Come si propagano i virus.

i risultati di una ricerca dell'Università Statale di Milano

che ha messo a punto un software per la simulazione

di fenomeni di propagazione virale all'interno di reti

sociali e dei loro effetti sulla conoscenza che gli individui

maturano riguardo al tema al centro dell'epidemia

• EPIDEMIOLOGIA
 
• COMPUTER SCIENCE

Lo studio pubblicato su Plos One propone un modello

per descrivere come la diffusione di un fenomeno

virale in una rete sociale (per cui si usa spesso il

termine di epidemia, riferito non solo a malattie ma

anche a dipendenze e alla diffusione di opinioni)

influenzi la conoscenza che di esso hanno gli individui,

determinando comportamenti differenti, volti in alcuni

casi a prevenire il contagio, in altri a favorirlo.

La ricerca evidenzia come il risultato delle modifiche nei

comportamenti vada a cambiare la diffusione virale.

Il lavoro si inserisce nell'ambito degli studi di coevolu-

zione di sistemi complessi in presenza di fenomeni

epidemici: una rete sociale (digitale o non digitale) ha

caratteristiche tipiche dei sistemi complessi e le due

dinamiche, la diffusione virale e i comportamenti degli

individui, si influenzano vicendevolmente, coevolvono.

Definire dei meccanismi di variazione della conoscenza

sufficientemente semplici da poter essere modellati e

simulati con un tool software appositamente sviluppato

è stato lo scopo dello studio.

Il modello è stato ideato e coordinato da Marco Cremonini

dell'Università di Milano e sviluppato insieme a

Samira Maghool, dottoranda in Fisica dell'Alzhara

University di Teheran (Iran) e visiting researcher presso

il dipartimento di Informatica dell'ateneo milanese da

settembre 2018.

Per il modello e il simulatore è stato usato un approccio

multi-agente, nel quale gli individui vengono rappresentati

da componenti software (agenti) che eseguono azioni

sulla base delle informazioni che ricavano dalla rete

sociale di agenti; come il linguaggio di programmazione

è stato scelto Python.

Per gli autori è stato importante lavorare in particolare

su alcuni aspetti caratterizzanti e nuovi:

-  definire la conoscenza acquisita dagli agenti come

prodotto di componenti distinte: la conoscenza

pregressa individuale, l'osservazione del contesto

locale ed eventuali stimoli provenienti da agenti connessi;

-  adottare l'imitazione come il meccanismo fondamentale

per adattare la conoscenza, prevedendo scenari diversi,

dalla pura osservazione del contesto locale e adozione

di precauzioni, tipico del caso di epidemie biologiche,

all'imitazione del comportamento di gruppi sociali di

riferimento, tipico nel caso di dipendenze o la diffusione

di idee;

-  prevedere che le variazioni di conoscenza avrebbero

potuto comportare sia una riduzione sia un'accelerazione

della propagazione del fenomeno virale. 

Lo studio ha introdotto elementi di novità nell'ambito dei

modelli di coevoluzione dinamica per fenomeni epidemici complessi.

Scenari riconducibili al modello studiato sono molteplici,

non solo i casi biologici tradizionalmente considerati

dall'epidemiologia, ma soprattutto le molteplici varianti di

propagazione di idee, opinioni, rumor, fake news e false

credenze all'interno di reti sociali, digitali e non digitali.

Un altro scenario interessante e ancora poco studiato

riguarda la propagazione di malware in reti di computer,

per le quali esiste una coevoluzione tra azioni guidate

esclusivamente da tecnologie e reti sociali con le azioni

di operatori e utenti.

"Nonostante i limiti dovuto alla modellazione dei fenomeni

e all'utilizzo di un modello di rete sociale e di dati artificiali,

lo studio fornisce spunti innovativi per l'interpretazione

di sistemi complessi che, come la rete, presentano

caratteristiche di coevoluzione, ovvero dinamiche che si

influenzano vicendevolmente.

Capire gli effetti della percezione e della conoscenza che

le persone hanno di un fenomeno epidemico è importante

per comprendere la dinamica di un sistema sociale

complesso, per migliorare