🔬 physics

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

Questo studio impiega un modello epidemico informato dalla mobilità integrato con dati dai social media per quantificare come l'esposizione alla disinformazione vaccinale online amplifichi la diffusione delle malattie, rivelando aumenti significativi delle infezioni negli scenari peggiori per informare le politiche di sanità pubblica.

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

Pubblicato 2026-02-09

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate la diffusione di un virus come un incendio boschivo che si propaga attraverso una foresta. Di solito, gli scienziati cercano di prevedere quanto velocemente brucerà quel fuoco osservando quanto gli alberi siano vicini tra loro e quanto siano secche le foglie.

Questo articolo aggiunge un nuovo, invisibile strato a quella foresta: una nuvola di fumo che cambia il comportamento degli alberi.

Ecco la storia di ciò che i ricercatori hanno scoperto, suddivisa in concetti semplici:

1. Le due foreste

I ricercatori si sono resi conto che le persone vivono in due "mondi" diversi contemporaneamente:

La Foresta Fisica: È dove le persone si incontrano realmente — andando al lavoro, sedendosi in un'aula o prendendo un caffè. È qui che il virus si diffonde.
La Foresta Digitale: È dove le persone condividono storie e notizie sui social media (specificamente Twitter in questo studio). È qui che la disinformazione si diffonde.

L'articolo sostiene che queste due foreste siano connesse. Se qualcuno nella Foresta Digitale crede a una menzogna (come "i vaccini sono pericolosi" o "le mascherine non funzionano"), potrebbe agire diversamente nella Foresta Fisica. Potrebbe smettere di indossare la mascherina o smettere di distanziamento sociale, rendendo più facile per il virus saltare da persona a persona.

2. Il test della "Resilienza"

Per vedere quanto la situazione potesse peggiorare, i ricercatori hanno costruito una gigantesca simulazione al computer con circa 20 milioni di persone virtuali. Hanno creato due scenari estremi per testarne i limiti:

La Foresta "Super-Resiliente" (Caso Migliore): Immaginate una foresta in cui gli alberi sono fatti di acciaio. Anche se una folata di fumo di disinformazione soffia di passaggio, gli alberi la ignorano. Queste persone seguono tutte le regole sanitarie (mascherine, vaccini, distanziamento).
La Foresta "Super-Sensibile" (Caso Peggiore): Immaginate una foresta fatta di legna secca. Se una singola folata di fumo di disinformazione tocca un albero, quell'albero prende immediatamente fuoco (diventa disinformato) e smette di seguire le regole di sicurezza.

3. L'esperimento

I ricercatori hanno utilizzato dati reali da Twitter per vedere quante persone stavano condividendo contenuti a "bassa credibilità" riguardo ai vaccini. Hanno poi mappato queste persone sulla loro gigantesca simulazione di 20 milioni di persone.

Hanno chiesto: "Se abbiamo molte persone che credono alle menzogne, quanto peggiora l'epidemia del virus?"

4. I risultati scioccanti

Quando hanno eseguito la simulazione con lo scenario "Caso Peggiore" (dove le persone credono alla disinformazione dopo un solo contatto), i risultati sono stati drammatici rispetto al "Caso Migliore":

Il Fuoco si Propaga Più Velocemente: Il picco delle infezioni è avvenuto due settimane prima.
Il Fuoco Diventa Più Grande: Il numero di persone che si ammalano al picco è stato sei volte superiore.
Il Danno Totale: Nel corso dell'epidemia, un ulterioriore 14% dell'intera popolazione degli Stati Uniti sarebbe stato infettato.
- Per dare un contesto: Si tratta di quasi 47 milioni di americani in più che si ammalano.
Il Costo: I ricercatori hanno stimato che questo costerebbe al sistema sanitario statunitense oltre 143 miliardi di dollari.

5. Perché questo accade

Il modello assume che le persone che credono alla disinformazione siano meno propense a prendere precauzioni di sicurezza. Nella simulazione, queste persone "disinformate" agiscono come se fossero in un mondo normale, non pandemico (abbracciandosi, senza mascherine, radunandosi), mentre le persone "ben informate" agiscono con cautela.

