🔬 physics

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

本研究は、移動性を考慮した感染症モデルにソーシャルメディアデータを統合することで、オンライン上のワクチンに関する誤情報の曝露がいかに疾病の拡大を増幅させるかを定量化し、公衆衛生政策に資するための最悪のシナリオ下における感染症の大幅な増加を明らかにするものである。

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

公開日 2026-02-09

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

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

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ウイルスの蔓延を、森の中を移動する山火事に例えて想像してみてください。通常、科学者は、木々がどれくらい密集しているか、そして葉がどれくらい乾燥しているかを見て、その火がどれほどの速さで燃え広がるかを予測しようとします。

この論文は、その森に、木の振る舞いを変えてしまう新しい「目に見えない層」を加えます。それが、**「煙の雲」**です。

研究者が発見した内容を、シンプルな概念に分解して解説します。

1. 二つの森

研究者たちは、人々が同時に二つの異なる「世界」に住んでいることに気づきました。

物理的な森： これは人々が実際に集まる場所です。通勤、教室での授業、あるいはコーヒーを飲みに行くことなど。ここがウイルスが広がる場所です。
デジタルな森： これは人々がソーシャルメディア（この研究では特にTwitter）で物語やニュースを共有する場所です。ここが誤情報が広がる場所です。

論文は、これら二つの森が繋がっていると主張しています。もしデジタルな森にいる誰かが、「ワクチンは危険だ」とか「マスクは効果がない」といった嘘を信じてしまったら、その人は物理的な森での行動を変えてしまうかもしれません。彼らはマスク着用をやめたり、社会的距離を置くことをやめたりするかもしれません。その結果、ウイルスが人と人の間を飛び移ることが容易になります。

2. 「レジリエンス（回復力）」テスト

事態がどれほど悪化し得るかを調べるために、研究者たちは約2,000万人規模の仮想的な人々を用いた巨大なコンピュータ・シミュレーションを構築しました。彼らは限界をテストするために、二つの極端なシナリオを作成しました。

「超レジリエントな」森（ベストケース）： 木々が鋼鉄でできている森を想像してください。たとえ誤情報の煙がひと吹き流れてきても、木々はそれを無視します。これらの人々は、すべての健康ルール（マスク、ワクチン、距離の確保）に従います。
「超敏感な」森（ワーストケース）： 乾燥した薪（まき）でできた森を想像してください。たった一吹きの誤情報の煙が木に触れただけで、その木はすぐに火がつき（誤情報を信じ）、安全ルールを守るのをやめてしまいます。

3. 実験

研究者たちは、ワクチンに関する「信頼性の低い」コンテンツを共有している人々がどれくらいいるかを知るために、Twitterからの実際のデータを使用しました。そして、それらの人々を、彼らの巨大な2,000万人規模のシミュレーション上にマッピングしました。

彼らは問いかけました。「もし嘘を信じる人がたくさんいたら、ウイルスによる被害はどれほど悪化するのか？」

4. 衝撃的な結果

「最悪のシナリオ」（一度の曝露で人々が誤情報を信じてしまうケース）でシミュレーションを実行したところ、結果は「ベストケース」と比較して劇的なものでした。

火の回りが早くなる： 感染のピークが2週間早く訪れました。
火が大きくなる： ピーク時に病気になる人の数が6倍に跳ね上がりました。
総被害： エピデミック（流行）の全期間を通じて、**米国人口のさらに14%**が追加で感染することになります。
- これを換算すると： 約4,700万人の追加の米国人が病気になる計算です。
コスト： 研究者たちは、これが米国のヘルスケアシステムに対して1,430億ドル以上のコストをもたらすと推定しました。

5. なぜこれが起こるのか

このモデルは、誤情報を信じている人々は安全対策を講じる可能性が低いという前提に基づいています。シミュレーションにおいて、これらの「誤情報を信じている」人々は、通常の（パンデミックではない）世界のように振る舞います（抱き合ったり、マスクをせず、集まったりします）。一方で、「正しい情報を持っている」人々は慎重に行動しています。

