Characterizing the impacts of disease on behavior across scales: Policy, perception, and potential for infection

Dit onderzoek concludeert dat de Amerikaanse bevolking tijdens de COVID-19-pandemie haar sociale gedrag vooral baseerde op beleidsmaatregelen en ziektegegevens op bredere ruimtelijke schalen, in plaats van op lokaal niveau, wat aangeeft dat ziektemodellen rationele reacties op grootschalige informatie kunnen aannemen.

De kern

Titel: Waarom we ons gedroegen zoals we deden tijdens de pandemie: Een verhaal over angst, nieuws en buren

Stel je voor dat de wereld een groot, levend dorp is. In 2020 en 2021 werd dit dorp geteisterd door een onzichtbare gast: het coronavirus. De vraag die onderzoekers zich stelden, was simpel maar belangrijk: Waarom bleven mensen thuis of gingen ze juist weer uit?

Was het omdat de overheid het verbood? Omdat ze de cijfers zagen? Of gewoon omdat ze bang waren? En keken mensen naar wat er in hun eigen straat gebeurde, of naar wat er in het hele land aan de hand was?

Deze studie van Georgetown University pakt die vragen op en gebruikt een paar slimme manieren om het antwoord te vinden. Hier is wat ze ontdekten, vertaald naar begrijpelijke taal.

1. De drie drijvende krachten: De Politie, De Spiegel en De Angst

De onderzoekers zagen drie dingen die mensen beïnvloedden:

• Het beleid (De Politie): De overheid zegt: "Blijf binnen!" of "Sluit de cafés."
• De feiten (De Spiegel): De nieuwsberichten zeggen: "Er zijn 1000 nieuwe besmettingen."
• De perceptie (De Angst): Het gevoel in je buik: "Ik ben bang dat ik ziek word."

Wat vonden ze?
Het bleek dat angst (het gevoel) de sterkste drijver was. Mensen pasten hun gedrag het meest aan op basis van hoe bang ze zich voelden, niet per se op basis van de harde cijfers of de wetten.

• Vergelijking: Stel je voor dat je in een donkere kamer loopt. Je ziet geen cijfers over hoe gevaarlijk het is (de feiten) en er staat geen bewaker (het beleid). Maar als je voelt dat er iets gevaarlijks in de hoek staat, loop je toch voorzichtig. Dat gevoel was belangrijker dan de feiten.

2. De "Grote Foto" vs. De "Lup"

Een van de belangrijkste ontdekkingen is waar mensen naar keken.

• De lokale blik (De Lup): Kijkten mensen naar wat er in hun eigen straat of gemeente gebeurde?
• De landelijke blik (De Grote Foto): Kijkten ze naar wat er in de hele staat of het land gebeurde?

Het verrassende antwoord: Mensen keken naar de Grote Foto.
De staat (de grote regio) had meer invloed op het gedrag dan de lokale gemeente.

• Vergelijking: Stel je voor dat je in een klein dorpje woont. Als de burgemeester van je dorp zegt "pas op", luister je misschien. Maar als de gouverneur van de hele staat op tv zegt "Er is een groot gevaar", dan reageer je veel sterker. Mensen lieten zich leiden door het nieuws dat overal te horen was, niet door de lokale situatie.

3. De "Facebook-vrienden" en de "Werkplek-buren"

De onderzoekers keken ook naar hoe dorpen met elkaar verbonden waren.

• Geografische buren: Dorpen die fysiek naast elkaar liggen.
• Pendel-buren: Dorpen waar mensen naartoe werken.
• Sociale buren: Dorpen die veel vrienden hebben op sociale media (zoals Facebook).

Wat vonden ze?
Het gedrag in een dorp werd beïnvloed door sociale buren (via sociale media) en pendel-buren (via werk), soms zelfs meer dan door de fysieke buren.

• Vergelijking: Stel je voor dat je in een dorp woont. Je buren aan de overkant van de straat (fysiek) doen niets. Maar je vriend in een ander dorp deelt een angstig bericht op Facebook, of je collega's uit een ander dorp komen thuis en vertellen dat het daar erg is. Dan ga jij ook voorzichtig doen. De informatie "reist" sneller via de lucht (internet en werk) dan via de grond.

4. Is het gevoel hetzelfde als de feiten?

Dit is misschien wel het belangrijkste voor de toekomst. De onderzoekers dachten: "Misschien is het gevoel van angst wel heel anders dan de echte cijfers."
Maar toen ze hun modellen draaiden, zagen ze iets verrassends: Het resultaat was bijna hetzelfde.

