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

Nell'era digitale, la disinformazione sulla salute viaggia con la velocità di un virus. Proprio come un patogeno biologico si muove da persona a persona, un'affermazione fuorviante si muove da schermo a schermo, rimodellando il modo in cui le persone comprendono il mondo e agiscono in esso. Per decenni, gli scienziati hanno cercato di prevedere questi movimenti utilizzando modelli presi in prestito dall'epidemiologia, lo studio di come si diffondono le malattie. Questi modelli tipicamente dividono una popolazione in gruppi semplici: coloro che possono contrarre l'idea, coloro che la stanno attualmente diffondendo e coloro che hanno smesso. Sebbene utili, questi strumenti tradizionali trattano spesso tutti allo stesso modo, assumendo che una bugia si diffonda a un ritmo costante indipendentmente da come ci si sente o da come le persone reagiscono ad essa. In realtà, il comportamento umano è disordinato ed emotivo. Siamo più propensi a condividere una storia che ci rende arrabbiati o spaventati, e meno propensi a trasmettere qualcosa che richiede troppo sforzo mentale per essere compreso. La domanda che i ricercatori si pongono oggi è se riescano a costruire una mappa migliore, una che tenga conto delle correnti psicologiche che guidano il flusso di informazioni, piuttosto che solo sulle strade strutturali su cui esse viaggiano.

Un team di ricercatori della Manchester Metropolitan University ha compiuto un passo significativo verso la risposta a questa domanda, creando un nuovo modo per simulare come la disinformazione sulla salute si diffonda sui social media. Hanno combinato i classici modelli di diffusione delle malattie con una nota teoria della persuasione umana chiamata Modello dell'Elaborazione Probabile (Elaboration Likelihood Model). Questa teoria suggerisce che le persone elaborano le informazioni in due modi diversi: a volte reagiscono rapidamente agli stimoli emotivi superficiali, altre volte rallentano per riflettere profondamente sul contenuto. I ricercatori hanno costruito una simulazione al computer che tratta la diffusione della disinformazione come un'epidemia, ma aggiunge uno strato di realismo psicologico. Invece di una velocità fissa per la diffusione, il loro modello permette al tasso di cambiare ogni giorno in base a segnali del mondo reale: quanto il linguaggio sia positivo o negativo, quante persone stiano mettendo "mi piace" o condividendo i post e quanto siano complessi i termini utilizzati. Hanno testato questo nuovo approccio, che chiamano ELM-SIRMMM, contro tre diverse collezioni di dati reali provenienti da Twitter e forum sulla salute, coprendo argomenti che vanno dalle voci sul COVID-19 ai consigli sulla salute generale.

I risultati delle loro simulazioni rivelano che aggiungere questi dettagli psicologici fa una differenza tangibile, ma solo quando i dati stessi sono abbastanza ricchi da mostrare cambiamenti. Quando i ricercatori hanno applicato il loro modello a un insieme di dati sulla disinformazione del COVID-19 da Twitter, il nuovo approccio si è dimostrato più accurato dei modelli più vecchi e semplici. Ha previsto il picco della diffusione della disinformazione con maggiore precisione, spostando il punto massimo stimato dal giorno 150 al giorno 160 e aumentando la prevalenza massima prevista dal 6 al 7 per cento della popolazione. Più importante ancora, il tasso di errore del modello è sceso del 5,5%, il che significa che le sue previsioni si allineavano molto più da vicino a ciò che accadeva realmente nel mondo reale. La simulazione ha mostrato che l'ondata di disinformazione non era una curva fluida e prevedibile, ma un evento dinamico plasmato dal flusso e riflusso dell'emozione e dell'attenzione pubblica.

Tuttavia, lo studio ha anche messo in luce un limite cruciale: la capacità del modello di catturare queste sfumature umane dipende interamente dalla qualità dei dati che riceve. Quando i ricercatori hanno testato lo stesso modello su un insieme di dati di discussioni sulla salute generale da un forum online, i risultati sono stati diversi. In questo forum, il tono emotivo e i livelli di coinvolgimento dei post non variavano molto nel tempo; i segnali erano piatti e scarsi. Poiché i dati di input mancavano di questa necessaria fluttuazione, la parte psicologica sofisticata del modello è diventata essenzialmente dormiente. La simulazione è tornata a comportarsi come un modello standard e rigido, fallendo nel catturare qualsiasi spostamento dinamico del comportamento. In questo scenario, il modello ha previsto che la disinformazione avrebbe faticato a prendere piede, con solo il 3 per cento degli utenti che raggiungeva lo stato di "infetto", mentre la maggioranza rimaneva suscettibile. Questo risultato suggerisce che non basta costruire un modello complesso; il modello ha bisogno di un ambiente ricco e variabile per funzionare correttamente. Senza segnali psicologici variegati, le caratteristiche avanzate non possono attivarsi e la simulazione perde il suo vantaggio.

I ricercatori hanno anche esaminato come si comportano i diversi tipi di disinformazione. In un insieme di dati focalizzato su voci emotive, il modello ha riprodotto con successo un modello di "voce lampo" (flash-rumour), in cui la disinformazione è esplosa rapidamente, infettando il 38 per cento degli utenti entro 45 giorni, prima di essere corretta e svanire. Ciò corrisponde all'osservazione del mondo reale secondo cui i contenuti altamente carichi possono avere un'impennata e poi essere smentiti rapidamente. Al contrario, il modello ha mostrato che in ambienti in cui le persone sono meno coinvolte o il contenuto è meno emotivo, la disinformazione fatica a prendere piede, lasciando una grande parte della popolazione inconsapevole ma non necessariamente convinta. Lo studio conclude che, sebbene la struttura del modello sia solida, il suo potere di spiegare gli eventi del mondo reale dipende dalla variabilità dei segnali umani che lo alimentano. I ricercatori hanno scoperto che il modello funziona meglio quando può vedere i cambiamenti di sentimento e di coinvolgimento che spingono le persone a condividere o ignorare una storia.

In definitiva, questo lavoro dimostra che comprendere la diffusione della disinformazione richiede molto più che contare le condivisioni o tracciare le connessioni. Richiede la comprensione della mente umana dietro il clic. Lo studio suggerisce che, affinché i modelli siano davvero utili nel prevedere o gestire la diffusione di false informazioni sulla salute, devono essere alimentati con dati che riflettano l'andamento degli umori e degli sforzi delle persone coinvolte. Se i dati sono piatti, il modello rimane piatto. Se i dati catturano la turbolenza dell'emozione umana, il modello può rivelare i modelli nascosti di come viaggiano le bugie e di come potrebbero essere fermate. Questo approccio offre una via più chiara per i comunicatori sanitari e i progettisti delle piattaforme, mostrando che la chiave per gestire il flusso di informazioni risiede nel riconoscere le forze psicologiche che lo guidano.