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

기술 요약: 오정보에 노출된 개인에 의한 전염병 확산 증폭 모델링

문제 정의
공중 보건의 결과는 사회적 요인, 특히 인구의 완화 조치 채택 의지에 의해 크게 영향을 받습니다. 최근의 증거는 소셜 미디어에서의 오정보 노출이 백신 망설임 및 공중 보건 지침 준수 감소와 상관관계가 있음을 시사합니다. 그러나 정보의 확산과 질병의 확산을 모두 통합하는 총체적이고 데이터에 기반한 모델의 부재로 인해, 오정보가 역학적 역동성에 미치는 인과적 영향을 정량화하는 것은 여전히 어려운 과제입니다. 기존 연구들은 종종 단순화된 실험 환경에 의존하거나 소셜 미디어 데이터와 물리적 접촉 네트워크 간의 실질적인 통합이 부족합니다. 본 논문은 이러한 격차를 해결하기 위해, 특히 미국의 COVID-19 팬데믹에 초점을 맞추어 오정보로 인해 발생하는 추가적인 피해를 추정하기 위한 프레임워크를 제안함으로써 이 문제를 다룹니다.

방법론
저자들은 정보 확산 네트워크와 물리적 접촉 네트워크를 결합한 다층 에이전트 기반 시뮬레이션인 SMIR(Susceptible Misinformed Infected Recovered, 감수성-오정보노출-감염-회복) 모델을 제안합니다.

1. 정보 네트워크 구축:

   • 데이터 소스: 모델은 2021년 1월 4일부터 9월 30일 사이에 수집된, 200만 명 이상의 미국 트위터 사용자가 작성한 약 2,600만 건의 영어 COVID-19 백신 관련 트윗 데이터셋을 활용합니다.
   • 지리적 위치 지정 및 필터링: 사용자의 위치를 341개 미국 카운티(각 카운티당 사용자 200명 이상 포함)로 지정했습니다. 정치적 성향은 주석이 달린 뉴스 소스와 레이블 전파 알고리즘을 사용하여 추론되었습니다.
   • 오정보 정의: 저신뢰 출처(NewsGuard 점수 < 60)의 링크를 공유하는 계정을 오정보를 퍼뜨리는 것으로 식별했습니다.
   • 확산 모델: 단일 단계 선형 임계값 의견 확산 프로세스는 일반 사용자를 "오정보 노출(M)" 상태로 전환하는 과정을 모델링합니다. 임계값 파라미터 $\phi$는 일반 노드가 오정보에 노출되기 위해 필요한 오정보 노출 친구의 수를 나타냅니다.
     • 낮은 $\phi$ (예: $\phi=1$)는 단 한 번의 노출이 오정보로 이어지는 "최악의 시나리오"(단순 전염)를 나타냅니다.
     • 높은 $\phi$ (예: $\phi=20$)는 인구가 오정보에 대해 높은 회복력을 갖는 "최선의 시나리오"를 나타냅니다.

2. 접촉 네트워크 구축:

   • 데이터 소스: 약 2,000만 개의 노드(미국 인구의 10% 샘플을 나타냄)로 구성된 물리적 접촉 네트워크를 SafeGraph 휴대폰 이동성 데이터와 2020년 미국 대통령 선거 투표 기록을 사용하여 구축했습니다.
   • 구조: 네트워크는 카운티 내 및 카운티 간의 이동 패턴을 포착합니다. 노드의 속성(오정보 노출 여부 vs 일반 상태)은 정보 네트워크에서 도출된 분포를 바탕으로 할당되며, 이를 통해 이념적 분열(공화당 vs 민주당)이 실증적인 투표 기록과 일치하도록 합니다.

