🔬 physics

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

本研究采用了一种结合社交媒体数据的移动性知情流行病模型，旨在量化在线疫苗错误信息的传播如何放大疾病扩散，通过揭示在最坏情况下的感染显著增加情况，为公共卫生政策提供参考。

原作者： Matthew R. DeVerna, Francesco Pierri, Yong-Yeol Ahn, Santo Fortunato, Alessandro Flammini, Filippo Menczer

发布于 2026-02-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Matthew R. DeVerna, Francesco Pierri, Yong-Yeol Ahn, Santo Fortunato, Alessandro Flammini, Filippo Menczer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下病毒在森林中蔓延的过程，就像一场野火。通常情况下，科学家会通过观察树木之间的距离以及叶子的干燥程度，来预测火势蔓延的速度。

这篇论文增加了一个全新的、隐形的层面：一团改变了树木行为的烟雾。

以下是研究人员发现的研究成果，通过简单的概念进行了拆解：

1. 两片森林

研究人员意识到，人们同时生活在两个不同的“世界”中：

物理森林： 这是人们实际接触的地方——通勤、在教室上课或喝咖啡。这是病毒传播的地方。
数字森林： 这是人们在社交媒体（本研究中特指 Twitter）上分享故事和新闻的地方。这是误导信息传播的地方。

论文认为，这两片森林是相互关联的。如果一个人在数字森林中相信了一个谎言（例如“疫苗很危险”或“口罩没用”），他可能会在物理森林中的行为发生变化。他可能会停止佩戴口罩或停止保持社交距离，从而使病毒更容易在人与人之间跳跃。

2. “韧性”测试

为了观察情况会变得多糟，研究人员构建了一个包含约 2000 万虚拟人口 的大型计算机模拟系统。他们创建了两种极端情景来测试极限：

“超强韧性”森林（最佳情况）： 想象一片树木由钢铁制成的森林。即使有一缕误导信息的烟雾飘过，树木也会对其视而不见。这些人会遵守所有的健康规则（佩戴口罩、接种疫苗、保持距离）。
“超敏感”森林（最坏情况）： 想象一片由干柴组成的森林。只要一缕误导信息的烟雾触碰到一棵树，那棵树就会立即起火（变得被误导），并停止遵守安全规则。

3. 实验

研究人员利用来自 Twitter 的真实数据，观察了有多少人在分享关于疫苗的“低可信度”内容。然后，他们将这些人映射到这个拥有 2000 万人的大型模拟系统中。

他们问道：“如果我们有很多相信谎言的人，病毒的情况会变得多么糟糕？”

4. 令人震惊的结果

当他们在“最坏情况”的情景下（即人们在仅接触一次后就会相信误导信息）运行模拟时，结果与“最佳情况”相比非常剧烈：

火势蔓延更快： 感染高峰提前了两周出现。
火势规模更大： 在高峰期，生病的人数增加了六倍。
总损失： 在整个流行期间，会有额外的 14% 的美国总人口受到感染。
- 换句话说： 这意味着有近 4700 万额外的美国人 会生病。
代价： 研究人员估计，这将使美国的医疗系统损失超过 1430 亿美元。

5. 为什么会发生这种情况

该模型假设相信误导信息的人不太可能采取安全预防措施。在模拟中，这些“被误导的人”的行为就像是在一个正常的、非大流行时期的世界里（拥抱、不戴口罩、聚集），而“知情的人”则表现得非常谨慎。

由于病毒并不在意谁谨慎、谁不谨慎，被误导人群的鲁莽行为创造了一座桥梁，让病毒也能感染到谨慎的人群。这就像是一群人把门留出了缝隙，导致冷空气（病毒）最终进入了整个房子，甚至包括那些试图关紧窗户的房间。

总结

这篇论文并不是说误导信息就是病毒本身。相反，它表明误导信息充当了一个力量倍增器。它不仅伤害那些相信谎言的人，还会让整个疫情对所有人来说都变得更加糟糕，加速了传播过程，并导致比必要情况下感染了更多的人。

研究人员利用真实数据证明，如果我们不解决网络谎言的传播问题，我们本质上是在为病毒提供一条感染全人类的捷径。

技术摘要：建模误导性信息暴露对流行病传播的放大效应

问题陈述
公共卫生结果受社会因素的显著影响，特别是人群采纳缓解措施的意愿。近期的证据表明，社交媒体上的误导性信息暴露与疫苗犹豫以及对公共卫生指导的依从性降低相关。然而，由于缺乏整合信息传播与物理接触网络的综合性、数据驱动模型，量化误导性信息对流行病动态的因果影响仍然具有挑战性。现有研究通常依赖于简化的实验设置，或缺乏将社交媒体数据与物理接触网络进行现实世界整合的研究。本文通过提出一个框架来估算流行病期间由误导性信息造成的额外危害，专门针对美国境内的 COVID-19 大流行，旨在填补这一空白。

