用流行病學模型 SIR 簡析 Web3 敘事的傳播機制

撰文：NingNing

今天在微軟 AI 工具新 Bing 的幫助下，做出了一個酷東西：基於流行病學模型 SIR 分析 Web3 敘事的傳播機制。

SIR 模型是流行病學中一個經典的數學模型，是最成功、最著名的傳染病傳播模型之一。

在 SIR 模型中，全體人口被劃分成三類人群：

• 易感人群（S）：尚未被傳染的人群，但缺乏免疫能力，與感染者接觸後容易受到感染。

• 感染人群（I）：已經被感染並具有傳播力的患者群體。

• 康復人群（R）：從感染中恢復並且取得免疫的人群。

這個模型不但可以幫助我們理解和預測傳染病的傳播過程，也可以幫助我們理解和預測 Web3 敘事的傳播過程。

關於這點，讀過《敘事經濟學》的朋友們都懂的。

科普結束，下面我們開始真正的表演：

第一步：初始化條件

易感人群（S）= 某 web3 敘事的潛在目標用戶比例

感染人群（I）= 已相信某 web3 敘事的用戶比例

康復人群（R）= 已脫敏某 web3 敘事的用戶比例

beta = 相信某 web3 敘事的轉化率

gamma = 脫敏某 web3 敘事的轉化率

我們設定：

S=0.9，I=0.1，R=0.0，beta=0.8，gamma=0.01

第二步：生成 10000 個隨機數，從 Scipy 庫導入 SIR 模型，再傳入我們的初始化參數處理數據。

第三步：重整數據，使用移動氣泡圖可視化 web3 敘事傳播過程。

可視化結果見附圖，在以上初始化條件下，~72% 的用戶會選擇長期相信某 web3 敘事，即加密行業常說的形成穩定「共識」。

此外，我還測試了另外兩組初始化條件：

第一組的 web3 敘事特性是高傳播率、高脫敏率，初始化條件為：S=0.9，I=0.1，R=0.0，beta=0.8，gamma=0.2。

可視化結果顯示，僅 1%~3% 用戶會選擇長期相信這一組 web3 敘事。

第二組的 web3 敘事特性是中等傳播率、低脫敏率，初始化條件為：S=0.9，I=0.1，R=0.0，beta=0.5，gamma=0.01。

可視化結果顯示，會有 62%~76% 用戶會選擇長期相信這一組 web3 敘事。

結論：對於某特定的 Web3 敘事，如 RWA、L2、Web3 遊戲、銘文等，我們可以觀察和統計其敘事傳播中的 beta 值和 gamma 值，預測其能否形成長期穩定的共識。