Of je nu kijkt naar de echte cijfers van besmettingen of naar het gevoel van angst, het voorspelde gedrag van de mensen en de verspreiding van het virus leken op elkaar.

• Vergelijking: Het is alsof je een auto bestuurt. Of je nu kijkt naar de snelheidsmeter (de feiten) of naar je gevoel dat je te hard rijdt (de angst), je remt op hetzelfde moment. Voor modellen die proberen voorspellingen te doen, betekent dit: we hoeven niet per se ingewikkelde enquêtes te doen om te weten hoe bang mensen zijn; de cijfers van het virus zijn vaak al een goede schatting.

Conclusie: Wat betekent dit voor ons?

Deze studie leert ons drie dingen voor de toekomst:

1. Angst is krachtig: Mensen reageren op wat ze voelen, niet alleen op wat ze weten.
2. Kijk naar het grote plaatje: Mensen reageren op nieuws en beleid dat over een groot gebied gaat (zoals een hele staat), niet alleen op lokaal nieuws.
3. Sociale media en werk zijn belangrijk: Informatie verspreidt zich via onze connecties (internet, werk), niet alleen via de straten om ons heen.

De les voor beleidsmakers: Als je mensen wilt beschermen, moet je zorgen dat het nieuws en de regels duidelijk zijn op het niveau van de hele regio of staat. En je moet begrijpen dat mensen vaak reageren op wat ze horen van vrienden of zien op het nieuws, niet alleen op wat er in hun eigen straat gebeurt.

Kortom: In tijden van crisis kijken we niet alleen naar onze eigen neus, maar naar de horizon. En dat is goed om te weten als we de volgende keer een uitbraak willen stoppen.

Technische samenvatting

Probleemstelling

De COVID-19 pandemie heeft aangetoond dat menselijk gedrag een kritische component is in de dynamiek van infectieziekten. Echter, het integreren van dynamisch gedrag in epidemiologische modellen blijft een uitdaging vanwege de complexiteit om te voorspellen hoe individuen reageren op nieuwe uitbraken en overheidsbeleid. De kernvragen die de auteurs willen beantwoorden zijn:

1. In welke mate wordt gedragsverandering gedreven door beleid, objectieve ziektegegevens of subjectieve risicoperceptie?
2. Kan objectieve ziekte data (gemeten risico) een goede benadering zijn voor subjectieve risicoperceptie?
3. Wordt mitigatiegedrag (zoals sociale afstand houden) beïnvloed door informatie op een brede (staat/nationaal) of fijne (lokaal/county) ruimtelijke schaal?

Bestaande modellen maken vaak aannames over rationeel gedrag en lokale reacties, maar deze zijn zelden gevalideerd met empirische data, vooral in een land zoals de VS met een gefragmenteerd beleid en informatie-landschap.

Methodologie

De auteurs hebben een tweeledige aanpak gebruikt, bestaande uit een ruimtelijk-temporele regressieanalyse en een epidemiologisch transmissiemodel.

1. Data Verzameling (September 2020 – Januari 2021):

• Gedrag: Aantal contacten buiten het huishouden (sociale afstand) en bezorgdheid over infectie (perceptie van risico), gebaseerd op de COVID-19 Trends and Impact Survey (CMU Delphi Group) van meer dan 6 miljoen respondenten.
• Objectief Risico: Dagelijkse COVID-19 gevallen en sterfgevallen (NYT data).
• Beleid: Data over staats- en county-beleidsmaatregelen (sluiting van niet-essentiële bedrijven, religieuze diensten, etc.) en een samengestelde index voor beleidsstrenghheid (Oxford Tracker).
• Controlevariabelen: Weer, demografie (inkomen, ras, opleiding), bevolkingsdichtheid en vakantieperiodes.

2. Ruimtelijk-Temporele Regressiemodel:

• Een Bayesiaans model (geïmplementeerd via R-INLA) werd gebruikt om het gemiddelde aantal niet-huishoudelijke contacten per county-week te voorspellen.
• Schaal-analyse: De auteurs testten verschillende ruimtelijke schalen om te bepalen welke informatiebronnen het gedrag het beste voorspellen:
  • Focaal: De eigen county.
  • Staat: Het niveau van de staat.
  • Intermediaire schalen:
    • Aangrenzende counties: Gebaseerd op geografische nabijheid (homofilie).
    • Pendel-counties: Gebaseerd op forenzenstromen (fysieke interactie).
    • Sociaal verbonden counties: Gebaseerd op Facebook-vriendschappen (sociale media connectiviteit).
• Het model controleerde voor demografische en omgevingsfactoren en gebruikte autoregressieve termen (RW1) voor temporele autocorrelatie.

