18:26
TED@Cannes

Nicholas Christakis: How social networks predict epidemics

ニコラス・クリスタキス:いかに社会的ネットワークが流行を予想するか

Filmed:

人々の複雑な社会的ネットワークを可視化したニコラス・クリスタキスとジェームス・フォウラーは、この情報をもとにして生活の改善をする方法の研究に着手しました。ここではクリスタキスが、革新的なアイデアやリスクのある行動、新型インフルエンザのようなウイルス等の流行は、社会的ネットワークを利用することによって従来より早期に感知できるという最新の研究結果を紹介します。

- Physician, social scientist
Nicholas Christakis explores how the large-scale, face-to-face social networks in which we are embedded affect our lives, and what we can do to take advantage of this fact. Full bio

For the last 10 years, I've been spending my time trying to figure out
私はこの10年間 人はどのようにそしてなぜ
00:15
how and why human beings
社会的ネットワークを
00:18
assemble themselves into social networks.
形成するのか解明しようと努力してきました
00:20
And the kind of social network I'm talking about
ここで言う社会的ネットワークとは
00:23
is not the recent online variety,
最近のインターネット上のものでなく
00:25
but rather, the kind of social networks
どちらかというと
00:27
that human beings have been assembling for hundreds of thousands of years,
アフリカのサバンナに出現して以来何十万年もの間
00:29
ever since we emerged from the African savannah.
人類が築いてきた社会的つながりです
00:32
So, I form friendships and co-worker
つまり私が友人関係や同僚関係
00:35
and sibling and relative relationships with other people
そして兄弟関係や親類関係を持ち
00:37
who in turn have similar relationships with other people.
その人達が似た関係を他の人達と持ち
00:40
And this spreads on out endlessly into a distance.
これが果てしなくずっと広がっていって
00:42
And you get a network that looks like this.
このようなネットワークができます
00:45
Every dot is a person.
それぞれの点は人で
00:47
Every line between them is a relationship between two people --
間の線は二人が関係していることを表します
00:49
different kinds of relationships.
いろいろな人間関係です
00:51
And you can get this kind of vast fabric of humanity,
このような広大な人間社会の構造ができ
00:53
in which we're all embedded.
私達は皆その一部となっています
00:56
And my colleague, James Fowler and I have been studying for quite sometime
私は同僚のジェームス フォウラーと かなり以前から
00:58
what are the mathematical, social,
どのような数学的 社会的
01:01
biological and psychological rules
生物学的そして心理学的な法則が
01:03
that govern how these networks are assembled
これらのネットワークの構築を左右するのか
01:06
and what are the similar rules
またどんな法則がどうネットワークを動かし
01:08
that govern how they operate, how they affect our lives.
人々の生活に影響するのかについて研究してきました
01:10
But recently, we've been wondering
そして最近は 解明するだけでなく
01:13
whether it might be possible to take advantage of this insight,
その洞察を利用して実際に
01:15
to actually find ways to improve the world,
世の中を改善する方法を見つけ
01:18
to do something better,
もっと役立つことをして
01:20
to actually fix things, not just understand things.
何かを解決したりできないかと考えています
01:22
So one of the first things we thought we would tackle
そこでまず取り組もうと思ったのが
01:25
would be how we go about predicting epidemics.
疫病の流行を予想することでした
01:28
And the current state of the art in predicting an epidemic --
疫病対策センターやその他の国家機関での
01:31
if you're the CDC or some other national body --
感染症流行の予測技術の現状は
01:33
is to sit in the middle where you are
現場の医師や研究所が報告する
01:36
and collect data
特定の疾患の有病率や
01:38
from physicians and laboratories in the field
発生率のデータを
01:40
that report the prevalence or the incidence of certain conditions.
機関の拠点から収集するというものです
01:42
So, so and so patients have been diagnosed with something,
患者の誰々さんが何かの病気だと診断された
01:45
or other patients have been diagnosed,
他にも発症した患者がいた
01:48
and all these data are fed into a central repository, with some delay.
こうしたデータが情報センターにいくらか遅れて入るわけです
01:50
And if everything goes smoothly,
滞りなくすべて進めば
01:53
one to two weeks from now
今日どこで疫病が流行っていたか
01:55
you'll know where the epidemic was today.
