[論文レビュー] Using an Epidemiological Model to Study the Spread of Misinformation during the Black Lives Matter Movement

Maryam Maleki, Esther Mead+2 more|arXiv (Cornell University)|Mar 22, 2021

Misinformation and Its Impacts参考文献 24被引用数 13

ひとこと要約

本論文は、2020年3月のブラック・ライブズ・マター運動中にX（旧Twitter）で発生した特定の誤情報イベント「#DCblackout」の拡散を研究するため、感受性（S）、潜伏（E）、感染（I）、懐疑的（Z）を組み合わせたSEIZ（Susceptible, Exposed, Infected, Skeptics）疫学的モデルを提案する。'Exposed'（潜伏）および'Skeptics'（懐疑的）の状態を組み込むことで、遅延した関与と関与しない行動を捉え、誤情報の動態が疫学的フレームワークを用いて効果的にモデル化可能であることを示し、早期検出および制御戦略の立案に役立つ知見を提供する。

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.

研究の動機と目的

• 政治的に揺れる出来事の際、ソーシャルメディア上で誤情報が拡散するメカニズムを理解すること。
• レアリティやフェイクニュースとは異なる、特定の誤情報イベントをモデル化する分野におけるギャップを埋めること。
• SIRモデルに拡張された状態（'Exposed'および'Skeptics'）を組み込んだ疫学的モデルの有効性を評価し、現実の誤情報動態を捉える能力を検証すること。
• X（旧Twitter）のようなプラットフォームにおける誤情報拡散の特定および制御のための数学的枠組みを提供すること。

提案手法

• SEIZ区分モデルの適応—伝統的なSIRモデルに 'Exposed'（E）および 'Skeptics'（Z）の状態を追加することで拡張。
• 2020年3月の#DCblackoutハッシュタグに関連する実際のX（旧Twitter）データにSEIZモデルを適用。
• リツイートとユーザーエンゲージメントの時間的データを用いてモデルのキャリブレーションを行い、伝播率および遷移率を推定。
• リツイートの遅延を反映するため、'Exposed'状態を用いてユーザー行動の時間遅延を組み込む。
• 非関与または批判的評価を示すために、'Skeptics'状態を用いて、誤情報にさらされたが反応しないユーザーを表現。
• 観察されたリツイートカスケードとモデルの適合度を統計的に分析し、モデルの予測精度を検証。

実験結果

リサーチクエスチョン

• RQ1 SEIZモデルは、現実の出来事におけるX（旧Twitter）での誤情報拡散の時間的ダイナミクスをどのように捉えているか？
• RQ2 'Exposed'および'Skeptics'状態は、誤情報に対する遅延関与および非関与をモデル化する上でどのような役割を果たしているか？
• RQ3 SEIZモデルは、#DCblackoutのような特定の誤情報事例を、広範なレアリティやフェイクニュースのカテゴリーとは明確に区別して効果的に表現できるか？
• RQ4 'Exposed'および'Skeptics'状態の導入により、標準SIRモデルに比べてどの程度モデルの正確性が向上しているか？

主な発見

• SEIZモデルは、観察されたリツイートデータと強い適合度を示し、#DCblackout誤情報事例のX（旧Twitter）上での拡散を効果的に捉えている。
• 'Exposed'状態は、誤情報にさらされてからリツイートするまでの遅延を、実際のユーザー行動を反映して効果的にモデル化している。
• 'Skeptics'状態は、誤情報にさらされたが関与しないユーザーの大きな割合を捉えており、メディアリテラシーまたは批判的評価の非軽視可能な水準を示している。
• モデルは、特定の出来事に起因する誤情報に対しても、疫学的フレームワークを用いて効果的に分析可能であることを示している。
• EおよびZ状態の導入により、標準モデルが無視する行動の遅延および非関与を考慮でき、モデルの正確性が向上している。