3. Epidemiologisch Transmissiemodel:

• Een discrete tijd SIR-model (Susceptible-Infected-Recovered) werd gebruikt om de gevolgen van de gevonden gedragspatronen te simuleren.
• De populatie werd gesplitst in "bezorgde" en "niet-bezorgde" individuen.
• Het model vergeleek scenario's waarbij gedrag werd gestuurd door:
  • Objectief risico (gevallen) vs. Subjectief risico (bezorgdheid).
  • Lokale (county) vs. bredere (staat/nationaal) informatiebronnen.

Belangrijkste Resultaten

1. Determinanten van Gedragsverandering:

• Perceptie vs. Objectief Risico: Zowel perceptie van risico als gemeten risico zijn betekenisvolle voorspellers van gedragsverandering. Echter, perceptie van risico (bezorgdheid) is over het algemeen een sterkere voorspeller dan objectieve cijfers.
• Ruimtelijke Schaal: Variabelen op staatniveau zijn aanzienlijk beter in het voorspellen van sociale afstand dan variabelen op county-niveau. Dit geldt vooral voor beleidsmaatregelen en risicoperceptie.
• Intermediaire Schalen: De invloed van aangrenzende counties is minder sterk dan die van sociaal verbonden counties (via Facebook) en pendel-counties. Dit suggereert dat informatie en gedrag zich verspreiden via sociale netwerken en fysieke mobiliteit, niet alleen via geografische grenzen.
• Beleid: Staatsbeleid had een grotere impact op het gedrag dan lokaal county-beleid.

2. Epidemiologische Implicaties:

• Vervangbaarheid: In het transmissiemodel leverden scenario's gebaseerd op objectief risico en subjectief risico bijna identieke epidemische dynamieken op. Dit betekent dat voor modelleerdoeleinden objectieve data een goede vervanging kan zijn voor moeilijk te verzamelen perceptiedata.
• Schaal van Informatie: Hoewel bredere schalen (staat) beter gedrag voorspellen in de regressie, had het gebruik van deze bredere schalen in het transmissiemodel geen drastisch ander resultaat op de piek van de epidemie vergeleken met lokale schalen, mits de juiste gedragsrespons wordt gemodelleerd.
• Rationaliteit: De resultaten ondersteunen de aanname dat mensen reageren op bredere informatiebronnen (staat/nationaal) in plaats van puur op lokale omstandigheden, wat kan leiden tot gedrag dat niet optimaal is afgestemd op de lokale transmissie.

Belangrijkste Bijdragen

1. Empirische Validatie: Het artikel biedt zeldzame empirische validatie van aannames in gedrag-ziekte modellen, specifiek wat betreft de schaal van informatie en het onderscheid tussen perceptie en realiteit.
2. Ruimtelijke Dynamiek: Het identificeert dat sociale verbondenheid (via sociale media) en forenzenstromen belangrijker zijn voor gedragsverspreiding dan puur geografische nabijheid.
3. Modelleeradvies: Het stelt dat epidemiologische modellen voor de VS kunnen aannemen dat mensen rationeel reageren op ziekte-inincidentie op een grotere ruimtelijke schaal (staatniveau), en dat objectieve data voldoende is om gedrag te voorspellen zonder complexe perceptie-data.

Significantie en Conclusie

De studie concludeert dat de Amerikaanse bevolking tijdens de COVID-19 pandemie voornamelijk reageerde op informatie en beleid op staatniveau, waarschijnlijk als gevolg van gebrek aan gelokaliseerde surveillance en een gefragmenteerd beleidslandschap.

Implicaties voor de toekomst:

• Beleid: Gezondheidsbeleid en communicatie moeten op een bredere schaal (staat) worden gecoördineerd om effectief te zijn, aangezien lokale informatie vaak niet de drijvende kracht is achter gedragsverandering.
• Modellering: Modelleerders kunnen veilig aannemen dat gedrag wordt gestuurd door bredere informatiebronnen en dat objectieve ziektecijfers een goede proxy zijn voor risicoperceptie in voorspellende modellen.
• Interventie: Interventies die de kloof tussen waargenomen risico en werkelijk risico dichten (bijv. via lokale media) kunnen effectiever zijn, maar de huidige realiteit toont aan dat mensen zich laten leiden door "globale" signalen.

De auteurs waarschuwen echter dat heterogeniteit in risicotolerantie tussen populaties nog verder onderzocht moet worden en dat lokale beleidsverschillen kunnen leiden tot "beleid-ontsnapping" (mensen reizen naar buurten met soepelere regels), wat de verspreiding kan versnellen.