1~2週間後に分かるのです
01:57
And actually, about a year or so ago,
実のところ 1年ほど前に
02:00
there was this promulgation
「インフルトレンド」という
02:02
of the idea of Google Flu Trends, with respect to the flu,
グーグルのツールが広まりました
02:04
where by looking at people's searching behavior today,
人々の現在の検索パターンを見て
02:07
we could know where the flu --
インフルエンザの発生地域
02:10
what the status of the epidemic was today,
現在の流行状況や
02:12
what's the prevalence of the epidemic today.
有病率が把握できるのです
02:14
But what I'd like to show you today
でも今日皆さんにお見せしたいのは
02:17
is a means by which we might get
伝染病の発生を
02:19
not just rapid warning about an epidemic,
迅速に警告するだけでなく 実際にその流行を
02:21
but also actually
早期に感知できるかもしれない
02:24
early detection of an epidemic.
ひとつの方法です
02:26
And, in fact, this idea can be used
事実 このアイデアは
02:28
not just to predict epidemics of germs,
細菌による感染症を予測するだけでなく
02:30
but also to predict epidemics of all sorts of kinds.
様々なタイプの流行の予想に応用できます
02:33
For example, anything that spreads by a form of social contagion
例えば社会的感染という形で広まるものは
02:37
could be understood in this way,
すべてこうして理解できます
02:40
from abstract ideas on the left
図の左に示した愛国心や
02:42
like patriotism, or altruism, or religion
利他主義や宗教のような抽象的な概念から
02:44
to practices
食生活や書籍購入
02:47
like dieting behavior, or book purchasing,
そして飲酒などの習慣
02:49
or drinking, or bicycle-helmet [and] other safety practices,
自転車ヘルメット着用などの安全習慣や
02:51
or products that people might buy,
売れる商品
02:54
purchases of electronic goods,
電子機器の購入などまで
02:56
anything in which there's kind of an interpersonal spread.
人を通して広がるものすべてです
02:58
A kind of a diffusion of innovation
新しいアイデアの普及なども
03:01
could be understood and predicted
今からご覧いただく方法によって
03:03
by the mechanism I'm going to show you now.
理解し予測することが可能です
03:05
So, as all of you probably know,
おそらく皆さんご存知だと思いますが
03:08
the classic way of thinking about this
普及を表すには従来
03:10
is the diffusion-of-innovation,
イノベーション普及率という
03:12
or the adoption curve.
採用曲線を使用します
03:14
So here on the Y-axis, we have the percent of the people affected,
Y軸は何%の人が影響されているか
03:16
and on the X-axis, we have time.
そしてX軸は時間を表します
03:18
And at the very beginning, not too many people are affected,
最初の時点ではあまり多くの人が影響されておらず
03:20
and you get this classic sigmoidal,
典型的なS字型カーブの
03:23
or S-shaped, curve.
グラフになります
03:25
And the reason for this shape is that at the very beginning,
なぜこのような形になるのかと言うと
03:27
let's say one or two people
一番初めに1人か2人が
03:29
are infected, or affected by the thing
影響または感染されているとすると
03:31
and then they affect, or infect, two people,
その2人が次の2人を感染させ
03:33
who in turn affect four, eight, 16 and so forth,
次に感染されるのは4人 そして8人 16人と増え
03:35
and you get the epidemic growth phase of the curve.
流行の増殖期のカーブを形成するからです
03:38
And eventually, you saturate the population.
最終的には人口のほとんどが感染され
03:41
There are fewer and fewer people
まだ感染されていない人が
03:43
who are still available that you might infect,
どんどん少なくなり
03:45
and then you get the plateau of the curve,
カーブは頭打ちとなります
03:47
and you get this classic sigmoidal curve.
そして典型的なS字型カーブとなるのです
03:49
And this holds for germs, ideas,
これは病原菌やアイデア
03:52
product adoption, behaviors,
製品普及や習慣のようなものでも
03:54
and the like.
同じです
03:56
But things don't just diffuse in human populations at random.
でも物事は人々の間でランダムに普及しません
03:58
They actually diffuse through networks.
普及はネットワークを通して行なわれます
04:01
Because, as I said, we live our lives in networks,
私達は皆 ネットワークの中で生きているからです
04:03
and these networks have a particular kind of a structure.
