[논문 리뷰] Using an Epidemiological Model to Study the Spread of Misinformation during the Black Lives Matter Movement

Maryam Maleki, Esther Mead외 2명|arXiv (Cornell University)|2021. 03. 22.

Misinformation and Its Impacts참고 문헌 24인용 수 13

한 줄 요약

이 논문은 2020년 3월 블랙 라이브스 매터 운동 기간 동안 트위터에서 발생한 특정 가짜정보 사건—#DCblackout—의 확산을 연구하기 위해 감염자, 잠복기, 회복자 모델을 확장한 SEIZ(감염자, 잠복기, 감염자, 의심자) 전염병학 모델을 제안한다. '잠복기'와 '의심자' 상태를 포함시킴으로써 모델은 지연된 참여와 비참여를 반영하며, 가짜정보의 동역학이 전염병학적 프레임워크를 통해 효과적으로 모델링될 수 있음을 보여주며, 조기 탐지 및 통제 전략 수립에 통찰을 제공한다.

ABSTRACT

The proliferation of social media platforms like Twitter has heightened the consequences of the spread of misinformation. To understand and model the spread of misinformation, in this paper, we leveraged the SEIZ (Susceptible, Exposed, Infected, Skeptics) epidemiological model to describe the underlying process that delineates the spread of misinformation on Twitter. Compared to the other epidemiological models, this model produces broader results because it includes the additional Skeptics (Z) compartment, wherein a user may be exposed to an item of misinformation but not engage in any reaction to it, and the additional Exposed (E) compartment, wherein the user may need some time before deciding to spread a misinformation item. We analyzed misinformation regarding the unrest in Washington, D.C. in the month of March 2020 which was propagated by the use of the #DCblackout hashtag by different users across the U.S. on Twitter. Our analysis shows that misinformation can be modeled using the concept of epidemiology. To the best of our knowledge, this research is the first to attempt to apply the SEIZ epidemiological model to the spread of a specific item of misinformation, which is a category distinct from that of rumor, and a hoax on online social media platforms. Applying a mathematical model can help to understand the trends and dynamics of the spread of misinformation on Twitter and ultimately help to develop techniques to quickly identify and control it.

연구 동기 및 목표

• 정치적으로 민감한 이벤트 기간 동안 소셜 미디어에서 가짜정보가 확산되는 메커니즘을 이해하기 위해.
• 농담이나 위기 정보와 같은 일반적인 루머나 기만적 정보와는 다를 바 있는 특정 가짜정보 사건을 모델링하는 데에 격차를 메우기 위해.
• 잠복기(E)와 의심자(Z) 상태를 추가한 전염병학적 모델의 효과성을 평가하기 위해.
• 트위터와 같은 플랫폼에서 가짜정보 확산을 식별하고 통제하기 위한 수학적 프레임워크를 제공하기 위해.

제안 방법

• 기존 SIR 모델을 확장한 SEIZ 병행 모델의 적응—'잠복기'(E)와 '의심자'(Z) 상태를 추가.
• 2020년 3월 #DCblackout 해시태그와 관련된 실제 트위터 데이터를 활용한 SEIZ 모델 적용.
• 리트윗 및 사용자 참여 시간적 데이터를 활용한 모델 校정을 통해 전파율과 전이율 추정.
• 잠복기 상태를 통해 시간 지연된 사용자 행동을 통합—가짜정보를 접촉했지만 즉각 공유하지 않는 사용자를 표현.
• 의심자 상태를 통해 노출되었지만 반응하지 않는 사용자를 표현—비참여 또는 비판적 평가를 반영.
• 관측된 리트윗 캐스케이드와의 모델 적합도를 통계적으로 분석하여 모델의 예측 정확도를 검증.

실험 결과

연구 질문

• RQ1 SEIZ 모델은 실제 사건 기간 동안 트위터에서 가짜정보 확산의 시간적 역동성을 어떻게 반영하는가?
• RQ2 '잠복기'와 '의심자' 상태는 가짜정보에 대한 지연된 참여와 비참여를 모델링하는 데 어떤 역할을 하는가?
• RQ3 SEIZ 모델은 #DCblackout와 같은 특정 가짜정보 항목을 일반적인 루머나 기만적 정보 범주와 구분하여 효과적으로 표현할 수 있는가?
• RQ4 잠복기와 의심자 상태를 포함함으로써 기존 SIR 모델 대비 모델 정확도는 어느 정도 향상되는가?

주요 결과

• SEIZ 모델은 트위터에서 #DCblackout 가짜정보 사건의 확산을 관측된 리트윗 데이터와 강력한 적합도로 효과적으로 반영하였다.
• '잠복기' 상태는 가짜정보 노출과 공유 사이의 지연을 효과적으로 모델링하여 실제 사용자 행동을 반영하였다.
• '의심자' 상태는 노출되었지만 참여하지 않는 사용자 비율을 효과적으로 반영하여, 상당한 수준의 미디어 리터러시 또는 비판적 평가 능력이 있음을 시사하였다.
• 모델은 특정 사건 기반 가짜정보에 대해서도 전염병학적 프레임워크를 통해 효과적으로 분석 가능함을 입증하였다.
• E와 Z 상태의 포함은 행동 지연과 비참여를 반영함으로써 기존 모델에서 간과하는 요소들을 보완하여 모델 정확도를 향상시켰다.