A theoretical framework for agent-based modelling of infectious disease dynamics under misinformation and vaccine hesitancy

Abstract

The relevance of this study stems from the growing importance of modelling not only the biological transmission of infectious diseases but also the behavioural and informational factors that shape real-world epidemic dynamics. The subject of this research is the development of an agent-based simulation framework capable of capturing the complex interactions between epidemiological processes, vaccination behaviour, and misinformation propagation. This study proposes and evaluates a modular, theoretically grounded model that simulates the spread of infection while accounting for belief-driven decision-making and dynamic social influence. To achieve this, the tasks included analyzing the current state of agent-based epidemic models, formalizing a system architecture with cognitive and logistical subsystems, and conducting scenario-based simulations to explore the effects of misinformation and behavioural resistance on vaccination uptake and epidemic outcomes. The methodology is based on a discrete-time SEIRDV structure extended with agent-level belief states, social influence mechanisms, and dynamic vaccination decisions. The model was implemented in Python and tested through a case study simulating a COVID-like outbreak in a synthetic population. The results demonstrate that even modest behavioural resistance can significantly increase mortality and delay epidemic control, whereas counter-misinformation interventions, if applied early and at sufficient intensity, can improve vaccine coverage and reduce disease burden. The study concludes that integrating behavioural and informational dynamics into epidemic models provides a more realistic and policy-relevant tool for analyzing communication strategies, vaccine rollout scenarios, and public health interventions under uncertainty.

Актуальність цього дослідження зумовлена зростаючим значенням моделювання не лише біологічної передачі інфекційних хвороб, але й поведінкових та інформаційних чинників, що формують динаміку епідемій у реальному світі. Предметом дослідження є розробка агентно-орієнтованого фреймворку, здатного відображати складні взаємозв’язки між епідеміологічними процесами, поведінкою щодо вакцинації та поширенням місінформації. Мета дослідження: запропонувати та оцінити модульну, теоретично обґрунтовану модель, що імітує поширення інфекції з урахуванням прийняття рішень на основі переконань та впливу соціального оточення. Для досягнення цієї мети було поставлено такі завдання: проаналізувати сучасний стан агентно-орієнтованого моделювання епідемій, формалізувати архітектуру системи з когнітивними та логістичними підсистемами, а також провести симуляційні сценарії для дослідження впливу дезінформації та поведінкового опору на рівень вакцинації та динаміку епідемії. Методологія базується на дискретно-часовій структурі SEIRDV, розширеній агентними станами переконань, механізмами соціального впливу та динамічними рішеннями про вакцинацію. Модель була реалізована мовою Python та протестована через кейс-дослідження, що симулює спалах інфекції, подібної до COVID-19, у синтетичному населенні. Результати демонструють, що навіть помірний поведінковий опір може суттєво підвищити смертність і затримати контроль над епідемією, тоді як втручання проти дезінформації, за умови їх своєчасного та інтенсивного застосування, можуть підвищити охоплення вакцинацією і зменшити епідемічний тягар. У дослідженні зроблено висновок, що інтеграція поведінкової та інформаційної динаміки в моделі епідемій забезпечує більш реалістичний та релевантний інструмент аналізу комунікаційних стратегій, сценаріїв вакцинації та заходів охорони здоров’я в умовах невизначеності.