そしてこれらのネットワークには特定の構造があります
04:06
Now if you look at a network like this --
こちらのネットワークを見てください
04:09
this is 105 people.
105人います
04:11
And the lines represent -- the dots are the people,
点は人を表し
04:13
and the lines represent friendship relationships.
線は友人関係を表します
04:15
You might see that people occupy
人によってネットワーク内の位置が
04:17
different locations within the network.
違うことが分かると思います
04:19
And there are different kinds of relationships between the people.
また人間関係も多様です
04:21
You could have friendship relationships, sibling relationships,
友人関係 兄弟関係
04:23
spousal relationships, co-worker relationships,
夫婦関係 同僚関係
04:26
neighbor relationships and the like.
隣人関係などいろいろあります
04:29
And different sorts of things
そして関係によって
04:32
spread across different sorts of ties.
違うものが広がります
04:34
For instance, sexually transmitted diseases
例えば性感染症は
04:36
will spread across sexual ties.
性的つながりをもって広がります
04:38
Or, for instance, people's smoking behavior
喫煙習慣は
04:40
might be influenced by their friends.
友人関係に影響されるかもしれません
04:42
Or their altruistic or their charitable giving behavior
利他的または慈善的行為だと
04:44
might be influenced by their coworkers,
同僚に感化されてかもしれませんし
04:46
or by their neighbors.
隣人の影響かもしれません
04:48
But not all positions in the network are the same.
でもネットワーク内の位置のすべてが平等というわけではありません
04:50
So if you look at this, you might immediately grasp
これを見てもらえばすぐ分かりますが
04:53
that different people have different numbers of connections.
つながりの数は人によって違います
04:55
Some people have one connection, some have two,
1つの人もいれば2つの人もいて
04:58
some have six, some have 10 connections.
6つの人もいれば10個の人もいます
05:00
And this is called the "degree" of a node,
これはノードの度数とも言われ
05:03
or the number of connections that a node has.
節点の持つつながりの数です
05:05
But in addition, there's something else.
しかしそれだけではありません
05:07
So, if you look at nodes A and B,
節点AとBを見てもらうと
05:09
they both have six connections.
両者とも6つのつながりを持っています
05:11
But if you can see this image [of the network] from a bird's eye view,
でもこの図を全体的に見ると
05:13
you can appreciate that there's something very different
節点AとBには大きな違いがあると
05:16
about nodes A and B.
気づくと思います
05:18
So, let me ask you this -- I can cultivate this intuition by asking a question --
こう考えたら分かりやすいと思います
05:20
who would you rather be
もし致死的な病原菌が
05:23
if a deadly germ was spreading through the network, A or B?
ネットワーク内で広まっていたらAとBのどちらになりたいですか?
05:25
(Audience: B.) Nicholas Christakis: B, it's obvious.
(聴衆:B) クリスタキス:もちろんBですね
05:28
B is located on the edge of the network.
Bはネットワークの端に位置しています
05:30
Now, who would you rather be
では気になる噂話が
05:32
if a juicy piece of gossip were spreading through the network?
ネットワーク内で流れていたらどちらになりたいですか?
05:34
A. And you have an immediate appreciation
Aですね 一見して
05:37
that A is going to be more likely
Aの方がいち早く
05:40
to get the thing that's spreading and to get it sooner
広まる噂を耳にする可能性が高いと分かります
05:42
by virtue of their structural location within the network.
これはネットワーク構造上の位置のおかげです
05:45
A, in fact, is more central,
実際にAは中心寄りに位置しており
05:48
and this can be formalized mathematically.
これは数式で表すことができます
05:50
So, if we want to track something
ですから ネットワークを通じて
05:53
that was spreading through a network,
広がっている何かを追跡したい場合
05:55
what we ideally would like to do is to set up sensors
節点Aも含んだ
05:58
on the central individuals within the network,
ネットワークの中心部の人々に
06:00
including node A,
センサーをつけ
06:02
monitor those people that are right there in the middle of the network,
その人々を観察することによって
06:04
and somehow get an early detection
ネットワークを介して広がっている何かを
06:07
of whatever it is that is spreading through the network.
