در دنیای امروز باید مطمئن باشیم مطالب را از منابع مطمئن دریافت می کنیم. مدل های ریاضی یکی از روش های پیش بینی برای چگونگی انتشار موارد مختلف در بین جمعیت ها هستند. ویروس کرونا یک مثال از این پیش بینی است. اگر جهش های پاتوژن احتمالی در ژن اتفاق بیفتند و یا سرعت انتشار تغییر کند، چه اتفاقی در روند بیماری پیش می آید؟ بنابراین تکامل و پیش بینی یک بیماری همه گیر یک مورد بسیار مهم هست که از این پس باید آن را در نظر گرفت.
تیمی از محققان دانشگاه کارنگی ملون برای اولین بار نشان دادند که این نکات چقدر مهم هستند. این مطالعه در مجموعه مقالات آکادمی ملی علوم (PNAS) منتشر شد.
خب حالا داستان چیه؟
دانشمندان از مدل های پیچیده ریاضی برای شناسایی و بررسی گسترش مواردی مانند ویروس کرونا و یا اطلاعات نادرست درمورد مطالب مختلف استفاده می کنند. به طور معمول، آن ها چند مرحله ابتدایی تحقیق را به گسترش ابتدایی موضوع اختصاص می دهند. آن ها از این نرخ برای پیش بینی میزان گسترش استفاده می کنند.
عثمان یاگان ، عضو هیئت علمی CyLab ، استادیار پژوهشی در مهندسی برق و کامپیوتر (ECE) و نویسنده مسئول این مطالعه است. او می‌گوید: این تغییرات تکاملی تأثیر بسیار زیادی دارند. اگر این تغییرات را در طول زمان در نظر نگیریم؛ ممکن است پیش بینی تعداد افرادی که به بیماری مبتلا می شوند یا تعداد افرادی که تحت تاثیر اطلاعات نادرست قرار می گیرند، اشتباه گزارش شود.
اکثر مردم با اپیدمی بیماری های مختلف آشنا هستند. اطلاعات مربوط به این اپیدمی ها این روز ها با سرعت زیاد در رسانه های اجتماعی منتقل می شود. این اطلاعات می تواند تحت تاثیر عوامل متعددی دچار تغییر شوند و یا به اصطلاح ویروسی شوند. اینکه یک مطلب ویروسی می شود یا خیر، می تواند به نحوه تغییر پذیری اطلاعات درست بستگی داشته باشد.
یاگان در ادامه می‌گوید : برخی از اطلاعات نادرست به صورت عمدی ایجاد می شوند. اما برخی دیگر ممکن است زمانی که اطلاعات از فردی به فرد دیگر به طور متوالی انتقال می یابد، دستخوش تغییرات کوچکی شوند و در نهایت این اطلاعات نادرست به طور طبیعی ایجاد شوند. یک مطلب کوتاه به ظاهر خسته کننده می تواند به یک توییت نادرست تبدیل شود ولی ما باید بتوانیم پیش بینی کنیم که این مطالب چگونه گسترش می یابند.
روش انجام تحقیقات
در این مطالعه، محققان یک نظریه ریاضی ایجاد کردند که این تغییرات تکاملی را در نظر می گیرد. آن ها سپس نظریه خود را در برابر هزاران اپیدمی که با کامپیوتر در شبکه های مجازی مانند توییتر شبیه سازی شدند و یا در بیمارستان مورد بررسی قرار دادند. هدف از انتخاب این دو شبکه، ارزیابی و سنجش اطلاعات منتشر شده و روند گسترش بیماری است.
در زمینه گسترش بیماری های عفونی، این تیم هزاران شبیه سازی را با استفاده از داده های شبکه های واقعی که شامل یک شبکه ارتباطی بین دانش آموزان، معلمان و کارکنان یک دبیرستان در ایالات متحده و یک شبکه ارتباطی بین کارکنان و بیماران در بیمارستانی در لیون فرانسه انجام دادند.
این شبیه سازی ها به عنوان یک بستر آزمایشی عمل کردند: هر چه نتایج شبیه سازی ها با نظریه تطابق بیشتری داشته باشد، آن نتایج دقیق تر هستند.
نتیجه گیری
اولین نویسنده این مطالعه؛ رشاد التربی ، که در زمان نوشتن مقاله دانشجوی دکترای کارنگی ملون بود، می‌گوید: نتایج تحقیقات نشان داد که نظریه ما بر روی شبکه های دنیای واقعی هم کار می کند. مدل‌های قدیمی که سازگاری‌های تکاملی را در نظر نمی گیرند، در پیش بینی احتمال ظهور یک بیماری همه گیر موفق نبودند.
این مطالعه یک راه حل قطعی برای پیش بینی شیوع ویروس کرونا یا انتشار اخبار جعلی در فضای نا آرام سیاسی امروز نیست. برای انجام این کار به دریافت داده های حقیقی تکامل پاتوژن یا اطلاعاتی برای انجام آن نیاز است. به گفته یکی از نویسندگان این گام بزرگ و مهمی به شمار می رود. التربی گوید: «ما یک قدم به واقعیت نزدیکتر شدیم.»
حتما در آینده خبرهای خوبی در این زمینه منتشر می شوند.
منابع
- Materials provided by College of Engineering, Carnegie Mellon University. Original written by Daniel Tkacik. Note: Content may be edited for style and length.
- Rashad Eletreby, Yong Zhuang, Kathleen M. Carley, Osman Yağan, and H. Vincent Poor. The effects of evolutionary adaptations on spreading processes in complex networks. PNAS, 2020 DOI: 10.1073/pnas.1918529117.
مترجم: فائزه الیاسی | تولید محتوا و ویراستاری: مطهره تقی پور
