Hành trình Khoa học, Không gian và Thời gian!
Cho dù đó là coronavirus hay thông tin sai lệch, các nhà khoa học có thể sử dụng các mô hình toán học để dự đoán mức độ lan truyền của quần thể. Nhưng điều gì xảy ra nếu một mầm bệnh đột biến hoặc thông tin bị biến đổi, thay đổi tốc độ lây lan? Các nhà nghiên cứu hiện lần đầu tiên cho thấy những cân nhắc này quan trọng như thế nào.
Khi các nhà khoa học cố gắng dự đoán sự lây lan của một thứ gì đó trên các quần thể – bất cứ thứ gì từ coronavirus đến thông tin sai lệch – họ sử dụng các mô hình toán học phức tạp để làm như vậy. Thông thường, họ sẽ nghiên cứu một vài bước đầu tiên trong đó đối tượng lan truyền và sử dụng tỷ lệ đó để dự đoán mức độ lan rộng sẽ đi xa và rộng.
Nhưng điều gì xảy ra nếu một mầm bệnh đột biến hoặc thông tin bị biến đổi, thay đổi tốc độ lây lan? Trong một nghiên cứu mới xuất hiện trong ấn phẩm Kỷ yếu của Viện hàn lâm Khoa học Quốc gia (PNAS) tuần này , một nhóm các nhà nghiên cứu của Đại học Carnegie Mellon lần đầu tiên cho thấy những cân nhắc này quan trọng như thế nào.
“Những thay đổi tiến hóa này có tác động rất lớn”, Osman Yagan, giảng viên của CyLab, giáo sư nghiên cứu về Kỹ thuật Điện và Máy tính (ECE), tác giả của nghiên cứu cho biết. “Nếu bạn không xem xét các thay đổi tiềm năng theo thời gian, bạn sẽ sai khi dự đoán số người sẽ bị bệnh hoặc số người tiếp xúc với một phần thông tin.”
Hầu hết mọi người đều quen thuộc với dịch bệnh nhưng bản thân thông tin – hiện đang di chuyển với tốc độ nhanh như chớp trên phương tiện truyền thông xã hội – có thể gặp loại dịch bệnh và “đi siêu vi”. Việc một phần thông tin có lan truyền hay không có thể phụ thuộc vào cách thông điệp ban đầu được điều chỉnh.
Một số thông tin sai lệch là có chủ ý nhưng một số có thể phát triển hữu cơ khi nhiều người tuần tự thực hiện các thay đổi nhỏ như trò chơi “điện thoại”. Một mẩu thông tin có vẻ nhàm chán có thể phát triển thành một Tweet lan truyền và chúng ta cần có khả năng dự đoán những thứ này lan truyền như thế nào.
Trong nghiên cứu của họ, các nhà nghiên cứu đã phát triển một lý thuyết toán học để xem xét những thay đổi tiến hóa này. Sau đó, họ đã kiểm tra lý thuyết của họ chống lại hàng ngàn bệnh dịch mô phỏng trên máy tính trong các mạng thế giới thực, chẳng hạn như Twitter để truyền bá thông tin hoặc một bệnh viện để truyền bệnh.
Trong bối cảnh lan truyền bệnh truyền nhiễm, nhóm nghiên cứu đã thực hiện hàng ngàn mô phỏng sử dụng dữ liệu từ hai mạng thực tế: mạng liên lạc giữa học sinh, giáo viên và nhân viên tại một trường trung học ở Mỹ và mạng lưới liên lạc giữa nhân viên và bệnh nhân trong một bệnh viện ở Lyon, Pháp.
Những mô phỏng này được dùng làm giường thử nghiệm: lý thuyết phù hợp với những gì được quan sát trong các mô phỏng sẽ chứng minh là chính xác hơn.
“Chúng tôi đã chỉ ra rằng lý thuyết của chúng tôi hoạt động trên các mạng trong thế giới thực”, tác giả đầu tiên của nghiên cứu, Rashad Eletreby, người từng là Carnegie Mellon Ph.D. sinh viên khi anh viết bài. “Các mô hình truyền thống không xem xét sự thích nghi tiến hóa đã thất bại trong việc dự đoán khả năng xuất hiện dịch bệnh.”
Mặc dù nghiên cứu không phải là ‘viên đạn bạc’ để dự đoán sự lây lan của coronavirus ngày nay hoặc sự lan truyền của tin tức giả trong môi trường chính trị đầy biến động với độ chính xác 100% – người ta sẽ cần dữ liệu theo dõi sự tiến hóa của mầm bệnh hoặc thông tin theo thời gian thực. Điều đó – các tác giả nói rằng đó là một bước tiến lớn.
“Chúng tôi đang tiến một bước gần hơn với thực tế”, Eletreby nói.
Các tác giả khác của nghiên cứu bao gồm ECE Ph.D. sinh viên Yong Zhuang, giáo sư nghiên cứu phần mềm Kathleen Carley và giáo sư kỹ thuật điện Princeton, Vincent Poor.
Nguồn truyện:
Tài liệu được cung cấp bởi College of Engineering, Đại học Carnegie Mellon . Bản gốc được viết bởi Daniel Tkacik. Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.
Tạp chí tham khảo :