Impact of information dissemination and behavioural responses on epidemic dynamics: A multi-layer network analysis
Notice bibliographique
Résumé
Network models adeptly capture heterogeneities in individual interactions, making them well-suited for describing a wide range of real-world and virtual connections, including information diffusion, behavioural tendencies, and disease dynamic fluctuations. However, there is a notable methodological gap in existing studies examining the interplay between physical and virtual interactions and the impact of information dissemination and behavioural responses on disease propagation. We constructed a three-layer (information, cognition, and epidemic) network model to investigate the adoption of protective behaviours, such as wearing masks or practising social distancing, influenced by the diffusion and correction of misinformation. We examined five key events influencing the rate of information spread: (i) rumour transmission, (ii) information suppression, (iii) renewed interest in spreading misinformation, (iv) correction of misinformation, and (v) relapse to a stifler state after correction. We found that adopting information-based protection behaviours is more effective in mitigating disease spread than protection adoption induced by neighbourhood interactions. Specifically, our results show that warning and educating individuals to counter misinformation within the information network is a more effective strategy for curbing disease spread than suspending gossip spreaders from the network. Our study has practical implications for developing strategies to mitigate the impact of misinformation and enhance protective behavioural responses during disease outbreaks. ⋅ Adopting information-based protection is more effective than neighbourhood-based protection in mitigating disease spread, particularly when transmission rates are high. ⋅ Warning or educating individuals within the information network is more effective in reducing the overall attack rate than suspending gossip spreaders. ⋅ Hyper-edge multi-layer networks offer a comprehensive framework for connecting the virtual and physical dynamics of disease information and transmission.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».