早期発見するのが理想です
06:09
So if you saw them contract a germ or a piece of information,
この人々が病気に感染したり情報を得たら
06:12
you would know that, soon enough,
近いうちに
06:15
everybody was about to contract this germ
全員にこの病原菌または情報が
06:17
or this piece of information.
伝わるだろうと分かるのです
06:19
And this would be much better
この方法は集団の構造を踏まえずに
06:21
than monitoring six randomly chosen people,
ランダムに選出した
06:23
without reference to the structure of the population.
6人を観察するよりずっと効果的です
06:25
And in fact, if you could do that,
実際 中心部の人々を観察できれば
06:28
what you would see is something like this.
このような結果が見られる筈です
06:30
On the left-hand panel, again, we have the S-shaped curve of adoption.
左の図には前に見たS字型の採用曲線があります
06:32
In the dotted red line, we show
赤の点線は
06:35
what the adoption would be in the random people,
ランダムに選出された人々の間での普及です
06:37
and in the left-hand line, shifted to the left,
左側の左にずれている線は
06:39
we show what the adoption would be
ネットワーク中心部の人々の間での
06:42
in the central individuals within the network.
普及を表します
06:44
On the Y-axis is the cumulative instances of contagion,
Y軸は感染者の累積人数です
06:46
and on the X-axis is the time.
X軸は時間です
06:48
And on the right-hand side, we show the same data,
右にあるのは同じデータですが
06:50
but here with daily incidence.
1日ごとの発症件数です
06:52
And what we show here is -- like, here --
ここにご覧いただけるのは
06:54
very few people are affected, more and more and more and up to here,
たった数人の感染者からどんどん増えて
06:56
and here's the peak of the epidemic.
ここで流行のピークとなることです
06:58
But shifted to the left is what's occurring in the central individuals.
左にずれたグラフが中心部の人々の状態です
07:00
And this difference in time between the two
そしてこの2つの間の時間差が
07:02
is the early detection, the early warning we can get,
兆しとなり
07:05
about an impending epidemic
この人々の間で流行が起こる
07:08
in the human population.
早期警告となるのです
07:10
The problem, however,
しかし問題は
07:12
is that mapping human social networks
社会的ネットワークを図にするのが
07:14
is not always possible.
いつも可能なわけでないことです
07:16
It can be expensive, not feasible,
コストが高すぎたり実施が難しかったり
07:18
unethical,
倫理的でなかったり
07:20
or, frankly, just not possible to do such a thing.
ただ単にそんなことは不可能な場合もあります
07:22
So, how can we figure out
では実際にネットワークを図にしないで
07:25
who the central people are in a network
どのように中心にいるのは誰かを
07:27
without actually mapping the network?
調べることができるのでしょうか?
07:29
What we came up with
我々が思いついたのは
07:32
was an idea to exploit an old fact,
社会的ネットワークについて前から
07:34
or a known fact, about social networks,
知られている現象を利用することでした
07:36
which goes like this:
このような現象です
07:38
Do you know that your friends
あなたの友人にはあなたより
07:40
have more friends than you do?
たくさん友人がいると知っていましたか?
07:42
Your friends have more friends than you do,
あなたの友人にはあなたより友人がいるのです
07:45
and this is known as the friendship paradox.
「友人関係のパラドックス」と言われています
07:48
Imagine a very popular person in the social network --
社会的ネットワークの中でとても人気があり
07:50
like a party host who has hundreds of friends --
友人が多いパーティのホストと
07:52
and a misanthrope who has just one friend,
友人は1人だけの人間嫌いがいるとします
07:55
and you pick someone at random from the population;
ここからランダムに選ばれた人はパーティのホストを
07:57
they were much more likely to know the party host.
知っている確率の方が高いのです
08:00
And if they nominate the party host as their friend,
彼らがパーティのホストを友人として挙げたら
08:02
that party host has a hundred friends,
パーティのホストには大勢の友人がいるので
08:04
therefore, has more friends than they do.
彼らよりも友人が多いということになります
08:06
And this, in essence, is what's known as the friendship paradox.
基本的にこれが「友人関係のパラドックス」というものです
08:09
The friends of randomly chosen people
ランダムに選ばれた人達よりその友人達の方が
08:12
have higher degree, and are more central
より多くのつながりを持ち
08:15
than the random people themselves.
