Yanlış bilgi söz konusu olduğunda “viral olmak” ifadesi yalnızca mecazi bir slogan değildir. Araştırmalar, yanlış bilginin yayılma biçimi ile biyolojik virüslerin yayılması arasında dikkat çekici benzerlikler bulunduğunu göstermektedir.
Yanlış bilginin yayılımını açıklamak için, başlangıçta patojenlerin toplum içinde nasıl yayıldığını incelemek amacıyla geliştirilen matematiksel modellerden yararlanmak mümkündür. Epidemiyolojide kullanılan bu modeller, hastalıkların toplumda hangi koşullarda ortaya çıktığını ve nasıl yayıldığını anlamayı hedefler. Aynı yaklaşım sosyal ağlarda yanlış bilginin dolaşımını incelemek için de uygulanabilir.
Hastalığın yayılmasını matematiksel olarak modelleme girişimlerinin en eski örneklerinden biri 1760 yılında Daniel Bernoulli tarafından yapılmıştır. Bernoulli, çiçek hastalığının yayılımını ve aşılama uygulamalarının etkisini matematiksel olarak inceleyen bir model geliştirmiştir.
Yirminci yüzyılın başlarında bu alanda daha sistemli modeller ortaya çıktı. Bu çerçevede en bilinen modellerden biri SIR modeldir.
SIR Modeli Nedir?
Bu model toplumdaki bireyleri üç temel gruba ayırır: hastalığa duyarlı olanlar (Susceptible), enfekte olanlar (Infected) ve iyileşmiş ya da bağışıklık kazanmış olanlar (Recovered). Model, bireylerin zaman içinde bu gruplar arasında nasıl geçiş yaptığını inceleyerek salgının dinamiğini açıklamaya çalışır.
SIR modeli, bireylerin bu üç grup arasında nasıl hareket ettiğini inceleyerek hastalığın yayılımını simüle eder. Duyarlı bireyler (S), enfekte bireylerle (I) temas ettikçe hastalığa yakalanma riski taşır. Enfekte bireyler (I) ise bir süre sonra iyileşir ya da bağışıklık kazanır ve iyileşmiş bireyler grubuna (R) geçer. Model iki temel parametreye dayanır.
- Bulaşma hızı β, enfekte bir bireyin duyarlı bir bireye hastalığı bulaştırma olasılığını ifade eder. Bu değer arttıkça hastalığın toplum içinde yayılma potansiyeli de artar.
- İyileşme hızı γ ise enfekte bireylerin iyileşerek ve bağışıklık kazanarak iyileşmiş bireyler grubuna geçme hızını gösterir. Başka bir deyişle, enfekte bireylerin ortalama ne kadar sürede bu durumdan çıktığını belirler.
Bu modeller bir dizi diferansiyel denkleme dayanır. Diferansiyel denklemler, bir büyüklüğün zaman içinde nasıl değiştiğini incelemeye yarar. Bu nedenle matematikçiler değişim hızlarını anlamak için bu denklemleri kullanır. Aynı yaklaşımı yanlış bilginin yayılmasını incelemek için de uygulamak mümkündür.
Örneğin sosyal medyada yanlış bilgi bireyden bireye aktarılır. Bazı kişiler bu bilgiye inanır ve onu yaymaya başlar. Böylece “enfekte” hale gelirler. Bazıları ise bu bilgiden etkilenmez ve bağışık kalır. Bazı kişiler de hastalık belirtisi göstermeyen taşıyıcılar gibi davranır. Yanlış bilgiyi farkında olmadan başkalarına aktarırlar ve bundan doğrudan zarar görmeyebilirler.