Poiché il virus non si cura di chi sia prudente e di chi no, il comportamento imprudente del gruppo disinformato crea un ponte che permette al virus di infettare anche il gruppo prudente. È come se un gruppo di persone lasciasse una porta aperta per una corrente d'aria; alla fine, l'aria fredda (il virus) entra in tutta la casa, anche nelle stanze dove le persone avevano cercato di tenere le finestre chiuse.

Riassunto

L'articolo non dice che la disinformazione è il virus. Invece, mostra che la disinformazione agisce come un moltiplicatore di forza. Non danneggia solo le persone che credono alle menzogne; rende l'intera epidemia peggiore per tutti, accelerando la diffusione e infettando milioni di persone in più rispetto al necessario.

I ricercatori hanno usato dati reali per dimostrare che, se non affrontiamo la diffusione delle bugie online, stiamo essenzialmente consegnando al virus una scorciatoia per infettare l'intera popolazione.

Sintesi Tecnica: Modellazione dell'amplificazione della diffusione epidemica da parte di individui esposti alla disinformazione

Definizione del Problema
Gli esiti di salute pubblica sono significativamente influenzati dai fattori sociali, in particolare dalla volontà delle popolazioni di adottare misure di mitigazione. Prove recenti suggeriscono che l'esposizione alla disinformazione sui social media correli con un aumento dell'esitazione vaccinale e una riduzione dell'osservanza delle linee guida di sanità pubblica. Tuttavia, quantificare l'impatto causale della disinformazione sulla dinamica epidemica rimane una sfida a causa della mancanza di modelli olistici, basati su dati, che integrino sia la diffusione delle informazioni che la diffusione delle malattie. Gli studi esistenti spesso si affidano a impostazioni sperimentali semplificate o mancano di un'integrazione nel mondo reale tra i dati dei social media e le reti di contatto fisico. Questo articolo affronta tale lacuna proponendo un framework per stimare il danno aggiuntivo causato dalla disinformazione durante un'epidemia, concentrandosi specificamente sulla pandemia di COVID-19 negli Stati Uniti.

Metodologia
Gli autori propongono un modello Susceptible Misinformed Infected Recovered (SMIR), una simulazione multi-livello basata su agenti che accoppia una rete di diffusione delle informazioni con una rete di contatto fisico.

Costruzione della Rete Informativa:
- Fonte dei Dati: Il modello utilizza un dataset di circa 26 milioni di tweet in lingua inglese riguardanti i vaccini anti-COVID-19, raccolti tra il 4 gennaio e il 30 settembre 2021, da oltre 2 milioni di utenti statunitensi di Twitter.
- Geolocalizzazione e Filtraggio: Gli utenti sono stati geolocalizzati in 341 contee degli Stati Uniti (ognuna contenente >200 utenti). L'orientamento politico è stato inferito utilizzando fonti di notizie annotate e algoritmi di propagazione delle etichette.
- Definizione di Disinformazione: Sono stati identificati gli account che condividevano link a fonti a bassa credibilità (punteggio NewsGuard < 60) come diffusori di disinformazione.
- Modello di Diffusione: Un processo di diffusione delle opinioni a soglia lineare a singolo stadio modella come la disinformazione converte gli utenti ordinari allo stato di "disinformati" (M). Un parametro di soglia, $\phi$ $ϕ$ , rappresenta il numero di amici disinformati necessari per convertire un nodo ordinario.
  - Una $\phi$ bassa (es. $\phi=1$ ) rappresenta uno scenario "worst-case", in cui una singola esposizione porta alla disinformazione (contagio semplice).
  - Una $\phi$ alta (es. $\phi=20$ ) rappresenta uno scenario "best-case", in cui la popolazione è altamente resiliente alla disinformazione.
Costruzione della Rete di Contatto:
- Fonte dei Dati: Una rete di contatto fisico di circa 20 milioni di nodi (rappresentante un campione del 10% della popolazione statunitense) è stata costruita utilizzando i dati di mobilità da cellulare SafeGraph e i record di voto delle elezioni presidenziali statunitensi del 2020.
- Struttura: La rete cattura i modelli di mobilità tra e all'interno delle contee. Gli attributi dei nodi (disinformati vs ordinari) sono assegnati in base alla distribuzione derivata dalla rete informativa, assicurando che la divisione ideologica (Repubblicani vs Democratici) corrisponda ai record di voto empirici.
Simulazione Epidemica (Modello SMIR):
- Il modello estende il framework SIR standard. Si assume che gli individui ordinari (O) seguano le linee guida di sanità pubblica (mascherine, distanziamento, vaccinazione), mentre gli individui disinformati (M) sono assunti come rifiutanti tali misure.
- Parametri: La probabilità di trasmissione ( $p$ $p$ ) e la densità di contatto ( $\bar{k}$ $\overset{ˉ}{k}$ ) sono manipolate per delimitare gli scenari.
  - Ordinari ( $O$ ): $p_O = 0.01$ (alta mitigazione).
  - Disinformati ( $M$ ): $p_M = 1.0$ (nessuna mitigazione, alta trasmissione).
  - La densità di contatto è fissata a $\bar{k} = 25$ (media pre-pandemica).
- Le simulazioni vengono eseguite per 100 giorni, con un tasso di guarigione $\gamma = 0.2$ (quarantena di 5 giorni).