方法论
作者提出了一个 易感-误导-感染-康复 (SMIR) 模型，这是一个耦合了信息扩散网络与物理接触网络的多层智能体建模（agent-based simulation）。

信息网络构建：
- 数据来源： 模型利用了 2021 年 1 月 4 日至 9 月 30 日期间，从超过 200 万名美国 Twitter 用户处收集的约 2600 万条关于 COVID-19 疫苗的英文推文数据集。
- 地理定位与过滤： 用户被地理定位至 341 个美国县（每个县包含 >200 名用户）。政治立场通过标注的新闻来源和标签传播算法进行推断。
- 误导性信息的定义： 分享低信誉来源链接（NewsGuard 评分 < 60）的账号被识别为传播误导性信息的账号。
- 扩散模型： 使用单步线性阈值意见传播过程来模拟误导性信息如何将普通用户转化为“误导型”（M）状态。阈值参数 $\phi$ $ϕ$ 代表将普通节点转化为误导型所需的误导型“朋友”数量。
  - 低 $\phi$ 值（例如 $\phi=1$ ）代表“最坏情况”场景，即单次暴露即可导致误导（简单传染）。
  - 高 $\phi$ 值（例如 $\phi=20$ ）代表“最好情况”场景，即人群对误导性信息具有高度韧性。
接触网络构建：
- 数据来源： 利用 SafeGraph 手机移动数据和 2020 年美国总统选举投票记录，构建了一个包含约 2000 万个节点（代表美国人口的 10%）的物理接触网络。
- 结构： 该网络捕捉了县域内及县域间的流动模式。节点属性（误导型 vs. 普通型）根据信息网络推导出的分布进行分配，确保意识形态划分（共和党 vs. 民主党）符合实证投票记录。
流行病模拟 (SMIR 模型)：
- 该模型扩展了标准的 SIR 框架。假设普通个体（O）遵循公共卫生指南（佩戴口罩、保持距离、接种疫苗），而误导型个体（M）则被假设拒绝这些措施。
- 参数： 通过操纵传播概率 ( $p$ $p$ ) 和接触密度 ( $\bar{k}$ $\overset{ˉ}{k}$ ) 来界定场景。
  - 普通型 ( $O$ )： $p_O = 0.01$ （高缓解度）。
  - 误导型 ( $M$ )： $p_M = 1.0$ （无缓解措施，高传播率）。
  - 接触密度固定为 $\bar{k} = 25$ （大流行前平均水平）。
- 模拟运行 100 天，康复率 $\gamma = 0.2$ （5 天隔离期）。

核心贡献

整合现实世界数据： 本研究超越了理论假设，通过整合大规模、基于实证的社交媒体数据（Twitter 转推）与物理移动数据（手机轨迹）以及人口统计数据（投票记录）。
SMIR 框架： 引入了一个特定的智能体模型，该模型明确追踪了一个“误导型”子群体及其在疾病传播方面的差异化行为。
定量界限： 通过改变韧性参数 $\phi$ 和传播概率，该模型提供了误导性信息潜在危害的定量界限，而非单一的点估计值。

结果
模拟对比了最坏情况（低韧性， $\phi=1$ ）与最好情况（高韧性， $\phi=20$ ）：

感染高峰： 在最坏情况下，每日感染人数的峰值约为最好情况下的 6 倍。
时间点： 最坏情况下的感染高峰比最好情况提前了约两周。
累积影响： 在模拟的流行病过程中，最坏情况导致的感染总人数比韧性场景多出 14%。这代表了总感染人数 32% 的相对增长。
规模： 根据美国人口普查数据，这额外的 14% 意味着有近 4700 万美国人额外感染。
经济影响： 作者估计，这些额外感染所带来的医疗成本将超过 1430 亿美元。

意义与主张
论文声称其主要意义在于为政策制定者和公共卫生部门提供关于在线疫苗误导性信息潜在危害的数据驱动见解。通过建立一个关于误导性信息暴露后果的“警示界限”，这项工作旨在激励社交媒体平台和卫生官员遏制低信誉内容的传播。

作者明确指出，其结果代表了极端场景（使用 $p_M=1$ 和 $p_O=0.01$ ），并承认存在局限性，包括假设误导性信息与风险行为之间存在因果关系、使用 Twitter 作为所有信息暴露的代理变量，以及将个人韧性简化为统一特征。然而，他们认为即使在这些约束条件下，该模型仍证明了误导性信息可以显著放大流行病的传播并延迟抑制进程。这项工作强调了管理在线信息网络与物理接触网络之间复杂关系的必要性，以有效控制流行病危机。