3. 역학 시뮬레이션 (SMIR 모델):

   • 모델은 표준 SIR 프레임워크를 확장합니다. 일반 개인(O)은 공중 보건 지침(마스크 착용, 거리두기, 백신 접종)을 따르는 것으로 가정하는 반 반면, 오정보 노출자(M)는 이러한 조치를 거부하는 것으로 가정합니다.
   • 파라미터: 전파 확률($p$)과 접촉 밀도($\bar{k}$)를 조작하여 범위를 설정합니다.
     • 일반인 (O): $p_O = 0.01$ (높은 완화 효과).
     • 오정보 노출자 (M): $p_M = 1.0$ (완화 조치 없음, 높은 전파율).
     • 접촉 밀도는 $\bar{k} = 25$ (팬데명 이전 평균)로 고정됩니다.
   • 시뮬레이션은 100일 동안 실행되며, 회복률은 $\gamma = 0.2$ (5일간의 격리)입니다.

주요 기여

• 실제 데이터의 통합: 본 연구는 대규모의 실증적 소셜 미디어 데이터(트위터 리트윗)를 물리적 이동 데이터(휴대폰 흔적) 및 인구 통계 데이터(투표 기록)와 통합함으로써 이론적 가정을 넘어섭니다.
• SMIR 프레임워크: "오정보 노출" 하위 집단과 그들의 차별적 행동을 명시적으로 추적하는 특정 에이전트 기반 모델을 도입합니다.
• 정량적 경계 설정: 회복력 파라미터 $\phi$와 전파 확률을 변화시킴으로써, 모델은 단일 점 추정치가 아닌 오정보의 잠재적 피해에 대한 정량적 경계를 제공합니다.

결과
시뮬레이션은 최악의 시나리오(낮은 회복력, $\phi=1$)와 최선의 시나리오(높은 회복력, $\phi=20$)를 비교합니다:

• 감염 정점: 최악의 시나리오에서 일일 감염 정점은 최선의 시나리오보다 약 6배 더 높습니다.
• 시기: 최악의 시나리오에서는 정점이 약 2주 더 빨리 나타납니다.
• 누적 영향: 시뮬레이션된 역학 과정 동안, 최악의 시나리오는 회복력이 높은 시나리오에 비해 총 인구의 14%가 추가로 감염되는 결과를 초래합니다. 이는 총 감염자 수의 32% 상대적 증가를 의미합니다.
• 규모: 미국 인구 조사 데이터를 기준으로, 이 14%의 추가 감염은 거의 4,700만 명의 미국인이 추가로 감염되는 것을 의미합니다.
• 경제적 영향: 저자들은 이러한 추가 감염과 관련된 의료 비용이 1,430억 달러를 초과할 것으로 추정합니다.

의의 및 주장
본 논문은 자신의 주요 의의가 정책 입안자와 공중 보건 당국에 온라인 백신 오정보의 잠재적 위해에 대한 데이터 기반 통찰력을 제공하는 데 있다고 주장합니다. 오정보 노출의 결과를 나타내는 "경고적인 경계(alarming bound)"를 설정함으로써, 이 연구는 소셜 미디어 플랫폼과 보건 당국이 저신뢰 콘텐츠의 확산을 억제하도록 동기를 부여하고자 합니다.

저자들은 자신의 결과가 극단적인 시나리오($p_M=1$ 및 $p_O=0.01$ 사용)를 나타낸다는 점을 명시하며, 오정보와 위험 행동 사이의 인과적 연결에 대한 가정, 모든 정보 노출의 대리 지표로서의 트위터 사용, 그리고 개인의 회복력을 균일하게 간주한 점 등의 한계를 인정합니다. 그러나 이러한 제약 조건 내에서도, 모델은 오정보가 전염병 확산을 심각하게 증폭시키고 억제 노력을 지연시킬 수 있음을 보여준다고 주장합니다. 본 연구는 역병 위기를 효과적으로 통제하기 위해 온라인 정보 네트워크와 물리적 접촉 네트워크 간의 복잡한 관계를 관리하는 것이 필수적임을 강조합니다.