这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布,该协议允许在任何媒体上不受限制地使用、分发和复制,前提是要正确引用最初发表在《医学互联网研究杂志》上的原始作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物链接,以及版权和许可信息。
在COVID-19大流行等快速演变的公共卫生危机中,可以在一个社交媒体平台上连续发布多条相关信息。后续发布时间之间的间隔可能会对新旧信息的传输和交叉传播产生不同的影响,导致新信息转发用户的峰值和最终规模不同,这取决于内容相关性以及新信息是在旧信息的爆发阶段还是准稳态阶段发布的。
本研究旨在帮助设计有效的沟通策略,以确保信息传递给最大数量的用户。
我们建立并分析了两类具有传播延迟的敏感转发免疫信息传播模型,以描述相关信息的交叉传播过程。每个具有高影响力的意见领袖频繁发布的典型信息转发量为28661条(数据采集截止2020年2月19日)。将信息处理成频率为10分钟的离散点,通过模型数值模拟对真实数据进行拟合。进一步分析了参数对信息传播和出版策略设计的影响。
当前疫情疫情、防疫等权威信息,公众无法及时有效浏览。巧妙利用信息发布间隔,可以有效增强信息之间的互动,实现信息的有效扩散。我们使用新浪微博的真实数据对模型进行参数化,并使用参数化模型定义和评估相互吸引力指数,并使用这些指数和参数敏感性分析为新信息在微博中有效传播提供最佳策略。参数分析结果表明,使用不同的吸引力指数作为关键参数可以控制不同发布间隔的信息传播,因此被认为是信息传播策略设计中的关键环节。同时,通过指标评价分析了信息的动态过程。
我们的模型可以对不同发布间隔的信息进行精确的数值模拟,通过构建指标体系实现信息传递的动态评价,为政府决策提供理论支持和战略建议。本研究优化信息发布策略,以最大化传播力度,向公众传递关键公共卫生信息,为突发公共卫生事件管理提供更好的效果。
在缺乏有效治疗或疫苗的情况下,减少COVID-19在人群中的传播的成败在很大程度上取决于社交距离、自我保护、病例发现、隔离、隔离和检测的有效性。这些非药物干预措施的有效性取决于社区居民的积极参与和参与,而社区居民的积极参与和参与在很大程度上受到公众舆论的影响。鉴于疾病传播时间短,翻倍时间短,向社区传播关键公共卫生信息的时机(因此是时间滞后)对公众遵守非药物措施的结果,并最终对疫情缓解的结果产生深远影响。在不同的时间点进入社交媒体的相关的、有时是不一致的信息的交叉传播,为有效沟通增加了挑战。这需要制定一项战略,在快速演变的大流行期间优化在社交媒体上发布关键信息的时机。
3条与新冠肺炎疫情相关的信息在新浪微博上按顺序交叉传播
一般来说,在适当的时间滞后后发布相关信息,可以提高一组信息交叉传播的传播效率,从而吸引社交媒体用户对公共热点事件的兴趣。这是一个重要的研究课题;本研究的主要目的是了解信息交叉传播的动态,为在突发公共卫生事件中以适当的时间顺序发布相关信息提供最佳策略,以确保它们最大程度地相互作用,以有效地共同促进。
据我们所知,还没有开发和分析合适的模型框架来检查信息交叉传播动态对随后发布的一组相关信息的影响。在这里,我们试图通过提出一个具有时滞发布和传输的敏感转发免疫模型来填补这一空白。我们开发并说明了这个框架,并通过使用代表公众对一些关于COVID-19大流行意见的关注的转发量对我们的模型进行了参数化。我们的重点是按顺序发布的几条信息之间的动态交互,我们的目的是检验不同发布时间点之间的时滞对交叉传播的演化和稳态的影响。
在信息传播动力学领域,谣言的传播与病原体在人群中的传播有很强的相似性[
互联网的发展和社交媒体的丰富要求进一步扩展传统模型,以反映新的传播机制并利用来自多个平台的数据。谷和蔡[
疾病传播中的交叉传播研究对研究信息的交叉传播具有重要意义。冯等人[
与上述研究相比,这里我们考虑了这样一种现象:在社交媒体上发布的一条信息的不同传播阶段,其他信息也会被发布,它们在上下文和发布时间序列的相关性结合在一起,为每条信息产生爆发,更重要的是,交叉传播,一条信息的用户转发他们随后接触到的其他信息。我们开发了两类动态传播模型,分别关注顺序发布的信息在爆炸性和准稳态期间的单信息传输和多信息交叉传播模式。我们的目的是着重考察不同的信息参与群体对来自参与群体的信息传播的影响。因为转发过的人群,无论是否接触过相关的发布信息,通过介绍和分析的影响,对新信息的吸引力是不同的
