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

Technische Samenvatting: Het modelleren van de amplificatie van epidemische verspreiding door individuen die zijn blootgesteld aan misinformatie

Probleemstelling
De uitkomsten voor de volksgezondheid worden aanzienlijk beïnvloed door sociale factoren, met name de bereidheid van populaties om mitigatiemaatregelen te adopteren. Recent bewijs suggereert dat blootstelling aan misinformatie op sociale media correleert met een toegenomen vaccintwijfel en een verminderde naleving van publieke gezondheidsrichtlijnen. Het kwantificeren van de causale impact van misinformatie op epidemische dynamiek blijft echter een uitdaging vanwege een gebrek aan holistische, datagestuurde modellen die zowel de verspreiding van informatie als de verspreiding van ziekte integreren. Bestaande studies vertrouwen vaak op vereenvoudigde experimentele settings of missen de real-world integratie van sociale mediadata met fysieke contactnetwerken. Dit artikel pakt deze kloof aan door een raamwerk voor te stellen om de extra schade te schatten die door misinformatie tijdens een epidemie wordt veroorzaakt, met een specifieke focus op de COVID-19-pandemie in de Verenigde Staten.

Methodologie
De auteurs stellen een Susceptible Misinformed Infected Recovered (SMIR)-model voor, een multi-level agent-gebaseerde simulatie die een informatiemodellering netwerk koppelt aan een fysiek contactnetwerk.

1. Constructie van het Informatienetwerk:

   • Databron: Het model maakt gebruik van een dataset van ongeveer 26 miljoen Engelstalige tweets over COVID-19 vaccins, verzameld tussen 4 januari en 30 september 2021, van meer dan 2 miljoen Amerikaanse Twitter-gebruikers.
   • Geolocatie en Filtering: Gebruikers werden gelokaliseerd in 341 Amerikaanse counties (elke county bevat >200 gebruikers). Politieke afstemming werd afgeleid via geannoteerde nieuwsbronnen en algoritmen voor labelpropagatie.
   • Definitie van Misinformatie: Accounts die links deelden naar bronnen met een lage geloofwaardigheid (NewsGuard-score < 60) werden geïdentificeerd als verspreiders van misinformatie.
   • Diffusiemodel: Een single-step lineair drempelwaarde-proces voor opinieverspreiding modelleert hoe misinformatie gewone gebruikers converteert naar de "misinformed" (M) status. Een drempelparameter, $\phi$, vertegenwoordigt het aantal misgeïnformeerde vrienden dat nodig is om een gewone node te converteren.
     • Lage $\phi$ (bijv. $\phi=1$) vertegenwoordigt een "worst-case" scenario waarbij een enkele blootstelling leidt tot misinformatie (simpele besmetting).
     • Hoge $\phi$ (bijv. $\phi=20$) vertegenwoordigt een "best-case" scenario waarbij de populatie zeer veerkrachtig is tegen misinformatie.

2. Constructie van het Contactnetwerk:

   • Databron: Een fysiek contactnetwerk van ongeveer 20 miljoen nodes (die een steekproef van 10% van de Amerikaanse populatie vertegenwoordigt) werd geconstrueerd met behulp van SafeGraph mobiele telefoondata en de stemgegevens van de Amerikaanse presidentsverkiezingen van 2020.
   • Structuur: Het netwerk legt mobiliteitspatronen vast tussen en binnen counties. Node-attributen (misinformed versus ordinary) worden toegewezen op basis van de distributie afgeleid van het informatienetwerk, waarbij de ideologische splitsing (Republikein versus Democraat) overeenkomt met empirische stemgegevens.

