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

디지털 시대에 건강에 관한 허위 정보는 바이러스와 같은 속도로 이동합니다. 생물학적 병원체가 사람에서 사람으로 옮겨가는 것처럼, 오해를 불러일으키는 주장은 화면에서 화면으로 이동하며 사람들이 세상을 이해하고 그 안에서 행동하는 방식을 재편합니다. 수십 년 동안 과학자들은 질병의 확산을 연구하는 역학에서 빌려온 모델을 사용하여 이러한 움직임을 예측하려고 노력해 왔습니다. 이러한 모델은 일반적으로 인구를 세 그룹, 즉 아이디어를 접할 수 있는 사람, 현재 이를 퍼뜨리고 있는 사람, 그리고 중단한 사람들로 단순하게 나눕니다. 유용하기는 하지만, 이러한 전통적인 도구들은 대개 모든 사람을 동일하게 취급하며, 거짓 정보가 감정이나 사람들의 반응과 상관없이 일정한 속도로 퍼진다고 가정합니다. 실제로 인간의 행동은 무질서하고 감정적입니다. 우리는 화가 나거나 두려움을 느끼게 하는 이야기를 공유할 가능성이 더 높고, 이해하는 데 너무 많은 정신적 노력이 필요한 것을 전달할 가능성은 더 낮습니다. 오늘날 연구자들이 직면한 과제는 단순히 정보가 이동하는 구조적 도로뿐만 아니라, 정보의 흐로를 주도하는 심리적 조류를 고려한 더 나은 지도를 구축할 수 있는지 여부입니다.

맨체스터 메트로폴리탄 대학교의 연구팀은 소셜 미디어에서 건강 관련 오정보가 어떻게 확산되는지 시뮬레이션하는 새로운 방법을 개발함으로써 이 질문에 답하기 위한 중요한 발걸음을 내디뎠습니다. 그들은 고전적인 질병 확산 모델과 인간 설득에 관한 잘 알려진 이론인 정교화 가능성 모델(Elaboration Likelihood Model)을 결합했습니다. 이 이론은 사람들이 정보를 두 가지 다른 방식으로 처리한다고 제안합니다. 때때로 표면에 나타나는 감정적 신호에 빠르게 반응하기도 하고, 때로는 내용에 대해 깊이 생각하기 위해 속도를 늦추기도 한다는 것입니다. 연구진은 오정보의 확산을 전염병처럼 다루되 심리학적 현실성을 더한 컴퓨터 시뮬레이션을 구축했습니다. 고정된 확산 속도 대신, 이 모델은 언어가 얼마나 긍정적인지 또는 부정적인지, 얼마나 많은 사람이 게시물을 좋아하거나 공유하는지, 그리고 단어가 얼마나 복적인지에 따라 매일 실시간 신호에 따라 속도가 변하도록 허용합니다. 그들은 ELM-SIRMMM이라고 부르는 이 새로운 접근 방식을 코로나19 루머부터 일반적인 건강 조언에 이르기까지 트위터와 건강 포럼의 세 가지 서로 다른 실제 데이터 모음과 비교 테스트했습니다.

시뮬레이션 결과는 이러한 심리학적 세부 사항을 추가하는 것이 실질적인 차이를 만든다는 것을 보여주었지만, 이는 데이터 자체가 변화를 보여줄 만큼 풍부할 때만 그러했습니다. 연구진이 트위터의 코로나19 오정보 데이터셋에 이 모델을 적용했을 때, 새로운 접근 방식은 더 단순한 기존 모델보다 더 정확한 것으로 나타났습니다. 이 모델은 오정보 확산의 정점을 더 정밀하게 예측했는데, 예상 정점을 150일째에서 160일째로 이동시켰고 예측된 정점 유병률을 인구의 6%에서 7%로 높였습니다. 더 중요한 것은 모델의 오차율이 5.5% 감소했다는 점이며, 이는 모델의 예측이 실제 일어난 일과 훨씬 더 밀접하게 일치했음을 의미합니다. 시뮬레이션은 오정보의 파동이 매끄럽고 예측 가능한 곡선이 아니라, 대중의 감정과 주의력의 밀물과 썰물에 의해 형성되는 역동적인 사건임을 보여주었습니다.

