[论文解读] 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 13

一句话总结

本文提出SEIZ（易感者、潜伏者、感染者、怀疑者）流行病学模型，用于研究2020年3月美国反种族歧视运动期间，Twitter上特定虚假信息事件——#DCblackout——的传播。通过引入‘潜伏者’和‘怀疑者’ compartment，该模型捕捉了延迟参与与不参与行为，表明虚假信息动态可有效通过流行病学框架建模，为早期检测与控制策略提供洞见。

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.

研究动机与目标

• 理解政治敏感事件期间社交媒体上虚假信息传播的驱动机制。
• 填补针对特定虚假信息事件（而非谣言或恶作剧）建模的空白。
• 评估在传统SIR模型基础上增加‘潜伏者’和‘怀疑者’ compartment后，其在捕捉现实世界虚假信息动态方面的有效性。
• 为识别和控制Twitter等平台上的虚假信息传播提供数学框架。

提出的方法

• 对SEIZ分 compartment 模型进行适应性调整——在传统SIR模型基础上增加‘潜伏者’（E）和‘怀疑者’（Z） compartment。
• 将SEIZ模型应用于2020年3月与#DCblackout标签相关的Twitter真实数据。
• 利用转发与用户参与的时间序列数据校准模型，以估计传播率与转移率。
• 通过‘潜伏者’ compartment 建模用户行为的时间延迟，代表接触虚假信息但未立即转发的用户。
• 利用‘怀疑者’ compartment 表征已接触但无响应的用户，反映不参与或批判性评估行为。
• 通过统计分析模型对观测到的转发级联数据的拟合程度，验证模型的预测准确性。

实验结果

研究问题

• RQ1 SEIZ模型如何捕捉在现实事件中Twitter上虚假信息传播的时间动态？
• RQ2 ‘潜伏者’和‘怀疑者’ compartment 在建模虚假信息传播的延迟参与与不参与行为中发挥何种作用？
• RQ3 SEIZ模型能否有效区分并表征特定虚假信息（如#DCblackout）的传播，而非泛化为谣言或恶作剧类别？
• RQ4 与标准SIR模型相比，引入‘潜伏者’和‘怀疑者’ compartment 在多大程度上提升了模型的准确性？

主要发现

• SEIZ模型成功捕捉了Twitter上#DCblackout虚假信息事件的传播，与观测到的转发数据具有高度拟合度。
• ‘潜伏者’ compartment 有效建模了从接触虚假信息到转发之间的时间延迟，反映了真实用户行为。
• ‘怀疑者’ compartment 捕捉了相当大比例的已接触但未参与的用户，表明存在显著的媒介素养或批判性评估水平。
• 该模型表明，即使针对特定、事件驱动的虚假信息，也可通过流行病学框架进行有效分析。
• 通过引入E和Z compartment，模型准确度得以提升，因其考虑了行为延迟与不参与现象，而这些在标准模型中常被忽略。