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

デジタル時代において、健康に関する誤情報はウイルスの如き速さで拡散します。生物学的な病原体が人から人へと移動するように、誤解を招く主張は画面から画面へと移動し、人々が世界をどのように理解し、その中でどのように行動するかを形作っていきます。何十年もの間、科学者たちは疫学（病気の広がり方を研究する学問）から借用したモデルを用いて、これらの動きを予測しようと試みてきました。これらのモデルは通常、集団を単純なグループ、すなわち「考えを受け取る可能性のある人々」、「現在それを広めている人々」、そして「それを止めた人々」に分類します。これらは有用ではありますが、こうした伝統的なツールは、たとえ感情や人々の反応がどうであれ、嘘が一定のペースで広まると想定して、すべての人を同じように扱う傾向があります。実際には、人間の行動は混沌としており、感情的です。私たちは、怒りや恐怖をかき立てる物語を共有する可能性が高く、逆に、理解するために多大な精神的努力を必要とするものは、あまり共有しない傾向があります。今日の研究者に課されている問いは、情報の通り道である構造的な「道路」だけでなく、情報の流れを駆動する心理的な「潮流」を考慮に入れた、より優れた地図を構築できるかどうかです。

マンチェスター・メトロポリタン大学の研究チームは、ソーシャルメディア上で健康に関する誤情報がどのように拡散するかをシミュレートする新しい手法を開発することで、この問いに答えるための重要な一歩を踏み出しました。彼らは、古典的な感染症拡散モデルと、「精緻化見込みモデル（Elaboration Likelihood Model）」と呼ばれる有名な人間説得理論を組み合わせました。この理論は、人々が情報を二通りの異なる方法で処理することを示唆しています。つまり、表面的な感情的手がかりに対して素早く反応する場合もあれば、内容について深く考えるために速度を落とす場合もあるということです。研究者たちは、誤情報の拡散をエピデミック（流行）のように扱いながら、そこに心理学的なリアリズムの層を加えたコンピュータ・シミュレーションを構築しました。拡散の速度を固定値とするのではなく、彼らのモデルでは、言語のポジティブまたはネガティブなトーン、投稿への「いいね」やシェアの数、言葉の複雑さといった実世界の信号に基づいて、毎日の変化率が変わるように設計されています。彼らは、この「ELM-SIRMMM」と呼ぶ新しいアプローチを、COVID-19の噂から一般的な健康に関するアドバイスまでを網羅する、Twitterや健康フォーラムからの3つの異なる実データセットに対してテストしました。

シミュレーションの結果は、これらの心理的な詳細を加えることが、データ自体が変化を示すのに十分な豊かさを持っている場合にのみ、具体的な違いをもたらすことを明らかにしました。研究者がCOVID-19の誤情報を含むTwitterのデータセットにこのモデルを適用した際、この新しいアプローチは、より単純な古いモデルよりも高い精度を示しました。それは誤情報の拡散のピークをより正確に予測し、推定されるピーク時の普及率を、高止まりの時期を150日目から160日目へとシフトさせ、人口の6パーセントから7パーセントへと増加させました。より重要なことに、モデルの誤差率は5.5パーセント低下し、これは予測が現実の世界で実際に起きたこととより密接に一致したことを意味します。シミュレーションは、誤情報の波が滑らかで予測可能な曲線ではなく、公衆の感情と注目の浮沈によって形作られる動的なイベントであることを示しました。

しかし、この研究は極めて重要な限界も明らかにしました。モデルがこれらの人間のニュアンスを捉えられるかどうかは、完全に受け取るデータの質に依存しているということです。研究者が同じモデルをオンラインフォーラムの一般的な健康に関する議論のデータセットに対してテストした際、結果は異なりました。このフォーラムでは、投稿の感情的なトーンやエンゲージメントのレベルは時間の経過とともにあまり変化せず、信号は平坦で希薄でした。入力データにこの必要な変動性が欠けていたため、モデルの洗練された心理学的部分は事実上休眠状態となりました。シミュレーションは標準的な硬直したモデルのように振る舞い、行動の動的な変化を捉えることができませんでした。このシナリオでは、モデルは誤情報がほとんど定着しないと予測し、ユーザーのわずか3パーセントのみが「感染」状態に達し、大多数は感受性のままの状態にとどまりました。この知見は、単に複雑なモデルを構築するだけでは不十分であり、モデルが適切に機能するためには、豊かな変化のある環境が必要であることを示唆しています。多様な心理的信号がなければ、高度な機能は起動できず、シミュレーションはその鋭さを失ってしまうのです。

研究者たちはまた、異なる種類の誤情報がどのように振る舞うかも調査しました。感情的な噂に焦点を当てたあるデータセットでは、モデルは「フラッシュ・ルマー（電撃的な噂）」のパターンを再現することに成功しました。これは、誤情報が急速に爆発的に広まり、45日以内にユーザーの38パーセントに感染した後、訂正されて消えていくというパターンです。これは、非常に感情的なコンテンツが急増し、その後すぐに論破されるという現実世界の観察と一致しています。対照的に、人々が関与していない環境や、コンテンツの感情的要素が少ない環境では、誤情報は勢力を拡大するのに苦戦し、多くの人々が情報を知らないまま、必ずしも確信を得ていない状態にあることがモデルによって示されました。研究は、モデルの構造自体は健全であるものの、その力が現実世界の出来事を説明できるかどうかは、入力される人間の信号の多様性に依存していると結論付けています。研究者たちは、モデルが、人々が物語を共有するか無視するかを決定づけるセンチメント（感情）やエンゲージメントの変化を捉えられるときに、最も効果的に機能することを発見しました。

結局のところ、この研究は、誤情報の拡散を理解するには、単にシェア数を数えたり接続を追跡したりする以上のことが必要であることを示しています。それは、クリックの背後にある人間の心を理解することを必要としています。本研究は、モデルが真に有用な予測や管理を行うためには、関与している人々の変化する気分や労力を反映したデータを与えられなければならないことを示唆しています。もしデータが平坦であれば、モデルも平坦になります。もしデータが人間の感情の激動を捉えているならば、モデルは嘘がどのように伝わり、どのように阻止され得るのかという隠れたパターンを明らかにすることができるのです。このアプローチは、情報の流れを管理するための鍵が、それを駆動する心理的な力を見極めることにあることを示しており、ヘルス・コミュニケーターやプラットフォーム設計者にとって、より明確な進むべき道を提供しています。