中心寄りの位置にいるのです
08:17
And you can get an intuitive appreciation for this
ネットワークの端の方にいる人々に注目すると
08:19
if you imagine just the people at the perimeter of the network.
このことが自然に理解できると思います
08:21
If you pick this person,
この人を見ると
08:24
the only friend they have to nominate is this person,
友人として挙げられるのはこの人しかいません そして
08:26
who, by construction, must have at least two
この人にはネットワークの構造上 最低2人
08:29
and typically more friends.
通常はそれ以上の友人がいることになります
08:31
And that happens at every peripheral node.
端の節点のどれをとってもこの現象は見られ
08:33
And in fact, it happens throughout the network as you move in,
実際ネットワークの中心に向かって全体的に見られます
08:35
everyone you pick, when they nominate a random --
誰を選出してもです
08:38
when a random person nominates a friend of theirs,
ランダムに選出された人が友人を挙げると
08:40
you move closer to the center of the network.
ネットワークの中心に近づくわけです
08:43
So, we thought we would exploit this idea
そこで我々はこのアイデアを利用して
08:46
in order to study whether we could predict phenomena within networks.
ネットワーク内の現象を予測できるか研究しようと考えました
08:49
Because now, with this idea
このアイデアをもとにすれば
08:52
we can take a random sample of people,
ネットワークの図がなくても
08:54
have them nominate their friends,
集団からランダムに誰かを選び
08:56
those friends would be more central,
友人を挙げてもらって
08:58
and we could do this without having to map the network.
中央寄りの人の選出ができるからです
09:00
And we tested this idea with an outbreak of H1N1 flu
我々はハーバード大学での新型インフルエンザの発生で
09:03
at Harvard College
これを検証しました
09:06
in the fall and winter of 2009, just a few months ago.
つい2~3ヶ月前の2009年秋から冬でした
09:08
We took 1,300 randomly selected undergraduates,
ランダムに選出した学部生1300人に
09:11
we had them nominate their friends,
友人を挙げてもらい
09:14
and we followed both the random students and their friends
そのランダムの学生と友人の両方を
09:16
daily in time
毎日 追跡調査して
09:18
to see whether or not they had the flu epidemic.
流行のインフルエンザへの感染を調べました
09:20
And we did this passively by looking at whether or not they'd gone to university health services.
大学内診療所の利用監視と
09:23
And also, we had them [actively] email us a couple of times a week.
週に数回のメール報告での調査です
09:26
Exactly what we predicted happened.
すると我々が予想した通りのことが起こりました
09:29
So the random group is in the red line.
赤い線がランダムのグループです
09:32
The epidemic in the friends group has shifted to the left, over here.
友人グループの中での流行は左のこちらへ寄っています
09:35
And the difference in the two is 16 days.
2つのグループの違いは16日です
09:38
By monitoring the friends group,
友人グループを追跡することによって
09:41
we could get 16 days advance warning
この集団における感染流行を
09:43
of an impending epidemic in this human population.
16日前に警告できるわけです
09:45
Now, in addition to that,
またそれだけでなく
09:48
if you were an analyst who was trying to study an epidemic
アナリストが流行の研究や
09:50
or to predict the adoption of a product, for example,
新製品の普及の予測をしようするときに
09:53
what you could do is you could pick a random sample of the population,
集団からランダムに選んだサンプルと
09:56
also have them nominate their friends and follow the friends
さらに挙げてもらった友人の
09:59
and follow both the randoms and the friends.
両方のグループを追跡することができます
10:02
Among the friends, the first evidence you saw of a blip above zero
例えばその友人グループで
10:05
in adoption of the innovation, for example,
イノベーション普及に急上昇があれば
10:08
would be evidence of an impending epidemic.
流行の兆しとなります
10:11
Or you could see the first time the two curves diverged,
また左にあるように2つの線が
10:13
as shown on the left.
分岐し始めるのもサインです
10:16
When did the randoms -- when did the friends take off
友人グループの線が急上昇し
10:18
and leave the randoms,
ランダムサンプルのグループに差をつけて
10:21
and [when did] their curve start shifting?
開き始めたのはどの時点か?
10:23
And that, as indicated by the white line,
それはこの白い線が示す時点で
10:25
occurred 46 days
流行のピークの
10:27
before the peak of the epidemic.
