SIR 流行病学モデルを用いた Web3 ネラティブの伝播メカニズムの簡単な分析
TechFlow厳選深潮セレクト
SIR 流行病学モデルを用いた Web3 ネラティブの伝播メカニズムの簡単な分析
特定のWeb3ナラティブ（例：RWA、インスクリプションなど）について、そのナラティブ伝播におけるベータ値およびガンマ値を観察・統計的に分析することで、長期的かつ安定したコンセンサスを形成できるかどうかを予測することができる。
Web3業界の深掘り報道に専念し潮流を洞察執筆：NingNing
本日、MicrosoftのAIツール「新Bing」の助けを借りて、面白いものを作成しました。それは流行病学モデルSIRを用いて、Web3のナラティブ伝播メカニズムを分析するものです。
SIRモデルは、流行病学における古典的な数理モデルであり、感染症の伝播を説明する中で最も成功し、著名なモデルの一つです。
SIRモデルでは、人口全体が以下の三つのグループに分類されます。
-
感受性個体群（S）：まだ感染していないが免疫を持たず、感染者と接触することで感染しやすい人々。
-
感染者群（I）：すでに感染しており、他者へ感染させる能力を持つ人々。
-
回復者群（R）：感染から回復し、免疫を獲得した人々。
このモデルは、感染症の伝播プロセスを理解・予測するだけでなく、Web3のナラティブ（物語）の伝播プロセスを理解・予測するのにも役立ちます。
この点については、『ナラティブ経済学』を読んだことのある方ならご理解いただけるでしょう。
以上、簡単な解説はここまで。それでは本題に入りましょう。
ステップ1：初期条件の設定
感受性個体群（S）＝あるWeb3ナラティブの潜在的ターゲットユーザーの割合
感染者群（I）＝すでにそのWeb3ナラティブを信じているユーザーの割合
回復者群（R）＝そのWeb3ナラティブに対して感度を失った（脱感作された）ユーザーの割合
beta ＝ あるWeb3ナラティブを信じるようになる変換率
gamma ＝ あるWeb3ナラティブに対して感度を失う変換率
以下のように設定します。
S=0.9、I=0.1、R=0.0、beta=0.8、gamma=0.01
ステップ2：1万個の乱数を生成し、ScipyライブラリからSIRモデルをインポートして、上記の初期パラメータを入力しデータを処理。
ステップ3：データを再構成し、移動式バブルチャートを用いてWeb3ナラティブの伝播プロセスを可視化。
可視化結果は添付画像をご覧ください。上記の初期条件下では、約72%のユーザーが長期的にそのWeb3ナラティブを信じ続けることが示されています。これは暗号資産業界でよく言われる「コンセンサス（合意）」の形成に相当します。
また、以下の二つの異なる初期条件でもテストを行いました。
第一のケースは「高い伝播率・高い脱感作率」のWeb3ナラティブ特性を持つもので、初期条件は S=0.9、I=0.1、R=0.0、beta=0.8、gamma=0.2 です。
可視化の結果、このナラティブを長期的に信じるユーザーは1%〜3%にとどまりました。
第二のケースは「中程度の伝播率・低い脱感作率」のWeb3ナラティブ特性を持つもので、初期条件は S=0.9、I=0.1、R=0.0、beta=0.5、gamma=0.01 です。
可視化の結果、このナラティブを長期的に信じるユーザーは62%〜76%に達することが示されました。
結論：特定のWeb3ナラティブ（例えばRWA、L2、Web3ゲーム、インスクリプションなど）について、そのナラティブ伝播過程におけるbeta値とgamma値を観察・統計的に分析することで、それが長期的かつ安定したコンセンサスを形成できるかどうかを予測することが可能です。
TechFlow公式コミュニティへようこそ
Telegram購読グループ：https://t.me/TechFlowDaily
Twitter公式アカウント：https://x.com/TechFlowPost
Twitter英語アカウント：https://x.com/BlockFlow_News
@0xNing0x
