux de contacts physiques pour contrôler efficacement les crises épidémiques.