Analyse du mécanisme de diffusion du récit Web3 à l'aide du modèle épidémiologique SIR

Rédaction : NingNing

Aujourd'hui, avec l'aide de l'outil d'intelligence artificielle New Bing de Microsoft, j'ai créé un truc intéressant : une analyse des mécanismes de diffusion des récits Web3 fondée sur le modèle épidémiologique SIR.

Le modèle SIR est un modèle mathématique classique en épidémiologie, l'un des modèles de propagation des maladies infectieuses les plus réussis et les plus célèbres.

Dans le modèle SIR, la population totale est divisée en trois catégories :

• Les sujets sensibles (S) : personnes non encore infectées mais sans immunité, facilement contagieuses lorsqu'elles entrent en contact avec des individus infectés.

• Les infectés (I) : personnes déjà contaminées et capables de transmettre la maladie.

• Les rétablis (R) : personnes guéries de l'infection et désormais immunisées.

Ce modèle ne permet pas seulement de comprendre et de prédire la propagation des maladies infectieuses, mais aussi de comprendre et de prévoir la diffusion des récits Web3.

Sur ce point, ceux qui ont lu Économie des récits comprendront.

Fin de la partie vulgarisation. Passons maintenant au vif du sujet :

Étape 1 : Initialisation des conditions

Sujets sensibles (S) = proportion des utilisateurs cibles potentiels d’un certain récit Web3

Infectés (I) = proportion des utilisateurs déjà convaincus par un certain récit Web3

Rétablis (R) = proportion des utilisateurs désensibilisés à un certain récit Web3

beta = taux de conversion des utilisateurs convaincus par un certain récit Web3

gamma = taux de désensibilisation à un certain récit Web3

Nous fixons les valeurs suivantes :

S=0,9 ; I=0,1 ; R=0,0 ; beta=0,8 ; gamma=0,01

Étape 2 : Générer 10 000 nombres aléatoires, importer le modèle SIR depuis la bibliothèque Scipy, puis transmettre nos paramètres initiaux pour traiter les données.

Étape 3 : Réorganiser les données et visualiser le processus de diffusion du récit Web3 à l’aide d’un graphique à bulles animées.

Le résultat visuel est présenté dans l’image jointe. Dans les conditions initiales ci-dessus, environ 72 % des utilisateurs choisiront de croire durablement à un certain récit Web3, autrement dit, formeront ce que l’on appelle couramment dans l’industrie cryptographique un « consensus » stable.

En outre, j’ai testé deux autres groupes de conditions initiales :

Le premier groupe correspond à un récit Web3 caractérisé par un fort taux de propagation et un fort taux de désensibilisation, avec les conditions initiales suivantes : S=0,9 ; I=0,1 ; R=0,0 ; beta=0,8 ; gamma=0,2.

La visualisation montre qu’entre 1 % et 3 % des utilisateurs seulement choisiraient de croire durablement à ce type de récit Web3.

Le second groupe correspond à un récit Web3 ayant un taux de propagation moyen et un faible taux de désensibilisation, avec les conditions initiales suivantes : S=0,9 ; I=0,1 ; R=0,0 ; beta=0,5 ; gamma=0,01.

La visualisation montre que 62 % à 76 % des utilisateurs choisiraient de croire durablement à ce type de récit Web3.

Conclusion : pour un récit Web3 particulier – par exemple RWA, L2, jeux Web3, inscriptions, etc. – nous pouvons observer et mesurer les valeurs beta et gamma associées à sa diffusion narrative afin de prédire s’il peut ou non aboutir à un consensus durable et stable.