3. Epidemische Simulatie (SMIR-model):

   • Het model breidt het standaard SIR-raamwerk uit. Van gewone individuen (O) wordt aangenomen dat zij publieke gezondheidsrichtlijnen volgen (maskers, afstand houden, vaccinatie), terwijl misgeïnformeerde individuen (M) ervan worden uitgegaan dat zij deze maatregelen weigeren.
   • Parameters: Transmissiekans ($p$) en contactdichtheid ($\bar{k}$) worden gemanipuleerd om scenario's te begrenzen.
     • Gewoon ($O$): $p_O = 0.01$ (hoge mitigatie).
     • Misgeïnformeerd ($M$): $p_M = 1.0$ (geen mitigatie, hoge transmissie).
     • Contactdichtheid is vastgesteld op $\bar{k} = 25$ (pre-pandemisch gemiddelde).
   • Simulaties draaien gedurende 100 dagen, met een herstelpercentage $\gamma = 0.2$ (5-daagse quarantaine).

Belangrijkste Bijdragen

• Integratie van Real-World Data: De studie gaat verder dan theoretische aannames door grootschalige, empirisch afgeleide sociale mediadata (Twitter retweets) te integreren met fysieke mobiliteitsdata (telefoonsporen) en demografische gegevens (stemgegevens).
• Het SMIR-raamwerk: Het introduceert een specifiek agent-gebaseerd model dat expliciet een "misinformed" subpopulatie en hun differentiële gedrag met betrekking tot ziekteoverdracht bijhoudt.
• Kwantitatieve Grenzen: Door de veerkrachtparameter $\phi$ en transmissiekansen te variëren, biedt het model kwantitatieve grenzen aan de potentiële schade van misinformatie, in plaats van een enkel punt-schatting.

Resultaten
De simulaties vergelijken een worst-case scenario (lage veerkracht, $\phi=1$) met een best-case scenario (hoge veerkracht, $\phi=20$):

• Piekinfectie: In het worst-case scenario is het pieknummer van dagelijkse infecties ongeveer zes keer hoger dan in het best-case scenario.
• Timing: De piekinfectie vindt ongeveer twee weken eerder plaats in het worst-case scenario.
• Cumulatieve Impact: Gedurende het verloop van de gesimuleerde epidemie resulteert het worst-case scenario in een aanvullende 14% van de totale populatie die geïnfecteerd raakt vergeleken met het veerkrachtige scenario. Dit vertegenwoordigt een relatieve toename van 32% in het totaal aantal infecties.
• Schaal: Op basis van Amerikaanse Census-gegevens vertaalt deze extra 14% zich naar bijna 47 miljoen extra Amerikanen die geïnfecteerd raken.
• Economische Impact: De auteurs schatten dat de daarmee gepaard gaande gezondheidszorgkosten voor deze extra infecties de $143 miljard zullen overstijgen.

Betekenis en Claims
De auteurs stellen dat de primaire betekenis van het onderzoek ligt in het bieden van datagestuurde inzichten in de potentiële schade van online vaccin-misinformatie aan beleidsmakers en volksgezondheidsinstanties. Door een "alarmerende grens" te vestigen op de gevolgen van blootstelling aan misinformatie, beoogt het werk sociale mediaplatforms en gezondheidsfunctionarissen te motiveren om de verspreiding van content met een lage geloofwaardigheid in te dammen.

De auteurs geven expliciet aan dat hun resultaten extreme scenario's vertegenwoordigen (door gebruik van $p_M=1$ en $p_O=0.01$) en erkennen beperkingen, zoals de aanname van een causale link tussen misinformatie en risicovol gedrag, het gebruik van Twitter als proxy voor alle informatieblootstelling, en de vereenvoudiging van individuele veerkracht als uniform. Ze argumenteren echter dat zelfs binnen deze beperkingen het model aantoont dat misinformatie de epidemische verspreiding aanzienlijk kan versterken en inspanningen om de ziekte te onderdrukken kan vertragen. Het werk benadrukt de noodzaak om de complexe relatie tussen online informatienetwerken en fysieke contactnetwerken te beheren om epidemische crises effectief te kunnen beheersen.