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

In het digitale tijdperk reist valse informatie met de snelheid van een virus. Net zoals een biologisch pathogeen van persoon naar persoon beweegt, beweegt een misleidende bewering van scherm naar scherm, waarbij de manier waarop mensen de wereld begrijpen en daarin handelen, wordt hervormd. Decennialang hebben wetenschappers geprobeerd deze bewegingen te voorspellen met behulp van modellen die zijn geleend uit de epidemiologie, de studie van hoe ziekten zich verspreiden. Deze modellen verdelen een populatie doorgaans in eenvoudige groepen: zij die de idee kunnen opvangen, zij die deze momenteel verspreiden, en zij die ermee zijn gestopt. Hoewel nuttig, behandelen deze traditionele instrumenten iedereen vaak als hetzelfde, uitgaande van de veronderstelling dat een leugen met een constante snelheid verspreidt, ongeacht hoe het voelt of hoe mensen erop reageren. In werkelijkheid is menselijk gedrag rommelig en emotioneel. We zijn eerder geneigd om een verhaal te delen dat ons boos of bang maakt, en minder geneigd om iets door te geven dat te veel mentale inspanning vereist om te begrijpen. De vraag waarmee onderzoekers vandaag de dag worden geconfronteerd, is of ze een betere kaart kunnen maken—één die rekening houdt met de psychologische stromingen die de informatiestroom aansturen, in plaats van alleen de structurele wegen waarover de informatie reist.

Een team onderzoekers aan de Manchester Metropolitan University heeft een belangrijke stap gezet in het beantwoorden van deze vraag door een nieuwe manier te creëren om te simuleren hoe gezondheidsmisinformatie zich verspreidt op sociale media. Ze combineerden de klassieke modellen van ziekteverspreiding met een bekende theorie over menselijke overtuiging genaamd het Elaboration Likelihood Model. Deze theorie suggereert dat mensen informatie op twee verschillende manieren verwerken: soms reageren ze snel op emotionele signalen aan de oppervlakte, en soms vertragen ze om diep over de inhoud na te denken. De onderzoekers bouwden een computersimulatie die de verspreiding van misinformatie behandelt als een epidemie, maar voegt daar een laag van psychologisch realisme aan toe. In plaats van een vaste snelheid voor de verspreiding, staat hun model toe dat de snelheid elke dag verandert op basis van real-world signalen: hoe positief of negatief de taal is, hoeveel mensen de berichten liken of delen, en hoe complex de woorden zijn. Ze testten deze nieuwe aanpak, die ze ELM-SIRMMM noemen, tegen drie verschillende collecties echte data van Twitter en gezondheidsfora, variërend van COVID-19-geruchten tot algemeen gezondheidsadvies.

De resultaten van hun simulaties laten zien dat het toevoegen van deze psychologische details een tastbaar verschil maakt, maar alleen wanneer de data zelf rijk genoeg is om verandering te tonen. Wanneer de onderzoekers hun model toepasten op een dataset van COVID-19-misinformatie van Twitter, bleek de nieuwe aanpak nauwkeuriger dan de oudere, eenvoudigere modellen. Het voorspelde de piek van de verspreiding van misinformatie met grotere precisie, waarbij het geschatte hoogtepunt verschoof van dag 150 naar dag 160 en de voorspelde piekprevalentie toenam van 6 procent naar 7 procent van de populatie. Belangrijker nog, de foutmarge van het model daalde met 5,5 procent, wat betekent dat de voorspellingen veel nauwer aansloten bij wat er in de echte wereld gebeurde. De simulatie toonde aan dat de golf van misinformatie geen vloeiende, voorspelbare curve was, maar een dynamische gebeurtenis die gevormd werd door de eb en vloed van publieke emotie en aandacht.

De studie onthulde echter ook een cruciale beperking: het vermogen van het model om deze menselijke nuances te vangen, hangt volledig af van de kwaliteit van de data die het ontvangt. Toen de onderzoekers hetzelfde model testten op een dataset van algemene gezondheidsdiscussies van een online forum, waren de resultaten anders. In dit forum varieerde de emotionele toon en het niveau van betrokkenheid bij de berichten niet veel over de tijd; de signalen waren vlak en schaars. Omdat de invoerdata niet over de noodzakelijke fluctuatie beschikte, werd het geavanceerde psychologische deel van het model in essentie inactief. De simulatie keerde terug naar het gedrag van een standaard, rigide model en slaagde er niet in om dynamische verschuivingen in gedrag te vangen. In dit scenario voorspelde het model dat misinformatie nauwelijks voet aan de grond zou krijgen, waarbij slechts 3 procent van de gebruikers ooit de "geïnfecteerdede" staat zou bereiken, terwijl de meerderheid vatbaar bleef. Dit bevinding suggereert dat het bouwen van een complex model alleen niet genoeg is; het model heeft een rijke, veranderlijke omgeving nodig om goed te functioneren. Zonder gevarieerde psychologische signalen kunnen de geavanceerde functies niet worden geactiveerd, en verliest de simulatie zijn kracht.

De onderzoekers onderzochten ook hoe verschillende soorten misinformatie zich gedragen. In een dataset die gericht was op emotionele geruchten, reproduceerde het model succesvol een "flash-rumour" patroon, waarbij misinformatie snel explodeerde en 38 procent van de gebruikers infecteerde binnen 45 dagen, voordat het werd gecorrigeerd en wegstierf. Dit kwam overeen met de observatie in de echte wereld dat sterk geladen inhoud snel kan opvlammen en vervolgens snel kan worden weerlegd. In contrast hiermee toonde het model aan dat in omgevingen waar mensen minder betrokken zijn of de inhoud minder emotioneel is, de misinformatie moeite heeft om tractie te krijgen, waardoor een groot deel van de populatie onwetend blijft maar niet noodzakelijkerwijs overtuigd. De studie concludeert dat hoewel de structuur van het model solide is, de kracht ervan om de werkelijkheid te verklaren afhankelijk is van de variabiliteit van de menselijke signalen die erin worden gevoed. De onderzoekers vonden dat het model het beste werkt wanneer het de verschuivingen in sentiment en betrokkenheid kan zien die mensen drijven om een verhaal te delen of te negeren.

Uiteindelijk toont dit werk aan dat het begrijpen van de verspreiding van misinformatie meer vereist dan alleen het tellen van shares of het volgen van verbindingen. Het vereist het begrijpen van de menselijke geest achter de klik. De studie suggereert dat voor modellen echt nuttig kan zijn in het voorspellen of beheersen van de verspreiding van valse gezondheidsinformatie, ze gevoed moeten worden met data die de veranderende stemmingen en inspanningen van de betrokken mensen reflecteren. Als de data vlak is, blijft het model vlak. Als de data de turbulentie van menselijke emotie vastlegt, kan het model de verborgen patronen onthullen van hoe leugens reizen en hoe ze gestopt kunnen worden. Deze aanpak biedt een duidelijk pad vooruit voor gezondheidscommunicatoren en platformontwerpers, waarbij wordt aangetoond dat de sleutel tot het beheren van de informatiestroom ligt in het herkennen van de psychologische krachten die deze aansturen.