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

Na era digital, a desinformação sobre saúde viaja com a velocidade de um vírus. Assim como um patógeno biológico passa de pessoa para pessoa, uma afirmação enganosa move-se de tela em tela, remodelando a forma como as pessoas entendem o mundo e agem dentro dele. Durante décadas, cientistas tentaram prever esses movimentos usando modelos emprestados da epidemiologia, o estudo de como as doenças se espalham. Esses modelos normalmente dividem uma população em grupos simples: aqueles que podem contrair a ideia, aqueles que estão atualmente a espalhá-la e aqueles que pararam. Embora úteis, essas ferramentas tradicionais frequentemente tratam todos da mesma forma, assumindo que uma mentira se espalha a um ritmo constante, independentemente de como ela é sentida ou de como as pessoas reagem a ela. Na realidade, o comportamento humano é caótico e emocional. Somos mais propensos a partilhar uma história que nos deixa zangados ou com medo, e menos propensos a transmitir algo que exija demasiado esforço mental para ser compreendido. A questão que os investigadores enfrentam hoje é se conseguem construir um mapa melhor — um que leve em conta as correntes psicológicas que impulsionam o fluxo de informação, em vez de apenas as estradas estruturais pelas quais ela viaja.

Uma equipa de investigadores da Manchester Metropolitan University deu um passo significativo para responder a esta questão ao criar uma nova forma de simular como a desinformação sobre saúde se espalha nas redes sociais. Eles combinaram os clássicos modelos de propagação de doenças com uma teoria bem conhecida da persuasão humana chamada Modelo de Elaboração da Probabilidade (Elaboration Likelihood Model). Esta teoria sugere que as pessoas processam a informação de duas maneiras diferentes: por vezes reagem rapidamente a sinais emocionais superficiais e, outras vezes, abrandam para pensar profundamente sobre o conteúdo. Os investigadores construíram uma simulação computacional que trata a propagação da desinformação como uma epidemia, mas adiciona uma camada de realismo psicológico. Em vez de uma velocidade fixa para a propagação, o seu modelo permite que a taxa mude todos os dias com base em sinais do mundo real: o quão positiva ou negativa é a linguagem, quantas pessoas estão a gostar ou a partilhar as publicações e quão complexas são as palavras. Eles testaram esta nova abordagem, que chamam de ELM-SIRMMM, contra três coleções diferentes de dados reais do Twitter e de fóruns de saúde, abrangendo tópicos desde rumores sobre a COVID-19 até conselhos de saúde gerais.

Os resultados das suas simulações revelam que adicionar estes detalhes psicológicos faz uma diferença tangível, mas apenas quando os próprios dados são ricos o suficiente para mostrar mudança. Quando os investigadores aplicaram o seu modelo a um conjunto de dados de desinformação sobre a COVID-19 do Twitter, a nova abordagem provou ser mais precisa do que os modelos antigos e mais simples. O modelo previu o pico da propagação da desinformação com maior precisão, deslocando o ponto alto estimado do dia 150 para o dia 160 e aumentando a prevalência máxima prevista de 6 por cento para 7 por cento da população. Mais importante ainda, a taxa de erro do modelo diminuiu 5,5 por cento, o que significa que as suas previsões se alinharam muito mais de perto com o que realmente aconteceu no mundo real. A simulação mostrou que a onda de desinformação não foi uma curva suave e previsível, mas um evento dinâmico moldado pelo fluxo e refluxo da emoção e atenção pública.

No entanto, o estudo também descobriu uma limitação crucial: a capacidade do modelo de capturar estas nuances humanas depende inteiramente da qualidade dos dados que recebe. Quando os investigadores testaram o mesmo modelo num conjunto de dados de discussões de saúde geral de um fórum online, os resultados foram diferentes. Neste fórum, o tom emocional e os níveis de interação das publicações não variavam muito ao longo do tempo; os sinais eram planos e escassos. Como os dados de entrada careciam desta flutuação necessária, a parte psicológica sofisticada do modelo tornou-se essencialmente dormente. A simulação voltou a comportar-se como um modelo padrão e rígido, falhando em capturar quaisquer mudanças dinâmicas de comportamento. Neste cenário, o modelo previu que a desinformação mal se instalaria, com apenas 3 por cento dos utilizadores a atingirem o estado de "infetados", enquanto a maioria permanecia suscetível. Esta descoberta sugere que simplesmente construir um modelo complexo não é suficiente; o modelo precisa de um ambiente rico e mutável para funcionar adequadamente. Sem sinais psicológicos variados, as funcionalidades avançadas não conseguem ativar-se e a simulação perde o seu diferencial.

Os investigadores também examinaram como diferentes tipos de desinformação se comportam. Num conjunto de dados focado em rumores emocionais, o modelo reproduziu com sucesso um padrão de "rumor relâmpago", onde a desinformação explodiu rapidamente, infetando 38 por cento dos utilizadores em 45 dias, antes de ser corrigida e desaparecer. Isto coincidiu com a observação do mundo real de que conteúdos altamente carregados podem surgir subitamente e depois serem desmentidos rapidamente. Em contraste, o modelo mostrou que em ambientes onde as pessoas estão menos envolvidas ou o conteúdo é menos emocional, a desinformação tem dificuldade em ganhar tração, deixando uma grande parte da população inconsciente, mas não necessariamente convencida. O estudo conclui que, embora a estrutura do modelo seja sólida, o seu poder para explicar eventos do mundo real depende da variabilidade dos sinais humanos que o alimentam. Os investigadores descobriram que o modelo funciona melhor quando consegue observar as mudanças de sentimento e de engajamento que levam as pessoas a partilhar ou ignorar uma história.

Em última análise, este trabalho demonstra que compreender a propagação da desinformação requer mais do que apenas contar partilhas ou rastrear conexões. Requer compreender a mente humana por trás do clique. O estudo sugere que, para os modelos serem verdadeiramente úteis na previsão ou gestão da propagação de informações falsas de saúde, devem ser alimentados com dados que reflitam os estados de espírito e os esforços variáveis das pessoas envolvidas. Se os dados forem planos, o modelo permanece plano. Se os dados capturarem a turbulência da emoção humana, o modelo pode revelar os padrões ocultos de como as mentiras viajam e como elas podem ser detidas. Esta abordagem oferece um caminho mais claro para comunicadores de saúde e designers de plataformas, mostrando que a chave para gerir o fluxo de informação reside no reconhecimento das forças psicológicas que o impulsionam.