[论文解读] 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 5

一句话总结

本文提出了一种新颖的建模框架，使用非线性偏微分方程（NLPDEs）和非线性常微分方程（NLODEs）来模拟Twitter上埃博拉相关资讯的传播。通过将推文和转发视为时间序列的马尔可夫链，并应用Kurtz定理，作者推导出能够捕捉流行病样动态的平均场常微分方程近似，证明四参数模型能准确拟合真实的埃博拉梗传播数据，为公共卫生决策提供可操作的见解。

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.

研究动机与目标

• 使用数学流行病模型对埃博拉疫情期间社交媒体上信息传播的时空动态进行建模。
• 通过将社交媒体动态与连续时间微分方程相结合，应用随机过程理论对推文序列进行分析。
• 开发一个四参数模型，以高精度拟合现实世界中埃博拉相关梗传播的数据。
• 为决策者提供预测工具，以理解并控制与疾病相关的错误信息或意识传播活动。
• 通过实证Twitter数据和埃博拉相关梗的准确性度量，验证模型的预测能力。

提出的方法

• 将推文和转发建模为时间序列马尔可夫链（TSMC），以表示Twitter上的信息流动。
• 应用Kurtz定理，证明在N趋于无穷大时，TSMC路径收敛于常微分方程系统（NLODEs）的解。
• 从随机动力学推导出NLODE系统，其中参数代表推文和转发速率。
• 制定一个改进的四参数模型，以拟合来自Twitter的埃博拉相关梗的实证数据。
• 通过对接收信息传播速率的约束，生成NLODE系统的不同版本。
• 通过使用定量准确性度量将模拟动力学与真实Twitter数据进行比较，验证模型。

实验结果

研究问题

• RQ1 如何使用非线性偏微分方程和常微分方程对传染病爆发期间社交媒体上的信息传播进行建模？
• RQ2 在大样本量极限下，时间序列推文动态在多大程度上近似于确定性常微分方程系统的解？
• RQ3 四参数NLODE模型能否准确再现Twitter上埃博拉相关梗的传播模式？
• RQ4 不同的推文和转发速率如何影响所推导的NLODE系统的结构与行为？
• RQ5 此类模型能为公共卫生官员管理与疾病相关的信息传播提供哪些见解？

主要发现

• 在Kurtz定理的条件下，Twitter交互的TSMC模型收敛于NLODE系统，验证了使用确定性常微分方程作为近似方法的合理性。
• 改进的四参数NLODE模型成功拟合了真实的埃博拉相关梗数据，表现出强大的预测准确性。
• 该模型捕捉到了流行病样信息传播的关键特征，包括传播峰值和衰减阶段，适用于多个埃博拉相关梗。
• 对接收信息传播速率的约束导致了不同的动力学状态，显示出对用户参与模式的敏感性。
• 所得到的方程组保留了原始随机推文动态的关键特性，从而支持可靠的大型规模模拟。
• 该框架提供了一种可扩展、数学基础坚实的工具，可用于预测和分析社交媒体上与疾病相关的信息传播。