Yanlış Bilgiyi Önceden Tespit Etmek Psikolojik Aşılamaya Benzer
Bu modeller araştırmacılar için oldukça yararlıdır. Çünkü toplum içindeki yayılma süreçlerini incelemeyi ve farklı senaryoları simüle etmeyi mümkün kılar. Ayrıca temel üreme sayısı olarak bilinen R0 gibi ölçütlerin hesaplanmasına da yardımcı olur. R0 değeri, “enfekte” bir bireyin ortalama kaç yeni kişiye aynı bilgiyi aktardığını gösterir.
Yapılan çalışmalar, birçok sosyal medya platformunda tahmini R0 değerinin 1’den büyük olduğunu göstermektedir. Bu sonuç, yanlış bilginin bu platformlarda salgın benzeri bir biçimde yayılma potansiyeline sahip olduğunu gösterir.
Yanlış bilginin “viral yayılım” benzetmesi yalnızca mecazi bir ifade değildir. Bu benzetme, bilim insanlarının yanlış bilginin nasıl yayıldığını modellemesine ve yayılımı sınırlayacak yöntemleri test etmesine imkân verir. Bu yöntemlerden biri psikolojik aşılama olarak bilinen prebunking yaklaşımıdır.
Bu yöntemde araştırmacılar olası bir yanlış iddiayı önceden tanıtır ve ardından neden yanlış olduğunu açıklar. Amaç, insanların daha sonra karşılaşacakları benzer yanlış bilgilere karşı zihinsel bir bağışıklık geliştirmesidir. Bu yaklaşım, bağışıklık sistemini hazırlamak için virüsün zayıflatılmış bir biçiminin kullanıldığı aşılama fikrine benzer.
Aşağıdaki grafikte, önceden çürütme uygulanmadığında insanların yanlış bilgiye karşı bağışıklık geliştirmesinin çok daha uzun sürdüğü görülür. Bu durum sol panelde turuncu çizgiyle gösterilmiştir.
Sağ panel ise önceden çürütmenin geniş ölçekte uygulanması halinde yanlış bilgilendirilen kişi sayısının nasıl sınırlandırılabildiğini gösterir. Burada da turuncu çizgi yanlış bilginin yayılımını temsil eder.
Sonuç Olarak
SIR modeli, bir popülasyonda salgın hastalıkların nasıl yayılacağını tahmin etmek için kullanılır. Ancak model bazı varsayımlara dayanır. Örneğin tüm bireylerin hastalığa eşit derecede duyarlı olduğunu kabul eder.
Ayrıca popülasyon büyüklüğünün sabit olduğunu varsayar. Yani doğum, ölüm ya da göç gibi süreçleri dikkate almaz. Bu basitleştirmeler nedeniyle model gerçek dünyadaki bazı durumlardan sapabilir. Buna rağmen çoğu durumda salgının genel dinamiklerini anlamak ve doğru yaklaşımlar geliştirmek için yararlı bir çerçeve sunar.
Sahte haberlerin incelenmesinde epidemiyolojik bir yaklaşım benimsemek de benzer bir avantaj sağlar. Elbette hiçbir model kusursuz değildir. Ancak yanlış bilginin yayılmasını sınırlamak istiyorsak önce onun nasıl yayıldığını anlamamız gerekir. Ancak bu şekilde toplumsal zararlarına etkili biçimde karşı koyabiliriz.
- Bak-Coleman JB, Kennedy I, Wack M, Beers A. Schafer JS, Spiro ES, Starbird K, West JD. Combining interventions to reduce the spread of viral misinformation. Nat Hum Behav. 2022 Oct;6(10):1372-1380. doi: 10.1038/s41562-022-01388-6. Epub 2022 Jun 23. PMID: 35739250; PMCID: PMC9584817.
- Tolles J, Luong T. Modeling Epidemics With Compartmental Models. JAMA. 2020 Jun 23;323(24):2515-2516. doi: 10.1001/jama.2020.8420. PMID: 32459319.
- New mathematical models may help us predict the spread of future epidemics. Yayınlanma tarihi: 12 Nisan 2020. Bağlantı: New mathematical models may help us predict the spread of future epidemics/
Matematiksel
