Tänk på alla falska rykten som gick viralt om COVID-19 – det blev så illa, Världshälsoorganisationen kallade det en "infodemi". Oavsett om det är i bluff eller en viral konspirationsteori, information färdas snabbt nu för tiden. Hur snabbt och långt informationen rör sig beror på vem som delar den, och var, från diskussioner på sociala medier till samtal med medpendlare på väg till jobbet.

Så, hur kan vår interaktion och deras infrastruktur påverka spridningen av rykten och information? Det är en fråga som forskare börjar svara på med komplexa matematiska modeller för social smitta, konceptet att socialt beteende och idéer sprids som en patogen.

"Grejen med social smitta är att det är som en tråd av någon typ av beteende, eller en idé, eller information, säger Jessica Davis, en tredjeårs doktorand vid Northeastern's Network Science Institute.

Davis ledde nyligen en studie som använder matematiska ekvationer för att modellera hur rykten och information sprids i olika typer av miljöer.

I en tidning som publicerades i måndags Naturfysik , Davis team beskrev ett nytt sätt att införliva aspekter av hur information delas i den fysiska världen i sina beräkningar – som människors pendling till jobbet och de onlinegrupper de interagerar med – som kan påverka hur information sprids.

Modellen lägger grunden för mer realistiska sätt att studera hur information färdas, Säger Davis.

"Dessa modeller kan användas för att peka ut olika strukturella, social, och andra faktorer, " hon säger, "som normalt inte tas med i beräkningen när man tänker på hur information sprids."

Alessandro Vespignani, Sternberg Family Distinguished University Professor i fysik, datavetenskap, och hälsovetenskap, säger att införandet av sådana realistiska funktioner är avgörande för att exakt modellera hur information sprids i realtid. Vespignani, en medförfattare till studien, har också modellerat spridningen av covid-19-utbrottet.

"Studien öppnar vägen till mer realistisk modellering av spridningen av information och desinformation som tar hänsyn till de sociala nätverkens geografiska och sociala struktur, " han säger.

Teamets metod för att modellera hur information sprids bland människor är baserad på liknande ansträngningar från Vespignani och andra forskare för att modellera hur infektionssjukdomar sprids, och drar fördel av data som redan finns tillgängliga från epidemiologiska studier.

"Vi har mycket mer data i världen nu, och vi kan använda det för att förstå hur saker och ting sprider sig, " säger Davis. "Vi har människor som använder transportnätverk, personer som använder Google, Twitter, och andra sociala medier, för att få en förståelse för hur en sjukdom sprider sig."

Davis och hennes team använde också en klassisk modell för ryktesspridning som grund för sin modell. Det tillvägagångssättet, känd som Maki-Thompson-modellen, faktorer hos människor som sprider sig, ignorera, och avstå från att sprida ryktet. Alla dessa individer speglar funktionen hos infekterade, mottaglig, och tillfrisknande människor i modeller av sjukdomar och infektioner.

I deras studie, teamet testade hur människors förmåga att röra sig och resa i Europa kan påverka spridningen av ett rykte. Andra tester inkluderade modeller som är begränsade till onlinedatabaser för att simulera hur information genomsyrar olika akademiska discipliner. Tanken är att beräkna den tipppunkt vid vilken rykten och information blir virala.

"Vi skriver ner en uppsättning ekvationer, och vi kan lösa denna tröskel, " säger Davis. "Det är en funktion av både ryktesmodellens parametrar, samt strukturen på detta nätverk."

Dessa ekvationer är vad sociala smittsmodeller behöver för att vara så insiktsfulla som de kan vara, säger Davis.

Och, i det långa loppet, det är vad som skulle kunna få nätverksforskare att modellera spridningen av information i den verkliga världen med mer precision, inklusive de roller som olika grupper av människor spelar.

"Vissa typer av information som sprids i tonåren kanske inte påverkar den äldre befolkningen, " säger Davis. "Om vi ​​kunde förstå vem som påverkas av den informationen, som kan hjälpa oss eller kanske hjälpa sociala medier att övervaka eller få en bättre förståelse för vem som har påverkats av denna information."