用流行病学模型SIR简析Web3叙事的传播机制

作者：NingNing，EMC_Labs 高级研究员  来源：X，@0xNing0x

今天在微软AI工具新Bing的帮助下，做出了一个酷东西：基于流行病学模型SIR分析Web3叙事的传播机制。

SIR模型是流行病学中一个经典的数学模型，是最成功、最著名的传染病传播模型之一。

在SIR模型中，全体人口被划分成三类人群：

- 易感人群（S）：尚未被传染的人群，但缺乏免疫能力，与感染者接触后容易受到感染。

- 感染人群（I）：已经被感染并具有传播力的患者群体。

- 康复人群（R）：从感染中恢复并且取得免疫的人群。

这个模型不但可以帮助我们理解和预测传染病的传播过程，也可以帮助我们理解和预测Web3叙事的传播过程。

关于这点，读过《叙事经济学》的朋友们都懂的。

科普结束，下面我们开始真正的表演：

第一步：初始化条件

易感人群（S）= 某Web3叙事的潜在目标用户比例

感染人群（I）= 已相信某Web3叙事的用户比例

康复人群（R）= 已脱敏某Web3叙事的用户比例

beta = 相信某Web3叙事的转化率

gamma = 脱敏某Web3叙事的转化率

我们设定：

S=0.9，I=0.1，R=0.0，beta=0.8，gamma=0.01

第二步：生成10000个随机数，从Scipy库导入SIR模型，再传入我们的初始化参数处理数据。**

第三步：重整数据，使用移动气泡图可视化Web3叙事传播过程。**

可视化结果见附图，在以上初始化条件下，~72%的用户会选择长期相信某Web3叙事，即加密行业常说的形成稳定“共识”。

此外，我还测试了另外两组初始化条件：

第一组的Web3叙事特性是高传播率、高脱敏率，初始化条件为：S=0.9，I=0.1，R=0.0，beta=0.8，gamma=0.2。

可视化结果显示，仅1%~3%用户会选择长期相信这一组Web3叙事。

第二组的Web3叙事特性是中等传播率、低脱敏率，初始化条件为：S=0.9，I=0.1，R=0.0，beta=0.5，gamma=0.01。

可视化结果显示，会有62%~76%用户会选择长期相信这一组Web3叙事。

结论

对于某特定的Web3叙事，如RWA、L2、Web3游戏、铭文等，我们可以观察和统计其叙事传播中的beta值和gamma值，预测其能否形成长期稳定的共识。