Les taux de vaccination baissent dans de nombreuses communautés, alimentés par une propagation massive de fausses informations, ce qui entraîne une reprise de maladies autrefois maîtrisées, comme la rougeole, aux États-Unis et au Canada. Des chercheurs de l’Université de Waterloo ont mis au point une nouvelle méthode pour aider les autorités sanitaires à anticiper les futures épidémies. En analysant les publications sur les réseaux sociaux, cette approche permet d’identifier des signes précurseurs de montée de la méfiance envers les vaccins — un signal d’alerte pouvant apparaître bien avant la propagation d’une maladie. Cette étude, intitulée « Prédire les risques d’épidémie à partir des sentiments sur les vaccins sur les réseaux sociaux : une approche dynamique fondée sur les données », a été publiée dans Mathematical Biosciences and Engineering. « Dans la nature, nous avons des systèmes contagieux comme les maladies, explique le professeur Chris Bauch, spécialiste en mathématiques appliquées à l’Université de Waterloo. Nous avons choisi de traiter les dynamiques sociales comme un écosystème, en étudiant comment les fausses informations se propagent de manière contagieuse d’un utilisateur à l’autre via les réseaux sociaux. » L’équipe a entraîné un modèle d’apprentissage automatique sur le concept mathématique de point de bascule — le moment où un système bascule brusquement vers un nouvel état. « Que ce soit une crise épileptique, une prolifération d’algues dans un lac ou la perte de l’immunité collective au sein d’une population, les mécanismes mathématiques sous-jacents sont similaires », souligne Dr. Bauch. Pour tester leur modèle, les chercheurs ont analysé des dizaines de milliers de messages publics sur X (anciennement Twitter) en Californie, juste avant l’épidémie majeure de rougeole de 2014. Les méthodes classiques, comme le simple comptage des tweets sceptiques, n’avaient permis qu’un avertissement très limité. « Les approches traditionnelles, basées sur une analyse statistique des tweets critiques, offrent peu de préavis », affirme Bauch. « En utilisant la théorie mathématique des points de bascule, nous avons obtenu un préavis bien plus long et détecté des motifs dans les données de manière bien plus efficace. » L’efficacité de cette méthode a été confirmée en comparant les comportements d’expression sur les réseaux sociaux en Californie à ceux observés dans d’autres régions comparables, où aucune épidémie n’a eu lieu. Ce travail illustre l’engagement de l’Université de Waterloo en faveur de la prise de décision fondée sur des preuves et du renforcement de la confiance du public envers la science — un objectif central du réseau Societal Futures et de la nouvelle initiative TRuST, qui réunit philosophes, informaticiens, communicateurs et éthiciens pour comprendre pourquoi la confiance dans la science s’effrite et comment la restaurer. Bien que le modèle ait été initialement testé sur X, il peut être adapté à d’autres plateformes comme TikTok ou Instagram, bien qu’il nécessite davantage de ressources informatiques pour analyser les images et vidéos, contrairement au format textuel dominant de X. « À long terme, nous souhaitons transformer cette méthode en outil concret pour les autorités sanitaires, afin de surveiller les populations les plus à risque de franchir un point de bascule », conclut Dr. Bauch. « Les mathématiques appliquées peuvent devenir un outil puissant, quantitatif, pour prévoir, surveiller et atténuer les menaces pesant sur la santé publique. »