Skip to main content Skip to main navigation

Projekt | SEMSAI

Laufzeit:
Selbstreferenzielle Multiskalenmodellierung und -simulation der Ausbreitung schwerer Infektionskrankheiten

Selbstreferenzielle Multiskalenmodellierung und -simulation der Ausbreitung schwerer Infektionskrankheiten

Die Covid-19-Pandemie hat gezeigt, dass Modellprognosen auf Grundlage historischer Daten Infektionszahlen oft überschätzen, was die öffentliche Akzeptanz von Simulationsprognosen als Grundlage für politische Entscheidungen schwächt. Herkömmliche Modelle berücksichtigen keine Verhaltensänderungen aufgrund von wahrgenommenen Risiken und lassen die Auswirkungen von Krisenkommunikation und subjektiven Wahrnehmungen außer Acht. Ziel von SEMSAI ist es, zu erforschen, wie modellbasierte Vorhersagen so angepasst werden können, dass sie die Realität besser widerspiegeln, und wie sich die Kommunikation von Vorhersagen auf das zukünftige Verhalten auswirkt. Das Konsortium besteht aus drei Partnern aus den Bereichen Psychologie und sozialwissenschaftliche Katastrophenforschung (KFS), mathematische Modellierung und Vorhersage (ITWM) sowie agentenbasierte Sozialsimulation(DFKI). Das interdisziplinäre Konsortium wird diese Rückkopplungsmechanismen untersuchen und vorschlagen, wie sowohl makro- als auch mikroskalige Modellierung von der Einbeziehung dieser reflexiven Mechanismen, die das Situationsbewusstsein modellieren, profitieren kann.

  • Teilprojekt 1 erweitert ein mikroskaliges agentenbasiertes Ansteckungsmodell um reflexive Mechanismen der Kommunikation, der Risikowahrnehmung und des Vertrauens. Diese sozialpsychologischen Mechanismen werden genauere Vorhersagen des individuellen Verhaltens ermöglichen.
  • Teilprojekt 2 entwickelt ein mathematisches Modell auf Makroebene zur Vorhersage und Bewertung der Auswirkungen von Eindämmungsmaßnahmen während einer schweren Epidemie, wobei Herausforderungen wie Rückkopplung, Kalibrierung und multikriterielle Optimierung berücksichtigt werden.
  • Teilprojekt 3 untersucht Möglichkeiten, die Validität von Simulationsmodellen für schwere Infektionskrankheiten aus sozialpsychologischer Sicht zu erhöhen, indem es das Verhalten der Bevölkerung analysiert, relevante Einflussfaktoren identifiziert, bei deren Integration in Modelle unterstützt sowie die Auswirkung der Modelle auf die Bevölkerung untersucht.

Partner

Fraunhofer-Institut für Techno- und Wirtschaftsmathematik (ITWM), Freie Universität Berlin: Katastrophenforschungsstelle (KFS)

Publikationen zum Projekt

  1. Learned Futility: How Social Learning Can Lead to the Diffusion of Ineffective Strategies

    Veronika Kurchyna; Lilian Kojan; Jan Schneider; Bernd Wurpts; Anastasia Golovin; André Calero Valdez; Jan Ole Berndt; Ingo Timm

    In: Adela Coman; Simona Vasilache (Hrsg.). Social Computing and Social Media: 16th International Conference, SCSM 2024, Held as Part of the 26th HCI International Conference, HCII 2024, Washington, DC, USA, June 29 - July 4, 2024, Proceedings, Part III. International Conference on Social Computing and Social Media (SCSM-2024), June 29 - July 4, Washington DC, District of Columbia, USA, Pages…

Fördergeber

BMBF - Bundesministerium für Bildung und Forschung

031L0295A

BMBF - Bundesministerium für Bildung und Forschung