Modeling the amplification of epidemic spread by misinformed populations

了解虚假信息如何影响疾病传播对公共卫生至关重要，特别是考虑到最近的研究表明，虚假信息可能会增加疫苗犹豫和阻止疫苗接种。然而，由于缺乏数据支持的全面流行病模型，研究虚假信息和流行病结果之间的相互作用是困难的。在这里，我们提出了一种流行病模型，该模型结合了大型、基于移动性的物理接触网络以及从社交媒体数据中得出的误导个体分布跨县。我们的模型使我们能够模拟和估计各种情况，以了解虚假信息对流行病传播的影响。使用这个模型，我们估计在最坏情况下，虚假信息可能导致美国多出4700万例COVID-19感染。

论文旨在研究谣言对疫情传播的影响，尤其是在疫苗接种方面的影响。同时，由于缺乏数据支持的全面流行病模型，研究谣言和疫情结果之间的相互作用变得困难。

论文提出了一种流行病模型，该模型包括一个大型、基于移动性的物理接触网络，以及从社交媒体数据中得出的谣言分布。通过该模型，可以模拟和估计各种情况，以了解谣言对疫情传播的影响。在最坏情况下，谣言可能导致美国多出4700万例COVID-19感染病例。

论文的亮点包括使用大规模的移动性数据构建物理接触网络，以及使用社交媒体数据估计谣言分布。同时，论文提供了多种情景模拟和估计，以便更好地理解谣言对疫情传播的影响。研究结果表明，谣言可能导致疫情传播的严重加剧。

最近的相关研究包括探索谣言和疫情传播之间相互作用的研究，以及使用大数据和机器学习技术来预测和控制疫情传播的研究。例如，一些相关论文的题目包括《谣言如何影响新冠疫情的传播》和《基于机器学习的COVID-19疫情预测与控制》。