[論文レビュー] Sample NLPDE and NLODE Social-Media Modeling of Information Transmission for Infectious Diseases:Case Study Ebola

Armin Smailhodvic, Keith Andrew+3 more|arXiv (Cornell University)|Dec 31, 2014

Misinformation and Its Impacts参考文献 41被引用数 5

ひとこと要約

本稿では、非線形偏微分方程式（NLPDEs）と非線形常微分方程式（NLODEs）を用いた新しいモデリングフレームワークを提案し、Twitterにおけるエボラ関連情報の拡散を模擬する。ツイートとリツイートを時系列に並べたマルコフ連鎖として扱い、Kurtzの定理を適用することで、流行病様のダイナミクスを捉える平均場の常微分方程式近似を導出する。4パラメータのモデルが実際のエボラミーム拡散データに高精度で適合することを示し、公衆衛生意思決定における実用的インサイトを提供する。

ABSTRACT

We investigate the spreading of information through Twitter messaging related to the spread of Ebola in western Africa using epidemic based dynamic models. Diffusive spreading leads to NLPDE models and fixed point analysis yields systems of NLODE models. When tweets are mapped as connected nodes in a graph and are treated as a time sequenced Markov chain, TSMC, then by the Kurtz theorem these specific paths can be identified as being near solutions to systems of ordinary differential equations that in the large N limit retain many of the features of the original Tweet dynamics. Constraints on the model related to Tweet and re-Tweet rates lead to different versions of the system of equations. We use Ebola Twitter meme based data to investigate a modified four parameter model and apply the resulting fit to an accuracy metric for a set of Ebola memes. In principle the temporal and spatial evolution equations describing the propagation of the Twitter based memes can help ascertain and inform decision makers on the nature of the spreading and containment of an epidemic of this type.

研究の動機と目的

• 感染症のアウトブレイク中にソーシャルメディア上での情報伝播の時間的・空間的ダイナミクスを、数学的流行病モデルを用いてモデリングすること。
• ツイートの系列に確率過程理論を適用することで、ソーシャルメディアのダイナミクスを連続時間微分方程式と結びつけること。
• 実世界のエボラ関連ミーム拡散データに高い精度で適合する4パラメータモデルを構築すること。
• 意思決定者に、病気関連の誤情報や啓発キャンペーンの拡散を理解し、制御するための予測ツールを提供すること。
• 実際のTwitterデータとエボラ関連ミームの正確性指標を用いて、モデルの予測能力を検証すること。

提案手法

• ツイートとリツイートを時系列に並べたマルコフ連鎖（TSMC）としてモデル化し、Twitter上での情報流れを表現すること。
• Kurtzの定理を適用して、大規模なNの極限においてTSMCの経路が常微分方程式系（NLODEs）の解に収束することを示すこと。
• 確率的ダイナミクスからNLODEの系を導出し、パラメータをツイートおよびリツイートの速度として定義すること。
• 実データから得たエボラ関連ミームのデータに適合させるために、修正された4パラメータモデルを構築すること。
• 情報拡散速度に制約を課すことで、NLODE系の異なるバージョンを生成すること。
• シミュレートされたダイナミクスと実際のTwitterデータを定量的正確性指標を用いて比較することで、モデルを検証すること。

実験結果

リサーチクエスチョン

• RQ1 感染症のアウトブレイク中にソーシャルメディア上での情報拡散を、非線形偏微分方程式および非線形常微分方程式を用いてどのようにモデリングできるか？
• RQ2 大規模な集団の極限において、時系列に並べたツイートのダイナミクスは、決定論的ODE系の解をどの程度近似するか？
• RQ3 4パラメータのNLODEモデルは、Twitter上でのエボラ関連ミームの拡散パターンを正確に再現できるか？
• RQ4 ツイートおよびリツイートの速度を変化させると、導出されたNLODE系の構造と挙動にどのような影響を与えるか？
• RQ5 このようなモデルは、病気関連情報の拡散を管理する公衆衛生担当者に、どのようなインサイトを提供できるか？

主な発見

• Kurtzの定理の条件のもとで、Twitterの相互作用のTSMCモデルはNLODEの系に収束することが示され、決定論的ODEが近似として有効であることが裏付けられた。
• 実際のエボラ関連ミームデータに適合するように修正された4パラメータNLODEモデルが成功裏に適合され、高い予測精度を示した。
• モデルは、複数のエボラ関連ミームにおいて、ピークの拡散段階と減衰段階を含む流行病様の情報拡散の主要な特徴を捉えた。
• ツイートおよびリツイート速度に制約を課すことで、明確に異なるダイナミカルなレジームが得られ、ユーザー参加パターンへの感受性が示された。
• 得られた方程式系は、元の確率的ツイートダイナミクスの本質的特徴を保持しており、大規模シミュレーションを信頼できるものとした。
• このフレームワークは、ソーシャルメディア上での病気関連情報拡散の予測および分析に、スケーラブルで数学的に根拠のあるツールを提供する。