[논문 리뷰] The geographic spread of COVID-19 correlates with the structure of social networks as measured by Facebook

Theresa Kuchler, Dominic Russel외 1명|arXiv (Cornell University)|2020. 04. 07.

COVID-19 epidemiological studies인용 수 11

한 줄 요약

이 논문은 익명화된 집계된 페이스북 소셜 네트워크 데이터를 사용하여, 초기 코로나19 유행지역(웨스트체스터 카운티, 뉴욕주 및 띠오, 이탈리아)과 더 강한 사회적 유대를 가진 지역이, 물리적 거리, 인구 밀도 및 인구 통계적 요인을 보정한 후에도 2020년 3月下旬에 걸쳐 상당히 높은 확진자 수를 기록했다는 점을 보여준다. 페이스북 친구 관계에서 유도된 사회적 유대 지수(Social Connectedness Index, SCI)는 전통적인 지표인 물리적 거리, 스마트폰 위치 데이터(LEX) 및 구글 검색 트렌드를 초월하여 유행 예측에 기여하며, 특히 이러한 데이터가 부족한 지역에서 유용하다.

ABSTRACT

We use aggregated data from Facebook to show that COVID-19 is more likely to spread between regions with stronger social network connections. Areas with more social ties to two early COVID-19 "hotspots" (Westchester County, NY, in the U.S. and Lodi province in Italy) generally had more confirmed COVID-19 cases by the end of March. These relationships hold after controlling for geographic distance to the hotspots as well as the population density and demographics of the regions. As the pandemic progressed in the U.S., a county's social proximity to recent COVID-19 cases and deaths predicts future outbreaks over and above physical proximity and demographics. In part due to its broad coverage, social connectedness data provides additional predictive power to measures based on smartphone location or online search data. These results suggest that data from online social networks can be useful to epidemiologists and others hoping to forecast the spread of communicable diseases such as COVID-19.

연구 동기 및 목표

• 소셜 네트워크 구조, 특히 페이스북 친구 관계로 측정된 것들이 코로나19의 지리적 확산을 예측할 수 있는가를 평가하는 것.
• 물리적 거리, 인구 통계적 요인 및 스마트폰 위치나 증상 검색 데이터와 같은 다른 디지털 대체 지표에 비해 사회적 유대감의 예측 능력을 평가하는 것.
• 소셜 유대 지수(Social Connectedness Index, SCI)가 역학 모델링에서 확산 유행 예측을 위한 확장 가능하고 광범위한 커버리지를 가진 도구로서의 유용성을 입증하는 것.
• GPS나 검색 데이터가 이용 가능하거나 제한된 지역에서 소셜 네트워크 데이터의 장점을 부각하는 것.

제안 방법

• 저자들은 미국 카운티와 이탈리아 성 간의 익명화되고 집계된 페이스북 친구 관계 데이터를 기반으로 사회적 유대 지수(Social Connectedness Index, SCI)를 구축한다.
• SCI는 한 지역의 페이스북 사용자가 다른 지역의 사용자와 친구일 확률을 측정하여 실제 세계의 물리적 상호작용을 대체 지표로 사용한다.
• 연구는 회귀 모델을 사용하여 사회적 유대가 초기 유행지역과의 거리에 따라 향후 확진자 증가를 예측할 수 있는지 평가하며, 지리적 거리, 인구 밀도 및 인구 통계 변수를 보정한다.
• 저자들은 SCI 포함 여부에 따라 모델을 비교하는 내생 예측 및 외생 예측 실험을 수행하며, 예측 정확도 평가를 위해 RMSE를 사용한다.
• SCI의 예측 능력을 스마트폰 이동성에서 유도된 위치 노출 지수(Location Exposure Index, LEX)와 구글 검색 트렌드의 두 가지 기존 대체 지표와 비교한다.
• 분석에는 확진자 수와 사망자 수 데이터가 포함되며, 현실적인 외생 예측을 보장하기 위해 데이터 가용성에 따라 별도의 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 페이스북 친구 관계로 측정된 지역 간 사회적 유대감이 높은 지역일수록 코로나19 전파율이 높아지는가?
• RQ2 물리적 거리와 인구 통계적 요인을 보정한 후 사회적 유대감이 유행 예측에 얼마나 기여하는가?
• RQ3 스마트폰 위치 데이터(LEX)와 구글 증상 검색 트렌드에 비해 사회적 유대감의 예측 능력은 어느 정도인가?
• RQ4 LEX나 구글 데이터가 없는 지역에서는 사회적 유대감이 예측 정확도를 상당히 향상시키는가?
• RQ5 농촌이나 국제적 지역과 같이 데이터가 부족한 환경에서도 소셜 네트워크 데이터가 신뢰할 수 있고 광범위한 예측을 제공할 수 있는가?

주요 결과

• 한 카운티의 사회적 유대감이 두 주 동안 두 배로 증가한 경우, 다음 두 주 동안 지역 내 확진자 수가 물리적 거리와 인구 통계를 보정한 후에도 24.9% 증가했다.
• 사망자에 대한 사회적 유대감 역시 향후 사망 수를 예측할 수 있었으며, 이는 검사나 보고의 차이로 인한 영향이 아님을 시사한다.
• LEX와 구글 데이터가 모두 있는 카운티에서는 사회적 유대감이 추가로 미치는 예측 기여도가 매우 미미했으며, 이는 실질적인 이동성에 기반한 메커니즘의 중복성 때문으로 기대된 바다.
• 그러나 LEX나 구글 데이터가 없는 전체 미국 카운티 집합을 고려할 때, 사례에 대한 사회적 유대감을 추가하면 예측 오차(RMSE)가 유의미하게 감소했으며, 이는 데이터 가용성의 우수함을 보여준다.
• SCI는 최적의 모델 프레임워크에서 14개 예측 기간 중 10개에서 기본 모델을 능가했으며, 특히 데이터가 부족한 지역에서 두드러진 성능을 보였다.
• SCI는 미국 3,141개 카운티에서 이용 가능하며, 구글 데이터의 2,572개, LEX 데이터의 2,018개보다 더 넓은 지리적 커버리지를 제공한다.