Contributi Chiave

Integrazione di Dati del Mondo Reale: Lo studio va oltre le assunzioni teoriche integrando dati massivi derivati empiricamente (retweet di Twitter) con dati di mobilità fisica (tracce cellulari) e dati demografici (record di voto).
Il Framework SMIR: Introduce un modello specifico basato su agenti che traccia esplicitamente una sottopopolazione "disinformata" e il loro comportamento differenziale rispetto alla trasmissione della malattia.
Limiti Quantitativi: Variando il parametro di resilienza $\phi$ e le probabilità di trasmissione, il modello fornisce limiti quantitativi sul potenziale danno della disinformazione, piuttosto che una singola stima puntuale.

Risultati
Le simulazioni confrontano uno scenario worst-case (bassa resilienza, $\phi=1$ ) con uno scenario best-case (alta resilienza, $\phi=20$ ):

Picco di Infezione: Nello scenario worst-case, il picco del numero di infezioni giornaliere è circa sei volte superiore rispetto allo scenario best-case.
Tempistica: Il picco di infezione avviene circa due settimane prima nello scenario worst-case.
Impatto Cumulativo: Nel corso della simulazione dell'epidemia, lo scenario worst-case risulta in un ulteriore 14% della popolazione totale che viene infettata rispetto allo scenario resiliente. Ciò rappresenta un aumento relativo del 32% nelle infezioni totali.
Scala: Basandosi sui dati del censimento statunitense, questo 14% aggiuntivo si traduce in quasi 47 milioni di americani in più infetti.
Impatto Economico: Gli autori stimano che i costi sanitari associati a queste infezioni aggiuntive superino i 143 miliardi di dollari.

Significatività e Rivendicazioni
L'articolo sostiene che la sua principale significatività risieda nel fornire ai decisori politici e alle autorità di sanità pubblica approfondimenti basati sui dati riguardo al potenziale danno della disinformazione vaccinale online. Stabilendo un "limite allarmante" sulle conseguenze della disinformazione, il lavoro mira a motivare le piattaforme di social media e le autorità sanitarie a contrastare la diffusione di contenuti a bassa credibilità.

Gli autori dichiarano esplicitamente che i loro risultati rappresentano scenari estremi (utilizzando $p_M=1$ e $p_O=0.01$ ) e riconoscono i limiti, tra cui l'assunzione di un legame causale tra disinformazione e comportamenti a rischio, l'uso di Twitter come proxy per l'esposizione informativa totale e la semplificazione della resilienza individuale come uniforme. Tuttavia, sostengono che anche entro questi vincoli, il modello dimostra che la disinformazione può amplificare significativamente la diffusione epidemica e ritardare gli sforzi di soppressione. Il lavoro sottolinea la necessità di gestire la complessa relazione tra le reti informative online e le reti di contatto fisico per controllare efficacemente le crisi epidemiche.