DOI: https://doi.org/10.1038/s44260-025-00038-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40190382
تاريخ النشر: 2025-04-02
المؤلف: Matthew DeVerna وآخرون
الموضوع الرئيسي: المعلومات المضللة وتأثيراتها
طرق
في هذه الدراسة، تم استخدام مجموعة بيانات CoVaxxy لتحليل النقاشات على تويتر حول لقاحات COVID-19. تم جمع البيانات في الوقت الحقيقي من خلال واجهة برمجة تطبيقات تويتر، باستخدام مجموعة مختارة من حوالي 80 كلمة مفتاحية باللغة الإنجليزية مشتقة من بذور أولية مثل “كوفيد” و”لقاح” باستخدام تقنية أخذ العينات الثلجية. تم تأكيد صلة التغريدات من خلال ملاحظة أن أكثر من 90% من التغريدات في عام 2021 تضمنت على الأقل واحدة من الكلمات المفتاحية الثلاث الأكثر شيوعًا: “لقاح”، “تطعيم”، أو “تطعيم”.
لتحديد موقع المستخدمين، تم استخدام مكتبة كارمن بايثون، مستفيدة من بيانات الموقع المبلغ عنها ذاتيًا من ملفات تعريف المستخدمين. حددت هذه العملية 2,047,800 مستخدم عبر جميع الولايات الخمسين في الولايات المتحدة، الذين شاركوا معًا 25,806,856 تغريدة. قامت الدراسة ببناء شبكة معلومات من الحسابات في 341 مقاطعة تحتوي على أكثر من 200 مستخدم لكل منها. تم تقييم التوجه السياسي باستخدام قائمة مصادر أخبار موثقة من طرف ثالث، حيث تم تصنيف الحسابات كجمهورية أو ديمقراطية بناءً على المصادر المشتركة. بالنسبة للحسابات التي لا تحتوي على روابط مشتركة، تم تطبيق خوارزمية انتشار التسمية لاستنتاج التوجه السياسي من شبكات إعادة التغريد. تم تحديد المعلومات المضللة على مستوى المصدر، مع تصنيف التغريدات التي ترتبط بمصادر ذات مصداقية منخفضة (تسجل أقل من 60 وفقًا لـ NewsGuard) على أنها تنشر معلومات مضللة، وهي طريقة مدعومة بالأدبيات الموجودة.
نتائج
في هذه الدراسة، تم تطوير نموذج متعدد المستويات قائم على الوكلاء للتحقيق في تأثير المعلومات المضللة على انتشار الأوبئة، باستخدام بيانات من مناقشات تويتر حول لقاحات COVID-19. يدمج النموذج شبكة انتشار المعلومات، المشتقة من أكثر من 26 مليون تغريدة من أكثر من 2 مليون مستخدم أمريكي، مع شبكة تواصل تعكس التفاعلات في العالم الحقيقي. تحدد الأبحاث الأفراد المضللين بناءً على تفاعلهم مع المعلومات المضللة وتستخدم نموذج العتبة الخطية لمحاكاة كيفية تأثير التعرض للمعلومات المضللة على قابلية الأفراد لأن يصبحوا مضللين بأنفسهم. يعمل معامل العتبة، $\phi$، كمقياس للمرونة تجاه المعلومات المضللة، مما يؤثر على معدل تحويل الأفراد العاديين إلى مجموعة المضللين.
تكشف النتائج أن مستويات مختلفة من $\phi$ تؤثر بشكل كبير على حجم السكان المضللين وديناميات انتشار المرض. على سبيل المثال، مع عتبة مرونة منخفضة ($\phi = 1$)، يتنبأ النموذج بزيادة قدرها ستة أضعاف في الإصابات في أوقات الذروة مقارنةً بسيناريو مرونة عالية ($\phi = 20$)، حيث يكون الالتزام بإرشادات الصحة العامة أقوى. يؤدي التأثير التراكمي للمعلومات المضللة إلى زيادة نسبية قدرها 32% في الإصابات على مدار فترة الوباء. تؤكد الدراسة أيضًا على قوة هذه النتائج عبر أحجام عينات وسيناريوهات مختلفة، مما يبرز الدور الحاسم للمعلومات المضللة في الأزمات الصحية العامة وضرورة وجود استراتيجيات تواصل فعالة للتخفيف من تأثيرها.
نقاش
يسلط النقاش الضوء على التأثير الكبير للمعلومات الصحية المضللة عبر الإنترنت على سلوكيات الصحة العامة، وخاصة تردد اللقاح والرفض، مما يمكن أن يزيد من انتشار الأمراض. باستخدام محاكاة وبائية على نطاق واسع تستند إلى بيانات تجريبية، تظهر الدراسة أن التعرض للمعلومات المضللة يمكن أن يعزز معدل الإصابة الذروة بمقدار ستة أضعاف ويسرع من بدايته بمقدار أسبوعين، مما قد يؤدي إلى إصابة 14% إضافية من السكان. وهذا يعادل ما يقرب من 47 مليون أمريكي وتكلفة رعاية صحية تقدر بأكثر من 143 مليار دولار مرتبطة بـ COVID-19. تؤكد النتائج على الحاجة الملحة للسلطات الصحية العامة ومنصات وسائل التواصل الاجتماعي لمعالجة المعلومات المضللة حول اللقاحات، على الرغم من التحديات الكامنة في تصميم وسائل التواصل الاجتماعي.