我们提出的大间隔延迟传播易感转发免疫(LTI DT-SFI)动力学模型的结构如图所示
信息交叉传播的示意图,即在已发布信息的准稳态期间发布一条新信息。
基于传统的易感-转发-免疫[
因此,在我们的模型中,我们对人群(
阶段1中不同群体的状态转换可以解释为:一个活跃的转发用户将接触平均数量的
为了进行数据拟合,我们注意到新浪微博提供了任何一条与COVID-19相关的信息的重要数据,累计转发量的数量,由:
现在我们认为一条新信息是在某个时间发布的
因此,我们引入人口的三种状态(
p2:暴露用户转发新发布信息的概率。
每个用户都可能有一个唯一的状态
阶段2的群体行为可以解释为:一个活跃的转发用户将联系平均数量的
新发布信息的转发量由:
由于新发布的微博开始时间不同,在先验信息的影响下发展也不同,我们将信息再生产率定义为:
这是2个用户每次通过引入典型信息2个用户而生成的信息总数
文中给出了基于转发量的传播敏感-转发-免疫(STI DT-SFI)动态综合短间隔延迟模型
说明信息传播的示意图,当新发布信息的发布时间处于发布信息的爆发期时。
该模型与LTI DT-SFI模型第一阶段的模型一致。
考虑到新信息是在旧信息爆发期间发布的,我们建立了第2阶段模型来描述两个相关信息的并发动态过程。我们考虑了处于活跃转发状态或活跃期外免疫状态的种群与处于第一个(旧)条信息的直接免疫状态的种群之间的差异。在这里,我们设置了以下索引:
假设用户数(
每个用户都可能有一个唯一的状态
阶段2的群体行为可以解释为:一个活跃的转发用户将联系平均数量的
新发布信息的转发量由:
考虑第2阶段的初始条件,我们可以得到如下民意再生产率
同样地,
新冠肺炎疫情发生以来,相互关联的密集信息频繁发布。
同一个原帖子主在同一主题下连续发布两个相关信息是一种常见现象。重要的是,在旧(旧)信息传播过程中,不同的新信息进入时间对相关民意的交叉传播和交叉促进作用不同。在这里,我们关注那些接触过某个发布信息的用户,这些信息可能对新的相关信息有特殊的兴趣,因此容易受到影响。这与谣言的传播和其他传统的公共热点事件有着显著的区别。我们的信息交叉传播DT-SFI模型,包括STI DT-SFI动力学模型和LTI DT-SFI动力学模型,是为了考虑相关信息在爆发期间或在之前发布的(旧)信息的准稳态期间发布的情况而开发的。
中国新冠肺炎疫情爆发初期,微博十大意见领袖转发新冠肺炎舆情量的气泡图。
累计转发三条信息的数量。
2020年2月2日上午8时41分,A累计转发量。
时间 | A转发量,n |
0分钟 | 47 |
10分钟 | 597 |
20分钟 | 940 |
30分钟 | 1208 |
40分钟 | 1458 |
50分钟 | 1691 |
60分钟 | 1937 |
70分钟 | 2182 |
80分钟 | 2477 |
90分钟 | 2952 |
100分钟 | 3461 |
110分钟 | 3917 |
2 h | 4390 |
3 h | 6366 |
4 h | 7501 |
5 h | 8281 |
6小时 | 8846 |
7小时 | 9293 |
8 h | 9638 |
9小时 | 9954 |
10 h | 10199年 |
11小时 | 10435年 |
12小时 | 10795年 |
13小时 | 11138年 |
14小时 | 11459年 |
15小时 | 11812年 |
16小时 | 12013年 |
17个小时 | 12088年 |
18 h | 12109年 |
19个小时 | 12119年 |
20 h | 12128年 |
21小时 | 12136年 |
22小时 | 12140年 |
23小时 | 12146年 |
24小时 | 12157年 |
25小时 | 12171年 |
26小时 | 12184年 |
2020年2月2日上午10:41发布的信息B累计转发量。
时间(小时) | 信息B转发量,n |
2 | 15 |
3. | 1281 |
4 | 2615 |
