به گزارش گروه علم وفناوری ایسکانیوز، وقتی دانشمندان سعی در پیش بینی شیوع چیزی(هر چیزی از ویروس تا اطلاعات نادرست) در میان جمعیت دارند؛ از مدل های پیچیده ریاضی استفاده می کنند. به طور معمول، آنها اولین مراحلی که موضوع در آن گسترش می یابد را مطالعه می کنند و از آن نرخ برای طراحی میزان گسترش استفاده می کنند.

اما اگر یک پاتوژن جهش پیدا کند یا اطلاعات تغییر یابد، سرعت موردنظر خود را در مورد گسترش تغییر داده است، حال چه اتفاقی می افتد؟ تیمی از محققان دانشگاه کارنگی ملون برای اولین بار نشان می دهند که این ملاحظات چقدر مهم است.

«Osman Yagan» عضو هیئت علمی تحقیقات مهندسی برق و کامپیوتر و نویسنده مسئول این مطالعه، اعلام کرد که این تغییرات تکاملی تأثیر زیادی دارند. اگر تغییرات احتمالی را با گذشت زمان در نظر نگیرید، در پیش بینی تعداد افرادی که بیمار می شوند یا تعداد افرادی که در معرض اطلاعات قرار می‌گیرند، اشتباه خواهید کرد.

اکثر مردم با همه گیری بیماری آشنا هستند؛ اما اطلاعات (که امروزه با سرعت زیاد در رسانه های اجتماعی جا به جا می شوند) می توانند نوع همه گیری خود را تجربه کنند. این که آیا بخشی از اطلاعات به سرعت پخش می شوند یا خیر، می تواند بستگی به نحوه افزایش پیام اصلی داشته باشد.

Yagan اظهار کرد که برخی از اطلاعات نادرست عمدی هستند؛ اما بعضی از آنها ممکن است با ایجاد تغییرات کوچک توسط افراد ساخته شوند.اطلاعات به ظاهر خسته کننده می تواند به یک توییت همه گیر تبدیل شود و ما باید بتوانیم پیش بینی کنیم که چگونه این موارد گسترش می یابد.

محققان در مطالعه خود نظریه ریاضیاتی را تدوین کردند که این تغییرات تکاملی را مورد توجه قرار می دهد. سپس آنها تئوری خود را در برابر هزاران اپیدمی شبیه سازی شده رایانه ای در شبکه های دنیای واقعی، (مانند توییتر) برای انتشار اطلاعات بیمارستان جهت گسترش بیماری آزمایش کردند.

در زمینه گسترش بیماری های عفونی، این تیم هزاران شبیه سازی را با استفاده از داده های دو شبکه در دنیای واقعی اجرا کرد: یک شبکه تماس بین دانش آموزان، معلمان و کارمندان یک دبیرستان ایالات متحده و یک شبکه تماس بین کارمندان و بیماران در بیمارستان در لیون فرانسه.

این شبیه سازی ها به عنوان یک محل تست عمل می کردند. نظریه ای که با آنچه در شبیه سازی ها مشاهده می شود مطابقت داشته باشد دقیق تر است.

دانشمندان اعلام کردند که تئوری آن ها در مورد شبکه های دنیای واقع درست است. نویسنده اول این تحقیق گفت: «مدل های سنتی که سازگاری‌های تکاملی را در نظر نمی گیرند در پیش بینی احتمال ظهور اپیدمی ناکام هستند.»

دانشمندان اعلام کردند که این یافته ای طلایی برای پیش بینی شیوع کروناویروس یا انتشار اخبار جعلی در محیط سیاسی بی ثبات امروز با دقت 100درصد نیست؛ (زیرا برای انجام این کار به داده های زمان واقعی ردیابی تکامل پاتوژن یا اطلاعات نیاز دارد) اما قدمی بزرگ است.