تستخدم الأبحاث نموذجًا قائمًا على الوكلاء لمحاكاة ديناميات المرض داخل شبكة تواصل مشتقة من بيانات الحركة، مع الأخذ في الاعتبار أيضًا تأثيرات التجانس بين الأفراد المضللين. يكشف تقريب المجال المتوسط أنه بينما قد يحمي زيادة التجانس المواطنين العاديين، إلا أنه يمكن أن يرفع في الوقت نفسه معدلات الإصابة داخل مجموعة المضللين. تشمل قيود الدراسة افتراض وجود رابط سببي بين المعلومات المضللة والسلوكيات المتهورة، واستخدام بيانات إعادة التغريد كبديل للروابط الاجتماعية، وتبسيط سلوكيات الأفراد إلى فئتين متميزتين. يجب أن تهدف الأبحاث المستقبلية إلى تحسين هذه النماذج من خلال دمج العوامل المعرفية التي تؤثر على قبول المعلومات المضللة واستكشاف تفاعلات أكثر تعقيدًا داخل السكان.
DOI: https://doi.org/10.1038/s44260-025-00038-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40190382
Publication Date: 2025-04-02
Author(s): Matthew DeVerna et al.
Primary Topic: Misinformation and Its Impacts
Methods
In this study, the CoVaxxy dataset was utilized to analyze Twitter discourse surrounding COVID-19 vaccines. Data was collected in real-time through the Twitter API, employing a curated set of nearly 80 English-language keywords derived from an initial seed of “covid” and “vaccine” using a snowball sampling technique. The relevance of the tweets was confirmed by observing that over 90% of tweets in 2021 included at least one of the three most common keywords: “vaccine,” “vaccination,” or “vaccinate.”
To geolocate users, the Carmen Python library was employed, utilizing self-reported location metadata from user profiles. This process identified 2,047,800 users across all 50 U.S. states, who collectively shared 25,806,856 tweets. The study constructed an information network from accounts in 341 counties with more than 200 users each. Political alignment was assessed using a third-party annotated news source list, categorizing accounts as Republican or Democrat based on shared sources. For accounts without shared links, a label-propagation algorithm was applied to infer political alignment from retweet networks. Misinformation was identified at the source level, labeling tweets linking to low-credibility sources (scoring below 60 as per NewsGuard) as spreading misinformation, a method supported by existing literature.
Results
In this study, a multi-level, agent-based model was developed to investigate the impact of misinformation on the spread of epidemics, specifically using data from Twitter discussions about COVID-19 vaccines. The model integrates an information diffusion network, derived from over 26 million tweets by more than 2 million U.S. users, with a contact network reflecting real-world interactions. The research identifies misinformed individuals based on their engagement with misinformation and employs a linear threshold model to simulate how exposure to misinformation influences individuals’ susceptibility to becoming misinformed themselves. The threshold parameter, $\phi$, serves as a measure of resilience to misinformation, affecting the conversion rate of ordinary individuals to the misinformed group.
The findings reveal that varying levels of $\phi$ significantly influence the size of the misinformed population and the dynamics of disease spread. For instance, with a low resilience threshold ($\phi = 1$), the model predicts a six-fold increase in infections at peak times compared to a high resilience scenario ($\phi = 20$), where adherence to public health guidelines is stronger. The cumulative effect of misinformation leads to a 32% relative increase in infections over the course of the epidemic. The study also confirms the robustness of these results across different sample sizes and scenarios, highlighting the critical role of misinformation in public health crises and the necessity for effective communication strategies to mitigate its impact.
Discussion
The discussion highlights the significant impact of online health misinformation on public health behaviors, particularly vaccine hesitancy and refusal, which can exacerbate disease spread. Utilizing large-scale epidemic simulations based on empirical data, the study demonstrates that exposure to misinformation can amplify the peak infection rate by a factor of six and accelerate its onset by two weeks, potentially resulting in an additional 14% of the population becoming infected. This translates to nearly 47 million Americans and an estimated healthcare cost of over $143 billion associated with COVID-19. The findings underscore the urgent need for public health authorities and social media platforms to address vaccine misinformation, despite the challenges inherent in social media design.
The research employs an agent-based model to simulate disease dynamics within a contact network derived from mobility data, while also considering the effects of homophily among misinformed individuals. The mean-field approximation reveals that while increased homophily may protect ordinary citizens, it can simultaneously elevate infection rates within the misinformed group. Limitations of the study include the assumption of a causal link between misinformation and risky behaviors, the use of retweet data as a proxy for social connections, and the simplification of individual behaviors into two distinct categories. Future research should aim to refine these models by incorporating cognitive factors influencing misinformation acceptance and exploring more complex interactions within the population.