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

在数字时代，关于健康的虚假信息传播速度犹如病毒一般。正如生物病原体在人与人之间传播一样，误导性的言论在屏幕与屏幕之间移动，重塑着人们理解世界并行动的方式。几十年来，科学家们一直试图利用借鉴自流行病学（研究疾病传播的学科）的模型来预测这些运动。这些模型通常将人群划分为简单的几组：能够接收想法的人、正在传播想法的人，以及已经停止传播的人。虽然这些工具很有用，但它们往往将每个人视为同类，假设谎言以稳定的速度传播，而不考虑其情感色彩或人们的反应。现实中，人类行为是混乱且充满情感的。我们更有可能分享那些让我们感到愤怒或恐惧的故事，而不太可能转发那些需要过多脑力去理解的内容。研究人员今天面临的问题是，他们能否构建一张更好的地图——一张能够考虑到驱动信息流动的心理电流，而非仅仅是其所行走的结构性道路的地图。

曼彻斯特都会大学的一个研究小组通过创建一种模拟社交媒体上健康误导信息如何传播的新方法，向回答这一问题迈出了重要一步。他们将经典的疾病传播模型与一个著名的关于人类说服力的理论——精细加工可能性模型（Elaboration Likelihood Model）相结合。该理论表明，人们处理信息的方式有两种：有时他们会对表层的感官情绪信号做出快速反应，而有时则会放慢速度，对内容进行深度思考。研究人员构建了一个计算机模拟系统，将误导信息的传播视为一场流行病，但增加了一层心理现实主义。该模型不再使用固定的传播速度，而是允许传播率根据现实世界的信号每天发生变化：语言的正负面程度、点赞或分享帖子的数量，以及词汇的复杂程度。他们利用这种被称为 ELM-SIRMMM 的新方法，针对来自 Twitter 和健康论坛的三组不同真实数据进行了测试，涵盖了从 COVID-19 谣言到一般健康建议的各种主题。

他们的模拟结果显示，加入这些心理细节确实带来了实质性的差异，但前提是数据本身足够丰富，能够展示出变化。当研究人员将该模型应用于来自 Twitter 的 COVID-19 误导信息数据集时，这种新方法比旧有的、更简单的模型更具准确性。它更精确地预测了误导信息传播的高峰期，将预估的高点从第 150 天推迟到了第 160 天，并将预测的峰值流行率从 6% 提高到了 7%。更重要的是，该模型的误差率下降了 5.5%，这意味着其预测结果与现实世界中实际发生的情况更加吻合。模拟显示，误导信息浪潮并非一条平滑、可预测的曲线，而是一个由公众情绪和注意力的起伏波动所塑造的动态事件。

然而，这项研究也揭示了一个关键的局限性：模型捕捉这些人类细微差别的能力完全取决于其接收到的数据质量。当研究人员在针对在线论坛中一般健康讨论的数据集进行测试时，结果却有所不同。在这个论坛中，帖子的情感基调和参与度随时间的变化并不大；信号是平坦且稀疏的。由于输入数据缺乏这种必要的波动，该模型中复杂的心理部分基本上处于休眠状态。模拟过程退化为一种标准的、僵化的模型，未能捕捉到任何行为上的动态变化。在这种情况下，模型预测误导信息几乎无法形成影响，仅有 3% 的用户进入了“感染”状态，而大多数人仍处于易感状态。这一发现表明，仅仅构建一个复杂的模型是不够的；模型需要一个丰富且多变的环境才能正常运作。如果没有多变的心理信号，先进的功能就无法激活，模拟也会失去其优势。

研究人员还检查了不同类型的误导信息是如何表现的。在一个专注于情感谣言的数据集中，模型成功再现了一种“闪电谣言”模式，即误导信息在 45 天内迅速爆发，感染了 38% 的用户，随后被澄清并逐渐消退。这符合现实世界的观察，即高度激烈的受控内容会迅速激增，然后被辟谣。相比之下，模型显示，在人们参与度较低或内容缺乏情感色彩的环境中，误导信息难以获得动力，导致大部分人群虽未被说服，但也并未察觉。研究结论指出，虽然模型的结构是健全的，但其解释现实事件的能力取决于喂给它的数据中人类信号的变化程度。研究人员发现，当模型能够观察到驱动人们分享或忽略某个故事的情绪转变和参与度变化时，其效果最为理想。

最终，这项工作证明了，理解误导信息的传播不仅需要统计分享次数或追踪连接关系，更需要理解点击背后的思维。研究表明，对于模型而言，若要真正有效地预测或管理虚假健康信息的传播，必须为其提供反映相关人员情绪和精力变化的动态数据。如果数据是平淡的，模型也是平淡的。如果数据捕捉到了人类情感的动荡，模型就能揭示谎言传播的隐藏模式，以及如何阻断它们。这种方法为健康传播者和平台设计者提供了一条更清晰的前进路径，表明管理信息流的关键在于识别驱动它的心理力量。