5 | 4013 |
6 | 4817 |
7 | 5322 |
8 | 5685 |
9 | 5932 |
10 | 6052 |
11 | 6152 |
12 | 6264 |
13 | 6317 |
14 | 6380 |
15 | 6401 |
16 | 6423 |
17 | 6434 |
18 | 6447 |
19 | 6454 |
20. | 6455 |
21 | 6456 |
22 | 6458 |
23 | 6460 |
24 | 6461 |
25 | 6465 |
26 | 6471 |
2020年2月2日下午5点51分发布的累计转发量C。
时间(小时) | 信息转发量C, n |
9 | 20. |
10 | 1180 |
11 | 4244 |
12 | 6235 |
13 | 7595 |
14 | 8572 |
15 | 9103 |
16 | 9381 |
17 | 9569 |
18 | 9642 |
19 | 9680 |
20. | 9700 |
21 | 9736 |
22 | 9764 |
23 | 9800 |
24 | 9864 |
25 | 9943 |
26 | 10006年 |
为了用新浪微博的真实数据拟合我们的模型,我们使用最小二乘(LS)方法估计LTI DT-SFI模型参数和初始数据。在阶段1中,参数向量被设置为Θ1= (
在哪里
在哪里
通过比较,新信息在爆发阶段的初始时间与在发布信息的准稳态阶段的初始时间是不同的。当新信息的初始时间处于发布信息的爆发阶段时,平均免疫率的值
信息B和信息C的数据拟合结果。
一些重要参数的值,估计信息B。
参数 | 估计价值 | 标准错误 | 最低 | 最大 |
|
5.6458 × 106 | 81.0304 | 0.0000 | 1.000 × 108 |
|
1.5757 | 0.0427 | 0.0000 | 4.0000 |
|
1.7901 × 104 | 1.7463 × 105 | 0.0000 | 1.0000 |
|
0.0020 | 1.5023 × 104 | 0.0000 | 1.0000 |
信息C的重要参数的估计值。
参数 | 估计价值 | 标准错误 | 最低 | 最大 |
|
7.4439 × 106 | 1.3770 × 103. | 0.0000 | 1.000 × 108 |
|
0.9858 | 0.0993 | 0.0000 | 4.0000 |
|
0.8994 | 0.2829 | 0.0000 | 1.0000 |
|
0.0023 | 0.0023 | 0.0000 | 1.0000 |
|
1.0871 × 104 | 1.2088 × 104 | 0.0000 | 1.0000 |
|
0.2468 | 0.1132 | 0.0000 | 2.0000 |
|
1.9895 | 0.1087 | 0.0000 | 2.0000 |
|
0.5559 | 0.2646 | 0.0000 | 2.0000 |
|
2.9516 × 104 | 1.8597 × 104 | 0.0000 | 1.0000 |
为了利用我们的模型探索定性行为的一些差异,我们使用LS方法估计STI DT-SFI模型参数和我们的模型初始数据。该向量被设置为Θ3.= (
在哪里
在数据拟合中
信息A和信息B的数据拟合结果。
一些重要参数的值,估计信息A。
参数 | 估计价值 | 标准错误 | 最低 | 最大 |
|
5.1682 × 104 | 28.3841 | 0.0000 | 1.000 × 107 |
|
3.9986 | 0.4214 | 0.0000 | 4.0000 |
|
8.2700 × 105 | 1.5673 × 105 | 0.0000 | 1.0000 |
|
0.9823 | 0.1543 | 0.0000 | 1.0000 |
为信息B估计的重要参数值。
参数 | 估计价值 | 标准错误 | 最低 | 最大 |
|
2.1494 × 106 | 208.4607 | 1.000 × 105 | 1.000 × 107 |
|
3.4777 | 0.1360 | 2.5000 | 3.50000 |
