論文の概要: Integrating Persuasion Theory into the Epidemiological Modelling of Health Misinformation Spread on Social Media

• arxiv url: http://arxiv.org/abs/2608.15689v1
• Date: Sun, 16 Aug 2026 11:34:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.392107
• Title: Integrating Persuasion Theory into the Epidemiological Modelling of Health Misinformation Spread on Social Media
• Title（参考訳）: ソーシャルメディア上での健康情報拡散の疫学モデルへの説得理論の統合
• Abstract要約: 本研究では,ソーシャルメディア上での健康情報拡散をシミュレートする,ハイブリッドな疫学的・行動的枠組みを提案する。 従来のSIRモデルからSIRMMM(Misinformed Susceptible)、MI(Misinformed Infected)、MR(Misinformed Recovered)の6成分構造に拡張した。 その結果,EMM-SIRMMMモデルにより予測精度と動的リアリズムが向上することが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a hybrid epidemiological and behavioural framework to simulate the spread of health misinformation on social media. We extend the classical Susceptible--Infected--Recovered (SIR) model to a six-compartment structure (SIRMMM), incorporating Misinformed Susceptible (MS), Misinformed Infected (MI), and Misinformed Recovered (MR) compartments to better reflect the dynamics of the misinformation lifecycle. To account for individual-level behavioural variation, we extend the SIRMMM model by integrating psychological signals from the Elaboration Likelihood Model (ELM), including sentiment polarity, engagement metrics, and cognitive effort, which dynamically modulate the misinformation transmission rate, yielding the ELM-SIRMMM framework. Model parameters were estimated using the FibVID dataset, which captures COVID-19 misinformation on Twitter. Generalisability was tested on two additional datasets: MC-Fake (emotional misinformation) and Monant (general health misinformation). Results show that the ELM-SIRMMM model enhances both predictive accuracy and dynamic realism. On FibVID, it decreases RMSE by 5.5%, delays the misinformation peak from day 150 to day 160, and increases its peak prevalence from 6% to 7%. On MC-Fake, it accurately reproduces a flash-rumour pattern, infecting 38% of users by day 45 and achieving 97% misinformation recovery, all while maintaining model accuracy. In contrast, minimal behavioural signal variability in the Monant dataset leads to marginal benefit, with only a 3% peak and 57% of users remaining susceptible. These findings suggest that structural elaboration alone is insufficient. Functional realism in modelling misinformation spread requires dynamic psychological inputs that vary meaningfully across time and contexts.
• Abstract（参考訳）: 本研究では,ソーシャルメディア上での健康情報拡散をシミュレートする,ハイブリッドな疫学的・行動的枠組みを提案する。 我々は,従来のSIRモデルを6成分構造(SIRMMM)に拡張し,誤情報ライフサイクルのダイナミクスをよりよく反映するために,MI(Misinformed Susceptible),MI(Misinformed Infected),MR(Misinformed Recovered)コンパートメントを組み込んだ。 個人レベルの行動変動を考慮し,感情極性,エンゲージメント指標,認知的努力などの心理信号を統合することでSIRMMMモデルを拡張し,誤情報伝達率を動的に調整し,EMM-SIRMMMフレームワークを実現する。 モデルパラメータは、Twitter上の新型コロナウイルスの誤報をキャプチャするFibVIDデータセットを使用して推定された。 MC-フェイク(情緒的誤報)とモナント(一般健康誤報)の2つの追加データセットで一般性試験を行った。 その結果,EMM-SIRMMMモデルにより予測精度と動的リアリズムが向上することが示唆された。 FibVIDではRMSEを5.5%減少させ、誤報ピークを150日から160日まで遅らせ、ピークの頻度を6%から7%に上昇させる。 MC-Fakeでは、フラッシュ噂パターンを正確に再現し、45日目までに38%のユーザーが感染し、97%の誤情報回復を達成した。 対照的に、Monantデータセットの行動信号の最小変数は、3%のピークと57%のユーザが影響を受けない限界的なメリットをもたらす。 これらの結果から, 構造的工法だけでは不十分であることが示唆された。 誤情報拡散のモデル化における機能的リアリズムは、時間や文脈によって有意に変化する動的な心理的入力を必要とする。

関連論文リスト

• Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data [119.14301046837822]
  データ繰り返しにおいて、Mixture-of-Experts(MoEs)はより高速に劣化することを示す。 データが64回以上繰り返された場合でも、MoEは高密度モデルより優れている。 高繰り返し状態におけるMoE過剰適合と相関する内部機構を解析した。
  論文  参考訳（メタデータ） (2026-09-10T17:57:33Z)
• Structural MRI Synthesis for Alzheimer's Disease via Conditional Diffusion on Anatomical Masks [0.0]
  アルツハイマー病(AD)の高次構造MRIデータは, 微妙な, 地域固有の, 進歩的な解剖学的変化のため, いまだに困難である。 我々は,MDD-DDPM条件拡散モデルを拡張し,ADに合わせて3次元構造MRIを生成する。
  論文  参考訳（メタデータ） (2026-06-16T18:01:41Z)
• The Epi-LLM Framework: probing LLM behavioral priors through epidemiological agent-based models [0.0]
  本稿では,エージェントベースのモデリング,実生活のエピガメ,大規模言語モデルの新たな統合であるEpi-LLMフレームワークを紹介する。 4 つの異なるアーキテクチャにまたがる LLM 薬剤はピークの能動感染を減少させることがわかった。 二項一般化線形モデルは、健康の重大さが検疫行動の最も強い予測因子であることを示した。
  論文  参考訳（メタデータ） (2026-06-01T20:31:06Z)
• Advanced Health Misinformation Detection Through Hybrid CNN-LSTM Models Informed by the Elaboration Likelihood Model (ELM) [0.43695508295565777]
  本研究では,ソーシャルメディア上での誤情報検出を促進するために,ELM(Elaboration Likelihood Model)を適用した。 本モデルは,EMMに基づく特徴を統合することにより,誤情報分類の検出精度と信頼性を向上させることを目的としている。 改良されたモデルは精度97.37%、精度96.88%、リコール98.50%、F1スコア97.41%、ROC-AUC99.50%を達成した。
  論文  参考訳（メタデータ） (2025-07-12T05:44:06Z)
• Early Diagnosis of Alzheimer's Diseases and Dementia from MRI Images Using an Ensemble Deep Learning [0.7510165488300369]
  アルツハイマー病(英語: Alzheimer's Disease, AD)は、認知障害や認知失調を引き起こす進行性神経疾患である。 本研究では,ADの初期段階を正確に検出するために,IR-BRAINNETとModified-DEMNETの2つのCNNを提案する。 また、CNN間のばらつきを低減し、AD検出を向上させるために出力を平均化するアンサンブルモデルも導入した。
  論文  参考訳（メタデータ） (2024-12-07T14:27:41Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
  変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。 ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
  論文  参考訳（メタデータ） (2024-05-13T17:49:20Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。