我们使用集群（Facebook页面）作为我们的分析的单元17,18。我们的聚类方法不需要任何个人的私人信息。Gephi的ForceAtlas2布局（图1A）模拟了一个物理系统，其中nodes（簇）互相排斥，而链接充当弹簧。它是颜色的敏捷，即，图1a中的颜色隔离是自发出现的，没有内置。彼此之间看起来更近的节点具有更高度互连的本地环境，而相距遥远的节点则没有。我们的数据收集使用了与以前所述的相同的雪球方法17,18，即自动化过程和人类主题分析的组合。每个集群（Facebook页面）直接从该页面中收到叙述和其他材料的提要，所有成员（粉丝）都可以进行讨论和发布活动。图1b使用每个集群的声明位置。方程式的派生在补充信息中提供；它们基于已发表的结果20,21,22，我们的方法补充了其他研究25,26,27,28,29,30,31,32,33。方程式（1）易于推广，但是为简单起见，我们假设每个接触式群集的叙述都有一个最小的模型，在每个群集中，每个群集X的平均XC成员在每个参与度中的平均XC成员，并且pro-vaccination Buster B在S.等方程（1）中随机x随机x量（1），同时也适用于量子（1）。如图1a的加权抗疫苗接种值。公式rlinkp/rinactiveq <1，为了防止扩散，它是群集互连的关键特征，这些群集互连会随着时间的流逝而变化，并且可以应用于抗疫苗接种簇之间，在未确定的群集之间，或在反疫苗接种和使用加权值的未确定的簇之间进行扩散。对于图3a中的模型， 群集相互作用的速率由每种类型的相对链接与y不定的相互作用的相对数量给予一阶，当y是抗疫苗接种时，与y是pro疫苗接种时，y的相互作用会产生更多的招募（请参阅补充信息）。这些预测的保真度受模型的近似值影响。对于图3B，所有参数均可从数据中提取或从模拟中估算。在图3b的左上图中，为简单起见，显示了两个维度，例如，对政府阴谋的信念和对替代健康的信念程度，但对于其他数量的维度出现了类似的情节。在图3B的底部中间图中，总初始大小B（促疫苗接种人群）加大小X（例如，抗疫苗接种人群）保持恒定。尽管这留下了每个X群集的转换过程的细节，但先前的研究30表明，在线群集中发生了这种转换，并且可能很快。t对于质量流动理论会随着B的增加而单调降低。但是，我们在公式（1）中的理论显示了违反直觉的依赖性，因为X簇的较小但有限的数量使促疫接种簇更长的时间。仅显示功能形式（即，没有数字），因为基本公式和模型不受参数值的特定数值选择的限制。
有关研究设计的更多信息可在与本文有关的自然研究报告摘要中获得。