ウイルスは、誰が慎重で誰がそうでないかを気にしないため、誤情報を信じているグループの不注意な行動が、慎重なグループにまで感染を広げる「架け橋」となってしまうのです。これは、あるグループの人々がドアを開けっ放しにして隙間風を通しているようなものです。結局、その隙間風（ウイルス）は、窓を閉めようと努力している部屋にさえも、家全体へと入り込んでしまうのです。

まとめ

この論文は、誤情報がウイルスそのものであると言っているわけではありません。むしろ、誤情報は**「増幅装置（フォース・マルチプライヤー）」**として機能することを示しています。誤情報は、嘘を信じている人々を直接傷つけるだけでなく、流行全体の状況を悪化させ、本来必要とされるよりも何百万人もの人々を感染させ、蔓延を加速させるのです。

研究者たちは、オンライン上の嘘の拡散に対処しなければ、私たちは実質的に、ウイルスに対して全人口を感染させるための「近道」を渡してしまっているのだということを、実際のデータを用いて示したのです。

技術要約：誤情報にさらされた個人による流行拡大のモデリング

問題提起
公衆衛生上の成果は、社会的な要因、特に公衆衛生上のガイダンスに従うことへの国民の意欲に大きく左右される。近年のエビデンスによれば、ソーシャルメディアにおける誤情報への露出は、ワクチン忌避や公衆衛生上の指導への遵守率低下と相関している。しかし、情報の拡散と疾病の拡散の両方を統合した、データに基づいた包括的なモデルが不足しているため、誤情報が流行のダイナミクスに与える因果関係のある影響を定量化することは依然として困難である。既存の研究は、簡略化された実験設定に依存しているか、あるいはソーシャルメディアのデータと物理的な接触ネットワークとの実世界での統合を欠いていることが多い。本論文は、米国におけるCOVID-19パンデミックに焦点を当て、誤情報によって引き起こされる追加的な危害を推定するためのフレームワークを提案することで、このギャップに対処する。

手法
著者らは、情報拡散ネットワークと物理的接触ネットワークを結合させたマルチレベル・エージェントベース・シミュレーションである、SMIR（Susceptible Misinformed Infected Recovered）モデルを提案する。

情報ネットワークの構築:
- データソース: モデルは、2021年1月4日から9月30日までの間に収集された、200万人以上の米国TwitterユーザーによるCOVID-19ワクチンに関する約2,600万件の英語のツイートのデータセットを利用する。
- ジオロケーションとフィルタリング: ユーザーは341の米国の郡（それぞれに200人以上のユーザーを含む）にジオロケートされた。政治的傾向は、注釈付きのニュースソースとラベル伝播アルゴリズムを用いて推論された。
- 誤情報の定義: 低信頼性のソース（NewsGuardスコア < 60）へのリンクを共有するアカウントを、誤情報を拡散しているものとして特定した。
- 拡散モデル: 単一ステップの線形閾値意見拡散プロセスを用いて、通常のユーザーが「誤情報にさらされた（M）」状態へと転換される様子をモデル化する。閾値パラメータ $\phi$ $ϕ$ は、通常のノードが誤情報に転換されるために必要な、誤情報にさらされた友人の数を表す。
  - 低い $\phi$ （例： $\phi=1$ ）は、一度の露出で誤情報に陥る「ワーストケース」のシナリオ（単純接触）を表す。
  - 高い $\phi$ （例： $\phi=20$ ）は、人口が誤情報に対して高いレジリエンス（回復力）を持つ「ベストケース」のシナリオを表す。
接触ネットワークの構築:
- データソース: 約2,000万ノード（米国人口の10%のサンプルを代表するもの）からなる物理的接触ネットワークを、SafeGraphの携帯電話モビリティデータと2020年の米国大統領選挙の投票記録を用いて構築した。
- 構造: ネットワークは、郡間および郡内での移動パターンを捉える。ノードの属性（誤情報にさらされているか、通常か）は、情報ネットワークから導出された分布に基づいて割り当てられ、その際、イデオロギーの分裂（共和党対民主党）が実際の投票記録と一致するようにしている。
流行シミュレーション（SMIRモデル）:
- モデルは標準的なSIRフレームワークを拡張したものである。通常の個人（O）は公衆衛生上のガイドライン（マスク着用、社会的距離の確保、ワクチン接種）に従うと仮定される一方、誤情報にさらされた個人（M）は、これらの対策を拒否すると仮定される。
- パラメータ: 境界を定めるために、伝播確率（ $p$ $p$ ）と接触密度（ $\bar{k}$ $\overset{ˉ}{k}$ ）を操作する。
  - 通常（ $O$ ）: $p_O = 0.01$ （高い緩和策を実施）。
  - 誤情報にさらされた者（ $M$ ）: $p_M = 1.0$ （緩和策なし、高い伝播率）。
  - 接触密度は $\bar{k} = 25$ （パンデミック前の平均）に固定される。
- シミュレーションは100日間実行され、回復率 $\gamma = 0.2$ （5日間の隔離）とする。

