Les taux de vaccination diminuent dans de nombreuses communautés en raison d’une désinformation généralisée et des maladies auparavant éliminées ou contrôlées comme la rougeole se multiplient aux États-Unis et au Canada.
Des chercheurs de l'Université de Waterloo ont développé une nouvelle approche qui pourrait aider les responsables de la santé publique à prédire où des éclosions pourraient survenir. En analysant les publications sur les réseaux sociaux, la méthode identifie les premiers signes d’un scepticisme croissant à l’égard des vaccins – un signal d’alarme qui pourrait apparaître avant qu’une maladie ne commence à se propager.
« Dans la nature, nous avons des systèmes contagieux comme les maladies », a déclaré le Dr Chris Bauch, professeur de mathématiques appliquées à Waterloo. « Nous avons décidé d'examiner la dynamique sociale comme un système écologique et avons étudié comment la désinformation peut se propager de manière contagieuse d'un utilisateur à l'autre via un réseau de médias sociaux. »
L’équipe a formé un modèle d’apprentissage automatique sur le concept mathématique de point de basculement – le moment où un système passe soudainement à un nouvel état. « Peu importe qu'il s'agisse du corps d'une personne souffrant d'une crise d'épilepsie, d'un système écologique tel qu'un lac envahi par des algues, ou d'une perte de l'immunité collective au sein d'une population », a déclaré Bauch. « Mathématiquement, il existe un mécanisme sous-jacent commun. »
Pour tester leur modèle, les chercheurs ont analysé des dizaines de milliers de publications publiques sur X (anciennement Twitter) en Californie juste avant une épidémie majeure de rougeole en 2014. Les méthodes traditionnelles – comme le simple comptage des tweets sceptiques – fournissaient très peu d'avertissements avant l'épidémie.
« Les méthodes habituelles de prévision d'une épidémie en effectuant une analyse statistique des tweets sceptiques ne donnent pas beaucoup de temps avant une épidémie », a déclaré Bauch. « En utilisant la théorie mathématique des points de basculement, nous avons pu obtenir un délai d'exécution beaucoup plus long et détecter des modèles dans les données beaucoup plus efficacement. » Ils ont vérifié l'exactitude de la méthode du « point de basculement » en comparant les modèles de détachement en Californie à ceux de zones comparables à peu près au même moment, où aucune épidémie ne s'est produite.
Cette recherche reflète l'engagement de Waterloo à renforcer la prise de décision fondée sur des données probantes et la confiance du public dans la science – un objectif central du réseau Societal Futures de l'Université et de sa nouvelle initiative TRuST, qui rassemble des philosophes, des informaticiens, des communicateurs et des éthiciens pour comprendre pourquoi la confiance dans la science vacille et comment la reconstruire.
Initialement testé sur X, le modèle peut être facilement adapté pour TikTok ou Instagram ; cependant, cela nécessiterait plus de ressources informatiques pour analyser les images et les vidéos par rapport au format principalement textuel de X.
« En fin de compte, nous aimerions transformer cela en un outil permettant aux responsables de la santé publique de surveiller quelles populations sont les plus à risque d'atteindre un point de basculement », a déclaré Bauch. « Les mathématiques appliquées peuvent constituer un outil quantitatif puissant permettant de prévoir, de surveiller et de répondre aux menaces pour la santé publique. »
