Phân tích sơ lược cơ chế lan truyền narrative Web3 bằng mô hình dịch tễ học SIR
Tuyển chọn TechFlowTuyển chọn TechFlow
Phân tích sơ lược cơ chế lan truyền narrative Web3 bằng mô hình dịch tễ học SIR
Đối với một câu chuyện Web3 cụ thể, chẳng hạn như RWA, inscription, có thể quan sát và thống kê giá trị beta và gamma trong quá trình lan truyền câu chuyện, từ đó dự đoán khả năng hình thành sự đồng thuận dài hạn và ổn định.
Chuyên sâu báo cáo Web3Tác giả: NingNing
Hôm nay, nhờ sự trợ giúp của công cụ AI mới Bing của Microsoft, mình đã tạo ra một thứ thú vị: phân tích cơ chế lan truyền câu chuyện Web3 dựa trên mô hình dịch tễ học SIR.
Mô hình SIR là một mô hình toán học kinh điển trong lĩnh vực dịch tễ học, đồng thời cũng là một trong những mô hình lây nhiễm thành công và nổi tiếng nhất.
Trong mô hình SIR, toàn bộ dân số được chia thành ba nhóm người:
-
Nhóm dễ nhiễm (S): Những người chưa bị lây nhiễm nhưng thiếu miễn dịch, dễ bị nhiễm khi tiếp xúc với người bệnh.
-
Nhóm nhiễm bệnh (I): Những người đã bị nhiễm và có khả năng lây lan.
-
Nhóm phục hồi (R): Những người đã hồi phục và có miễn dịch.
Mô hình này không chỉ giúp chúng ta hiểu và dự đoán quá trình lây lan dịch bệnh, mà còn giúp hiểu và dự đoán quá trình lan truyền các câu chuyện Web3.
Về điểm này, những ai từng đọc cuốn “Kinh tế học về câu chuyện” đều hiểu rõ.
Phần giới thiệu kết thúc, bây giờ chúng ta bắt đầu phần thực hành:
Bước 1: Khởi tạo điều kiện
Nhóm dễ nhiễm (S) = Tỷ lệ người dùng tiềm năng mục tiêu cho một câu chuyện Web3 nào đó
Nhóm nhiễm (I) = Tỷ lệ người dùng đã tin vào một câu chuyện Web3 nào đó
Nhóm phục hồi (R) = Tỷ lệ người dùng đã mất nhạy cảm (miễn nhiễm) với một câu chuyện Web3 nào đó
beta = Tỷ lệ chuyển đổi tin tưởng vào một câu chuyện Web3
gamma = Tỷ lệ chuyển đổi mất nhạy cảm với một câu chuyện Web3
Chúng ta đặt:
S=0.9, I=0.1, R=0.0, beta=0.8, gamma=0.01
Bước 2: Tạo 10.000 số ngẫu nhiên, nhập mô hình SIR từ thư viện Scipy, sau đó đưa các tham số khởi tạo của chúng ta vào để xử lý dữ liệu.
Bước 3: Tổ chức lại dữ liệu, sử dụng biểu đồ bong bóng động để trực quan hóa quá trình lan truyền câu chuyện Web3.
Kết quả trực quan hóa xem trong hình đính kèm. Với các điều kiện khởi tạo như trên, khoảng 72% người dùng sẽ chọn tin tưởng lâu dài vào một câu chuyện Web3, tức là ngành tiền mã hóa thường gọi là hình thành "thỏa thuận" ổn định.
Ngoài ra, mình còn thử nghiệm thêm hai bộ điều kiện khởi tạo khác:
Bộ thứ nhất có đặc điểm là tốc độ lan truyền cao, tỷ lệ mất nhạy cảm cao, điều kiện khởi tạo: S=0.9, I=0.1, R=0.0, beta=0.8, gamma=0.2.
Kết quả trực quan hóa cho thấy chỉ có khoảng 1%~3% người dùng chọn tin tưởng lâu dài vào câu chuyện Web3 này.
Bộ thứ hai có đặc điểm là tốc độ lan truyền trung bình, tỷ lệ mất nhạy cảm thấp, điều kiện khởi tạo: S=0.9, I=0.1, R=0.0, beta=0.5, gamma=0.01.
Kết quả trực quan hóa cho thấy sẽ có khoảng 62%~76% người dùng chọn tin tưởng lâu dài vào câu chuyện Web3 này.
Kết luận: Đối với một câu chuyện Web3 cụ thể nào đó, ví dụ như RWA, L2, trò chơi Web3, inscription,..., chúng ta có thể quan sát và thống kê các giá trị beta và gamma trong quá trình lan truyền câu chuyện, từ đó dự đoán khả năng hình thành sự đồng thuận ổn định lâu dài hay không.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
@0xNing0x