主な貢献

実世界のデータの統合: 本研究は、理論的な仮定を超え、大規模な実証的ソーシャルメディアデータ（Twitterのリツイート）と物理的なモビリティデータ（携帯電話の移動履歴）、および人口統計データ（投票記録）を統合している。
SMIRフレームワーク: 「誤情報にさらされた」サブポピュレーションと、彼らの疾病伝播に関する差別的な行動を明示的に追跡する、特定のエージェントベースモデルを導入している。
定量的境界: レジリエンスのパラメータ $\phi$ と伝播確率を変化させることで、モデルは単一の点推定ではなく、誤情報がもたらす潜在的な危害に関する定量的な境界を提供する。

結果
シミュレーションでは、ワーストケース（低いレジリエンス、 $\phi=1$ ）とベストケース（高いレジリエンス、 $\phi=20$ ）を比較している：

感染ピーク: ワーストケースのシナリオでは、1日あたりの感染者数のピークは、ベストケースのシナリオと比較して約6倍高い。
時期: ワーストケースのシナリオでは、感染のピークは約2週間早く到来する。
累積的影響: シミュレートされた流行の過程において、ワーストケースのシナリオでは、レジリエントなシナリオと比較して、総人口のさらに14%が感染することになる。これは総感染者数における32%の相対的な増加を意味する。
規模: 米国国勢調査のデータに基づくと、この追加の14%は、4,700万人近い追加の米国人が感染することに相当する。
経済的影響: 著者らは、これらの追加感染に伴う医療コストが1,430億ドルを超えると推定している。

意義と主張
本論文の主要な意義は、オンラインのワクチンに関する誤情報の潜在的な危害について、データに基づいた洞察を政策立案者や公衆衛生当局に提供することにあると主張している。誤情報への露出がもたらす結果として「警戒すべき境界（alarming bound）」を確立することで、本研究は、ソーシャルメディア・プラットフォームや保健当局に対し、低信頼性のコンテンツの拡散を抑制することを促すことを目的としている。

著者らは、自らの結果が極端なシナリオ（ $p_M=1$ および $p_O=0.01$ を使用）を表していることを明示し、誤情報とリスク行動の間の因果関係の仮定、すべての情報への露出のプロキシとしてのTwitterの使用、および個人のレジリエンスを一様とする簡略化といった限界を認めている。しかし、これらの制約の中でも、誤情報が流行の拡大を大幅に増幅させ、抑制の取り組みを遅らせる可能性があることを、本モデルは示していると主張している。本研究は、流行の危機を効果的に制御するために、オンラインの情報ネットワークと物理的な接触ネットワークの間の複雑な関係を管理する必要性を強調している。