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

डिजिटल युग में, स्वास्थ्य के बारे में गलत सूचना एक वायरस की गति से यात्रा करती है। जिस तरह एक जैविक रोगजनक एक व्यक्ति से दूसरे व्यक्ति में फैलता है, उसी तरह एक भ्रामक दावा एक स्क्रीन से दूसरी स्क्रीन पर जाता है, और इस बात को नया रूप देता है कि लोग दुनिया को कैसे समझते हैं और इसके भीतर कैसे कार्य करते हैं। दशकों से, वैज्ञानिक महामारी विज्ञान (epidemiology)—जो बीमारियों के प्रसार का अध्ययन है—से उधार लिए गए मॉडलों का उपयोग करके इन गतिविधियों की भविष्यवाणी करने का प्रयास कर रहे हैं। ये मॉडल आमतौर पर आबादी को सरल समूहों में विभाजित करते हैं: वे जो विचार को पकड़ सकते हैं, वे जो वर्तमान में इसे फैला रहे हैं, और वे जिन्होंने इसे छोड़ दिया है। हालांकि उपयोगी होने के बावजूद, ये पारंपरिक उपकरण अक्सर सभी के साथ एक जैसा व्यवहार करते हैं, यह मानकर चलते हैं कि एक झूठ एक स्थिर गति से फैलता है, चाहे वह कैसा महसूस होता हो या लोग उस पर कैसी प्रतिक्रिया देते हों। वास्तव में, मानवीय व्यवहार अव्यवस्थित और भावनात्मक होता है। हम ऐसी कहानी को साझा करने की अधिक संभावना रखते हैं जो हमें क्रोधित या भयभीत करती है, और ऐसी चीज़ को आगे बढ़ाने की कम संभावना रखते हैं जिसे समझने के लिए बहुत अधिक मानसिक प्रयास की आवश्यकता हो। आज शोधकर्ताओं के सामने प्रश्न यह है कि क्या वे एक बेहतर मानचित्र बना सकते हैं—एक ऐसा मानचित्र जो केवल उन संरचनात्मक सड़कों के बजाय, सूचना के प्रवाह को चलाने वाली मनोवैज्ञानिक धाराओं को ध्यान में रखे।

मैनचेस्टर मेट्रोपॉलिटन यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने की दिशा में एक महत्वपूर्ण कदम उठाया है, उन्होंने सोशल मीडिया पर स्वास्थ्य संबंधी गलत सूचनाओं के प्रसार का अनुकरण (simulate) करने का एक नया तरीका बनाया है। उन्होंने क्लासिक रोग-प्रसार मॉडलों को मानव अनुनय (persuasion) के एक प्रसिद्ध सिद्धांत, 'एलाबोरेशन लाइकलीहुड मॉडल' (Elaboration Likelihood Model) के साथ जोड़ा। यह सिद्धांत बताता है कि लोग जानकारी को दो अलग-अलग तरीकों से संसाधित करते हैं: कभी-कभी वे सतह पर मौजूद भावनात्मक संकेतों पर तेजी से प्रतिक्रिया करते हैं, और कभी-कभी वे सामग्री के बारे में गहराई से सोचने के लिए धीमे हो जाते हैं। शोधकर्ताओं ने एक कंप्यूटर सिमुलेशन बनाया जो गलत सूचना के प्रसार को एक महामारी की तरह मानता है, लेकिन इसमें मनोवैज्ञानिक यथार्थवाद की एक परत भी जोड़ता है। प्रसार की एक निश्चित गति के बजाय, उनका मॉडल वास्तविक दुनिया के संकेतों के आधार पर हर दिन दर को बदलने की अनुमति देता है: भाषा कितनी सकारात्मक या नकारात्मक है, कितने लोग पोस्ट को लाइक या शेयर कर रहे हैं, और शब्दों की जटिलता कितनी है। उन्होंने इस नए दृष्टिकोण का परीक्षण किया, जिसे वे ELM-SIRMMM कहते हैं, ट्विटर और स्वास्थ्य मंचों के तीन अलग-अलग वास्तविक डेटा संग्रहों के विरुद्ध किया, जिसमें कोविड-19 की अफवाहों से लेकर सामान्य स्वास्थ्य सलाह तक के विषय शामिल थे।

उनके सिमुलेशन के परिणाम प्रकट करते हैं कि इन मनोवैज्ञानिक विवरणों को जोड़ने से एक मूर्त अंतर आता है, लेकिन केवल तभी जब डेटा स्वयं इतना समृद्ध हो कि परिवर्तन दिखा सके। जब शोधकर्ताओं ने अपने मॉडल को ट्विटर से कोविड-19 गलत सूचना के एक डेटासेट पर लागू किया, तो नया दृष्टिकोण पुराने, सरल मॉडलों की तुलना में अधिक सटीक साबित हुआ। इसने गलत सूचना के प्रसार के शिखर की भविष्यवाणी अधिक सटीकता के साथ की, जिससे अनुमानित उच्च बिंदु 150वें दिन से बदलकर 160वाँ दिन हो गया और अनुमानित शिखर व्यापकता (prevalence) को जनसंख्या के 6 प्रतिशत से बढ़ाकर 7 प्रतिशत कर दिया। इससे भी महत्वपूर्ण बात यह है कि मॉडल की त्रुटि दर में 5.5 प्रतिशत की कमी आई, जिसका अर्थ है कि इसके अनुमान वास्तविक दुनिया में जो हुआ उसके साथ बहुत अधिक निकटता से मेल खाते थे। सिमुलेशन ने दिखाया कि गलत सूचना की लहर एक सुचारू, अनुमानित वक्र नहीं थी, बल्कि सार्वजनिक भावना और ध्यान के उतार-चढ़ाव से आकार लेने वाली एक गतिशील घटना थी।

