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

À l'ère du numérique, la désinformation sur la santé voyage avec la vitesse d'un virus. Tout comme un agent pathogène biologique passe d'une personne à l'autre, une affirmation trompeuse passe d'un écran à l'autre, remodelant la façon dont les gens comprennent le monde et agissent en son sein. Pendant des décennies, les scientifiques ont tenté de prédire ces mouvements en utilisant des modèles empruntés à l'épidémiologie, l'étude de la propagation des maladies. Ces modèles divisent généralement une population en groupes simples : ceux qui peuvent attraper l'idée, ceux qui la propagent actuellement, et ceux qui l'ont abandonnée. Bien qu'utiles, ces outils traditionnels traitent souvent tout le monde de la même manière, supposant qu'un mensonge se propage à un rythme constant, sans tenir compte de ce que l'on ressent ou de la façon dont les gens réagissent. En réalité, le comportement humain est complexe et émotionnel. Nous sommes plus susceptibles de partager une histoire qui nous met en colère ou nous fait peur, et moins enclins à transmettre quelque chose qui nécessite trop d'efforts mentaux pour être compris. La question à laquelle les chercheurs sont confrontés aujourd'hui est de savoir s'ils peuvent construire une meilleure carte — une carte qui tienne compte des courants psychologiques qui dirigent le flux d'informations, plutôt que de se contenter des routes structurelles qu'elles empruntent.

Une équipe de chercheurs de l'Université Métropolitaine de Manchester a franchi une étape significative vers la réponse à cette question en créant une nouvelle façon de simuler la propagation de la désinformation sanitaire sur les réseaux sociaux. Ils ont combiné les modèles classiques de propagation des maladies avec une théorie bien connue de la persuasion humaine appelée le Modèle d'Élaboration de la Probabilité (ELM). Cette théorie suggère que les gens traitent l'information de deux manières différentes : parfois, ils réagissent rapidement aux indices émotionnels de surface, et d'autres fois, ils ralentissent pour réfléchir profondément au contenu. Les chercheurs ont construit une simulation informatique qui traite la propagation de la désinformation comme une épidémie, mais y ajoute une couche de réalisme psychologique. Au lieu d'une vitesse de propagation fixe, leur modèle permet au taux de changer chaque jour en fonction de signaux du monde réel : la positivité ou la négativité du langage, le nombre de personnes aimant ou partageant les publications, et la complexité des mots. Ils ont testé cette nouvelle approche, qu'ils appellent ELM-SIRMMM, contre trois collections différentes de données réelles provenant de Twitter et de forums de santé, couvrant des sujets allant des rumeurs sur la COVID-19 aux conseils de santé généraux.

Les résultats de leurs simulations révèlent que l'ajout de ces détails psychologiques fait une différence tangible, mais seulement lorsque les données elles-mêmes sont assez riches pour montrer un changement. Lorsque les chercheurs ont appliqué leur modèle à un ensemble de données de désinformation sur la COVID-19 provenant de Twitter, la nouvelle approche s'est avérée plus précise que les modèles plus anciens et plus simples. Elle a prédit le pic de la propagation de la désinformation avec une plus grande précision, décalant le point culminant estimé du 150e au 160e jour et augmentant la prévalence maximale prédite de 6 % à 7 % de la population. Plus important encore, le taux d'erreur du modèle a chuté de 5,5 %, ce qui signifie que ses prédictions s'alignaient beaucoup plus étroitement sur ce qui s'est réellement passé dans le monde réel. La simulation a montré que la vague de désinformation n'était pas une courbe lisse et prévisible, mais un événement dynamique façonné par le flux et le reflux de l'émotion et de l'attention du public.

Cependant, l'étude a également mis en évidence une limitation cruciale : la capacité du modèle à capturer ces nuances humaines dépend entièrement de la qualité des données qu'il reçoit. Lorsque les chercheurs ont testé le même modèle sur un ensemble de données de discussions de santé générale provenant d'un forum en ligne, les résultats étaient différents. Dans ce forum, le ton émotionnel et les niveaux d'engagement des publications ne variaient pas beaucoup au fil du temps ; les signaux étaient plats et épars. Parce que les données d'entrée manquaient de cette fluctuation nécessaire, la partie psychologique sophistiquée du modèle est devenue essentiellement dormante. La simulation est revenue à un comportement de modèle standard et rigide, échouant à capturer tout changement dynamique de comportement. Dans ce scénario, le modèle a prédit que la désinformation prendrait à peine racine, avec seulement 3 % des utilisateurs atteignant l'état « infecté », tandis que la majorité restait susceptible. Cette découverte suggère que construire un modèle complexe ne suffit pas ; le modèle a besoin d'un environnement riche et changeant pour fonctionner correctement. Sans signaux psychologiques variés, les fonctionnalités avancées ne peuvent pas s'activer, et la simulation perd son avantage.

Les chercheurs ont également examiné comment différents types de désinformation se comportent. Dans un ensemble de données axé sur les rumeurs émotionnelles, le modèle a reproduit avec succès un schéma de « rumeur éclair », où la désinformation explose rapidement, infectant 38 % des utilisateurs en 45 jours, avant d'être corrigée et de s'estomper. Cela correspond à l'observation du monde réel selon laquelle un contenu hautement chargé peut surgir puis être démenti rapidement. En revanche, le modèle a montré que dans les environnements où les gens sont moins engagés ou le contenu moins émotionnel, la désinformation peine à prendre de l'ampleur, laissant une grande partie de la population inconsciente mais pas nécessairement convaincue. L'étude conclut que, bien que la structure du modèle soit solide, sa capacité à expliquer les événements du monde réel repose sur la variabilité des signaux humains qui l'alimentent. Les chercheurs ont constaté que le modèle fonctionne mieux lorsqu'il peut percevoir les changements de sentiment et d'engagement qui poussent les gens à partager ou à ignorer une histoire.

En fin de compte, ce travail démontre que comprendre la propagation de la désinformation nécessite plus que de simplement compter les partages ou de suivre les connexions. Cela nécessite de comprendre l'esprit humain derrière le clic. L'étude suggère que pour que les modèles soient véritablement utiles pour prédire ou gérer la propagation de fausses informations sanitaires, ils doivent être alimentés par des données qui reflètent les changements d'humeur et d'efforts des personnes impliquées. Si les données sont plates, le modèle reste plat. Si les données capturent la turbulence de l'émotion humaine, le modèle peut révéler les motifs cachés de la circulation des mensongères et la manière dont ils pourraient être arrêtés. Cette approche offre une voie plus claire pour les communicateurs de santé et les concepteurs de plateformes, montrant que la clé de la gestion du flux d'informations réside dans la reconnaissance des forces psychologiques qui le dirigent.