|
1.9159 | 0.0706 | 1.5000 | 3.50000 |
|
3.6601 × 104 | 1.1663 × 104 | 0.0000 | 4.0000 × 104 |
|
0.0037 | 7.4426 × 104 | 0.0000 | 0.0040 |
|
0.8184 | 0.0932 | 0.0000 | 1.0000 |
|
6.8834 × 105 | 3.6532 × 105 | 0.0000 | 1.00007.4426 × 104 |
|
0.0406 | 0.0196 | 0.0000 | 0.2000 |
|
0.0109 | 0.0093 | 0.0000 | 0.2000 |
|
0.1868 | 0.0445 | 0.0000 | 0.2000 |
|
0.0091 | 0.0026 | 0.0000 | 0.0200 |
|
0.0788 | 0.0346 | 0.0000 | 0.2000 |
为了对传输延迟进行定性和定量的分析,我们引入了一些附加的指标,如
新发布信息与旧信息交叉传播的一些汇总索引。
为了进一步分析LTI DT-SFI模型的不同参数,我们对部分等级相关系数进行了分析[
PRCC结果和带索引的PRCC散点图
PRCC结果和带索引的PRCC散点图
PRCC结果和带索引的PRCC散点图
PRCC结果和带索引的PRCC散点图
从
从
我们的LTI DT-SFI模型专注于平均曝光率和吸引力指数对瞬时转发种群的影响
平均曝光率对瞬时转发种群的影响
吸引力指数对瞬时转发种群的影响
为了进一步分析STI DT-SFI模型中不同参数对交叉传播动力学的影响,我们使用偏秩相关系数来分析参数的变化范围与影响指标之间的关系。
PRCC结果和带索引的PRCC散点图
PRCC结果和带索引的PRCC散点图
PRCC结果和带索引的PRCC散点图
PRCC结果和带索引的PRCC散点图
平均暴露率
的平均接触率
这里,我们还考虑了平均曝光率和吸引力参数对瞬时转发种群的影响
平均曝光率对瞬时转发种群的影响
吸引力参数对瞬时转发种群的影响
相比之下,
我们基于模型的分析建议如何调整不同的参数,以实现最佳的信息传播结果。对于被相对较长的发布滞后分开的两条相关信息,增加平均曝光率的策略
对于两个发布间隔很短的信息,我们建议开发策略来改变信息之间的交互,以有效地管理我们引入的信息传输指标。如果我们想让转发峰值大的新信息爆发得更快,我们应该提高平均曝光率
说明了新发布的信息在发布信息的准稳态期间具有不同的时滞时的舆论传播过程。
说明了新发布的信息在发布信息的准稳态期间具有不同的时滞时的舆论传播过程。
在COVID-19大流行等快速演变的公共卫生事件中,相关信息往往是按顺序发布的。因此,对交叉传播或共同传播中的延迟影响进行建模,对于确定通过社交媒体传播关键公共信息的最佳策略至关重要。在本研究中,我们提出并检验了两类模型:基于微博转发用户的LTI DT-SFI动态模型和STI DT-SFI动态模型,并使用中国新浪微博中与新冠肺炎疫情相关的真实数据对模型进行了参数化。我们的目的是通过这些参数化模型来了解信息发布的不同时滞对微博中相关信息共传播的影响。
我们的模型的制定关注的是信息在社交网络中的传播机制,在社交网络中,一个新的微博可能处于已经发布的相关微博的不同阶段——爆发阶段或准稳态阶段。我们的目标是研究发布时间对旧信息、新信息峰值和转发用户最终规模的影响。正如我们所展示的,这种影响取决于新旧信息的相关性,以及新信息发布时旧信息传输的阶段。我们希望我们的DT-SFI动态模型填补了优化信息发布策略的一些理论空白,以最大限度地提高沟通力度,向公众传递关键的公共卫生信息,从而更好地实现突发公共卫生事件管理的效果。
传播延迟-易感-向前-免疫
最小二乘
大间隔延迟的传播,易感向前-免疫
susceptible-infected-recovered
短间隔延迟传播易感向前免疫
本研究得到国家自然科学基金(批准号:61801440)、加拿大自然科学与工程研究委员会、加拿大研究主持计划(JW)、中央高校基本科研业务费和北京高校优质前沿学科建设项目(中国传媒大学互联网信息)、媒体融合与传播国家重点实验室、中国传媒大学。
没有宣布。