हालाँकि, अध्ययन ने एक महत्वपूर्ण सीमा को भी उजागर किया: इन मानवीय बारीकियों को पकड़ने की मॉडल की क्षमता पूरी तरह से उसे प्राप्त होने वाले डेटा की गुणवत्ता पर निर्भर करती है। जब शोधकर्ताओं ने एक ऑनलाइन फोरम से सामान्य स्वास्थ्य चर्चाओं के डेटासेट पर उसी मॉडल का परीक्षण किया, तो परिणाम अलग थे। इस फोरम में, पोस्ट का भावनात्मक स्वर और जुड़ाव का स्तर समय के साथ बहुत अधिक नहीं बदला; संकेत सपाट और विरल थे। क्योंकि इनपुट डेटा में इस आवश्यक उतार-चढ़ाव की कमी थी, मॉडल का परिष्कृत मनोवैज्ञानिक हिस्सा अनिवार्य रूप से निष्क्रिय हो गया। सिमुलेशन एक मानक, कठोर मॉडल की तरह व्यवहार करने लगा, और व्यवहार में किसी भी गतिशील बदलाव को पकड़ने में विफल रहा। इस परिदृश्य में, मॉडल ने भविष्यवाणी की कि गलत सूचना शायद ही कभी पकड़ बनाएगी, जिसमें केवल 3 प्रतिशत उपयोगकर्ता ही "संक्रमित" अवस्था तक पहुँच पाए, जबकि बहुमत संवेदनशील बना रहा। यह निष्कर्ष बताता है कि केवल एक जटिल मॉडल बनाना ही पर्याप्त नहीं है; मॉडल को ठीक से काम करने के लिए एक समृद्ध, परिवर्तनशील वातावरण की आवश्यकता होती है। विविध मनोवैज्ञानिक संकेतों के बिना, उन्नत सुविधाएँ सक्रिय नहीं हो पाती हैं, और सिमुलेशन अपना प्रभाव खो देता है।

शोधकर्ताओं ने यह भी जांचा कि गलत सूचना के विभिन्न प्रकार कैसे व्यवहार करते हैं। भावनात्मक अफवाहों पर केंद्रित एक डेटासेट में, मॉडल ने एक "फ्लैश-रयूमर" (flash-rumour) पैटर्न को सफलतापूर्वक पुनरुत्पादित किया, जहाँ गलत सूचना तेजी से फैली, 45 दिनों के भीतर 38 प्रतिशत उपयोगकर्ताओं को संक्रमित किया, और फिर सुधारा गया और समाप्त हो गई। यह वास्तविक दुनिया के अवलोकन से मेल खाता है कि अत्यधिक आवेशित सामग्री अचानक बढ़ सकती है और फिर जल्दी से खंडित (debunk) की जा सकती है। इसके विपरीत, मॉडल ने दिखाया कि उन वातावरणों में जहाँ लोग कम संलग्न हैं या सामग्री कम भावनात्मक है, गलत सूचना पकड़ बनाने के लिए संघर्ष करती है, जिससे आबादी का एक बड़ा हिस्सा अनभिज्ञ रह जाता है लेकिन आवश्यक रूप से आश्वस्त नहीं होता। अध्ययन निष्कर्ष निकालता है कि हालांकि मॉडल की संरचना ठोस है, लेकिन वास्तविक दुनिया की घटनाओं को समझाने की इसकी शक्ति उसमें फीड किए जाने वाले मानवीय संकेतों की परिवर्तनशीलता पर निर्भर करती है। शोधकर्ताओं ने पाया कि मॉडल तब सबसे अच्छा काम करता है जब वह भावनाओं और जुड़ाव के उन बदलावों को देख पाता है जो किसी कहानी को साझा करने या अनदेखा करने के लिए लोगों को प्रेरित करते हैं।

अंततः, यह कार्य प्रदर्शित करता है कि गलत सूचना के प्रसार को समझने के लिए केवल शेयरों को गिनने या कनेक्शन को ट्रैक करने से अधिक की आवश्यकता है। इसके लिए उस 'क्लिक' के पीछे के मानव मस्तिष्क को समझने की आवश्यकता है। अध्ययन सुझाव देता है कि यदि मॉडलों को वास्तव में उपयोगी बनाना है, तो उन्हें ऐसे डेटा के साथ फीड किया जाना चाहिए जो इसमें शामिल लोगों के बदलते मूड और प्रयासों को दर्शाता हो। यदि डेटा सपाट है, तो मॉडल भी सपाट रहेगा। यदि डेटा मानवीय भावनाओं के उथल-पुथल को पकड़ता है, तो मॉडल यह प्रकट कर सकता है कि झूठ कैसे यात्रा करते हैं और उन्हें कैसे रोका जा सकता है। यह दृष्टिकोण स्वास्थ्य संचारकों और प्लेटफॉर्म डिजाइनरों के लिए एक स्पष्ट मार्ग प्रदान करता है, यह दिखाते हुए कि सूचना के प्रवाह को प्रबंधित करने की कुंजी उन मनोवैज्ञानिक बलों को पहचानने में निहित है जो इसे संचालित करते हैं।