Mathematische Modellierung von Fake News in sozialen Medien

Einleitung: Warum mathematische Modellierung für die Analyse von Fake News wichtig ist

Soziale Medien wie Instagram, TikTok und X (ehemals Twitter) haben die Art und Weise, wie wir Nachrichten konsumieren, grundlegend verändert. Laut einer aktuellen Studie des Reuters Institute beziehen mehr als die Hälfte der US-Amerikaner ihre Nachrichten über soziale Plattformen. In Großbritannien zeigt der Ofcom News Survey, dass 88% der 16- bis 24-Jährigen soziale Medien als Hauptnachrichtenquelle nutzen. Diese Entwicklung hat jedoch auch die Verbreitung von Fehlinformationen – sogenannten Fake News – begünstigt. Ein bekanntes Beispiel ist das KI-generierte Bild des Papstes in einer Daunenjacke („Balenciaga Pope“), das im März 2023 viral ging und von vielen für echt gehalten wurde.

Im Rahmen des ENGF0003-Projekts an der UCL wirst du aufgefordert, ein mathematisches Modell zu entwickeln, das die Dynamik von Fake News in sozialen Netzwerken beschreibt. Dieses Tutorial führt dich Schritt für Schritt in die Grundlagen der mathematischen Modellierung ein und zeigt dir, wie du typische Aufgaben des Projekts lösen kannst – ohne dabei die eigentliche Projektlösung vorwegzunehmen.

Grundlagen der mathematischen Modellierung

Mathematische Modellierung ist der Prozess, reale Phänomene durch mathematische Gleichungen zu beschreiben. Im Kontext von Fake News geht es darum, die Ausbreitung von Informationen – oder Fehlinformationen – in einem Netzwerk von Nutzern zu simulieren. Ein klassischer Ansatz ist das SIR-Modell aus der Epidemiologie, das ursprünglich zur Beschreibung von Krankheitsausbreitung entwickelt wurde. Dieses Modell unterteilt die Population in drei Gruppen:

Susceptible (S): Personen, die der Information noch nicht ausgesetzt sind.
Infected (I): Personen, die die Information erhalten haben und sie aktiv teilen.
Recovered (R): Personen, die die Information nicht mehr teilen oder desinteressiert sind.

Übertragen auf Fake News bedeutet dies:

S: Nutzer, die den Fake-News-Beitrag noch nicht gesehen haben.
I: Nutzer, die den Beitrag gesehen haben und ihn teilen (z. B. durch Repost oder Teilen in Stories).
R: Nutzer, die den Beitrag gesehen haben, aber nicht teilen oder ihn als falsch erkannt haben.

Die Dynamik wird durch Differentialgleichungen beschrieben:

dS/dt = -β * S * I / N
dI/dt = β * S * I / N - γ * I
dR/dt = γ * I

Dabei ist β die Kontaktrate (wie schnell sich die Information verbreitet) und γ die Erholungsrate (wie schnell Nutzer aufhören zu teilen). N ist die Gesamtzahl der Nutzer im betrachteten Netzwerk.

Anwendung des SIR-Modells auf soziale Medien

Ein aktuelles Beispiel aus dem Jahr 2026 ist die Verbreitung eines viralen Memes über ein neues KI-Tool zur Videobearbeitung. Angenommen, ein solches Meme wird von einem Influencer mit 1 Million Followern gepostet. Innerhalb von 24 Stunden könnte die Anzahl der „Infected“ (diejenigen, die das Meme teilen) exponentiell ansteigen, bevor sie aufgrund von Sättigung oder Gegenmaßnahmen (z. B. Faktenchecks) wieder abfällt.

Um dies zu modellieren, kannst du MATLAB verwenden, wie im ENGF0003-Projekt gefordert. Ein einfaches Skript zur Lösung der Differentialgleichungen könnte so aussehen:

function dydt = sir_model(t, y, beta, gamma, N)
    S = y(1);
    I = y(2);
    R = y(3);
    dSdt = -beta * S * I / N;
    dIdt = beta * S * I / N - gamma * I;
    dRdt = gamma * I;
    dydt = [dSdt; dIdt; dRdt];
end

Mit diesem Modell kannst du verschiedene Szenarien durchspielen: Was passiert, wenn die Kontaktrate β hoch ist (z. B. bei einem viralen Trend)? Was, wenn die Erholungsrate γ niedrig ist (weil Nutzer den Inhalt immer wieder teilen)?

Erweiterungen des Modells: Netzwerkstruktur und Nutzerverhalten

Das einfache SIR-Modell geht von einer homogenen Durchmischung der Population aus – jeder Nutzer hat die gleiche Wahrscheinlichkeit, mit jedem anderen in Kontakt zu treten. In sozialen Medien ist dies jedoch unrealistisch. Hier spielen Netzwerkstrukturen eine Rolle: Manche Nutzer haben viele Follower (Influencer), andere nur wenige. Zudem variiert das Teilungsverhalten: Manche Nutzer teilen alles, andere sind skeptisch.