그러나 이 연구는 결정적인 한계점 또한 밝혀냈습니다. 모델이 이러한 인간의 미묘한 차이를 포착하는 능력은 전적으로 모델이 받는 데이터의 품질에 달려 있다는 점입니다. 연구진이 동일한 모델을 온라인 포럼의 일반적인 건강 토론 데이터셋에 테스트했을 때 결과는 달랐습니다. 이 포럼에서는 게시물의 감정적 어조와 참여 수준이 시간에 따라 크게 변하지 않았으며, 신호가 평탄하고 희박했습니다. 입력 데이터에 이러한 필수적인 변동성이 부족했기 때문에, 모델의 정교한 심리학적 부분은 사실상 휴면 상태가 되었습니다. 시뮬레이션은 표준적이고 경직된 모델처럼 작동하게 되었고, 행동의 역동적인 변화를 포착하는 데 실패했습니다. 이 시나리오에서 모델은 오정보가 거의 자리 잡지 못할 것이라고 예측했으며, 대다수의 사용자는 여전히 감염 가능성이 있는 상태로 남았습니다. 이 발견은 단순히 복잡한 모델을 구축하는 것만으로는 충분하지 않으며, 모델이 제대로 작동하기 위해서는 풍부하고 변화하는 환경이 필요하다는 것을 시사합니다. 다양한 심리적 신호가 없다면 고급 기능은 활성화될 수 없으며, 시뮬레이션은 그 날카로움을 잃게 됩니다.

연구진은 또한 서로 다른 유형의 오정보가 어떻게 행동하는지도 조사했습니다. 감정적인 루머에 초점을 맞춘 한 데이터셋에서, 모델은 오정보가 45일 이내에 사용자 38%를 감염시키며 급격히 폭발했다가 바로잡히고 사라지는 '플래시 루머(flash-rumour)' 패턴을 성공적으로 재현했습니다. 이는 고도로 격앙된 콘텐츠가 급증했다가 빠르게 반박될 수 있다는 실제 관찰 결과와 일치합니다. 반면, 사람들이 덜 몰입하거나 콘텐츠가 덜 감정적인 환경에서는 오정보가 추진력을 얻기 어려워 많은 부분이 인지하지 못한 채로 남게 된다는 것을 모델은 보여주었습니다. 연구는 모델의 구조는 견고하지만, 실세계 사건을 설명하는 힘은 입력되는 인간 신호의 가변성에 달려 있다는 결론을 내렸습니다. 연구진은 모델이 사람들이 이야기를 공유하거나 무시하도록 만드는 정서와 참여의 변화를 볼 수 있을 때 가장 잘 작동한다는 것을 발견했습니다.

궁극적으로 이 연구는 오정보의 확산을 이해하기 위해서는 단순히 공유 횟수를 세거나 연결을 추적하는 것 이상의 것이 필요함을 보여줍니다. 그것은 클릭 뒤에 숨겨진 인간의 마음을 이해하는 것을 요구합니다. 이 연구는 모델이 진정으로 유용하려면 참여하는 사람들의 변화하는 기분과 노력을 반영하는 데이터가 공급되어야 한다고 제안합니다. 데이터가 평탄하면 모델도 평탄해집니다. 만약 데이터가 인간 감정의 격동을 포착한다면, 모델은 거짓이 어떻게 이동하고 어떻게 그것을 멈출 수 있는지에 대한 숨겨진 패턴을 드러낼 수 있습니다. 이러한 접근 방식은 보건 커뮤니케이터와 플랫폼 설계자들에게 더 명확한 길을 제시하며, 정보의 흐름을 관리하는 열쇠는 그것을 주도하는 심리적 힘을 인식하는 데 있음을 보여줍니다.