Eine Erweiterung ist das Netzwerk-SIR-Modell, bei dem die Knoten (Nutzer) durch Kanten (Folge-Beziehungen) verbunden sind. Die Ansteckung erfolgt nur entlang dieser Kanten. MATLAB bietet die Möglichkeit, solche Netzwerke mit der graph-Funktion zu erstellen und die Ausbreitung zu simulieren.

Ein weiterer wichtiger Faktor ist die Glaubwürdigkeit der Quelle. Ein Beitrag von einer vertrauenswürdigen Nachrichtenagentur wird eher geteilt als einer von einer unbekannten Seite. Du kannst dies in deinem Modell durch einen Gewichtungsfaktor für die Kontaktrate berücksichtigen.

Datenanalyse und Visualisierung

Im ENGF0003-Projekt wirst du auch reale oder simulierte Daten analysieren müssen. Angenommen, du hast die Anzahl der Shares eines bestimmten Fake-News-Artikels über die Zeit erfasst (z. B. stündlich). Du kannst diese Daten mit deinem Modell vergleichen, um die Parameter β und γ zu schätzen. MATLAB bietet Funktionen wie lsqcurvefit zur Parameteroptimierung.

Ein Beispiel für eine Visualisierung:

t = 0:0.1:10;
beta = 0.5;
gamma = 0.1;
N = 1000;
I0 = 1;
S0 = N - I0;
R0 = 0;
y0 = [S0; I0; R0];
[t, y] = ode45(@(t,y) sir_model(t,y,beta,gamma,N), t, y0);
plot(t, y(:,2), 'r-', 'LineWidth', 2);
xlabel('Zeit (Tage)');
ylabel('Anzahl der Infected');
title('Verbreitung von Fake News im SIR-Modell');

Diese Grafik zeigt, wie die Anzahl der aktiven „Teiler“ zunächst ansteigt und dann abfällt – typisch für eine virale Welle.

Herausforderungen und kritische Reflexion

Mathematische Modelle sind immer Vereinfachungen der Realität. Im ENGF0003-Projekt wirst du aufgefordert, die Grenzen deines Modells zu diskutieren. Einige Kritikpunkte:

Homogenitätsannahme: Nicht alle Nutzer verhalten sich gleich. Manche sind resistenter gegen Fake News.
Zeitverzögerung: Die Verbreitung erfolgt nicht instantan – es gibt Verzögerungen durch Algorithmen oder Nutzeraktivität.
Gegenmaßnahmen: Plattformen wie TikTok oder Instagram ergreifen Maßnahmen (z. B. Löschung von Inhalten), die das Modell beeinflussen.

Ein aktuelles Beispiel aus dem Jahr 2026: Während der Fußball-WM 2026 verbreiteten sich gefälschte Spielstände und Transfergerüchte rasant. Plattformen reagierten mit Fact-Checking-Labels und reduzierten dadurch die Verbreitungsgeschwindigkeit. Solche Eingriffe kannst du in deinem Modell durch eine zeitabhängige Erholungsrate γ(t) abbilden.

Praktische Tipps für das ENGF0003-Projekt

Recherchiere aktuelle Beispiele: Nutze Nachrichten aus 2025/2026, um dein Modell zu validieren. Achte darauf, keine urheberrechtlich geschützten Daten zu verwenden.
Dokumentiere deine Annahmen: Jedes Modell basiert auf Annahmen. Erkläre diese klar in deinem Bericht.
Nutze MATLAB effizient: Verwende Funktionen wie ode45 für Differentialgleichungen und plot für Grafiken. Achte auf sauberen Code.
Vermeide Plagiate: Das ENGF0003-Projekt legt großen Wert auf akademische Integrität. Verwende keine KI-Tools zum vollständigen Schreiben deines Codes oder Textes. Du darfst KI assistiv nutzen, aber alle Ergebnisse müssen von dir überprüft und erklärt werden.
Beachte die Formatierungsvorgaben: Verwende eine serifenlose Schrift (z. B. Arial), Schriftgröße 12 pt, nummeriere Abbildungen und Tabellen, und verwende Überschriften-Stile.

Zusammenfassung

In diesem Tutorial hast du die Grundlagen der mathematischen Modellierung von Fake News in sozialen Medien kennengelernt. Vom einfachen SIR-Modell über Netzwerkerweiterungen bis hin zur Datenanalyse und Visualisierung – diese Werkzeuge helfen dir, das ENGF0003-Projekt erfolgreich zu bearbeiten. Denke daran: Es gibt nicht die eine richtige Lösung. Deine Kreativität und kritische Reflexion sind gefragt. Viel Erfolg!