46日前でした
10:29
So this would be a technique
つまりこの方法を使えば
10:31
whereby we could get more than a month-and-a-half warning
一定の集団の中で起こる
10:33
about a flu epidemic in a particular population.
インフルエンザの流行を1ヵ月半以上前に察知できるのです
10:35
I should say that
どのくらい前の時点で
10:38
how far advanced a notice one might get about something
そのような兆しが見られるかは
10:40
depends on a host of factors.
様々な要素により異なると思います
10:42
It could depend on the nature of the pathogen --
病原体の特性によることもあり得ます
10:44
different pathogens,
この方法で違う種類の病原体を
10:46
using this technique, you'd get different warning --
見た場合 異なる兆候が出ると思います
10:48
or other phenomena that are spreading,
他の広がっている現象でもそうです
10:50
or frankly, on the structure of the human network.
人のネットワークの構造が違うからということもあります
10:52
Now in our case, although it wasn't necessary,
我々の実例では必要ではなかったのですが 実際に
10:55
we could also actually map the network of the students.
学生のネットワークを図にすることが出来ました
10:58
So, this is a map of 714 students
これが714人の学生と
11:00
and their friendship ties.
彼らの友人のつながりを示した図です
11:02
And in a minute now, I'm going to put this map into motion.
これからこの図の移り変わりを見せます
11:04
We're going to take daily cuts through the network
ネットワークの日々の変化を
11:06
for 120 days.
120日分見てみましょう
11:08
The red dots are going to be cases of the flu,
赤い点がインフルエンザの感染を示します
11:10
and the yellow dots are going to be friends of the people with the flu.
そして黄色い点がインフルエンザ感染者の友人です
11:13
And the size of the dots is going to be proportional
点の大きさはインフルエンザに感染している
11:16
to how many of their friends have the flu.
友人の数に応じて大きくなります
11:18
So bigger dots mean more of your friends have the flu.
つまり大きい点はインフルエンザに感染した友人が多い人です
11:20
And if you look at this image -- here we are now in September the 13th --
この図を見てください 9月13日の状態です
11:23
you're going to see a few cases light up.
いくつか色のついた点がみられます
11:26
You're going to see kind of blooming of the flu in the middle.
インフルエンザが中心でポツポツ見られます
11:28
Here we are on October the 19th.
今10月19日の状態です
11:30
The slope of the epidemic curve is approaching now, in November.
11月になると流行のカーブが立ち上がり
11:33
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
パッパッと中心部で次々に感染が広がります
11:35
and then you're going to see a sort of leveling off,
そしてだんだん頭打ちになっていきます
11:38
fewer and fewer cases towards the end of December.
12月末に近づくにつれて感染がどんどん少なくなります
11:40
And this type of a visualization
このような可視化によって
11:43
can show that epidemics like this take root
こういった流行はまず
11:45
and affect central individuals first,
中央部の人間から感染して
11:47
before they affect others.
他の人々に感染することが明らかになります
11:49
Now, as I've been suggesting,
それで今まで申し上げてきたように
11:51
this method is not restricted to germs,
この方法は細菌だけでなく
11:53
but actually to anything that spreads in populations.
人々の間で伝染するもの何にでも使えます
11:56
Information spreads in populations,
情報は人々を通じて広がります
11:58
norms can spread in populations,
常識も人から人へと広がります
12:00
behaviors can spread in populations.
言動も人々の間で広がります
12:02
And by behaviors, I can mean things like criminal behavior,
言動というのは犯罪行為や
12:04
or voting behavior, or health care behavior,
選挙投票もあれば 健康管理行為で
12:07
like smoking, or vaccination,
喫煙や予防接種のようなこともあり
12:10
or product adoption, or other kinds of behaviors
製品普及やその他の行動で
12:12
that relate to interpersonal influence.
人間同士が影響し合うものもあります
12:14
If I'm likely to do something that affects others around me,
言動によって回りの人間が影響される傾向があったら
12:16
this technique can get early warning or early detection
この方法により その集団における流行の発生や
12:19
about the adoption within the population.
兆しを早期に知り得ることができるわけです
12:22
The key thing is that for it to work,
この方法が成り立つポイントは
12:25
there has to be interpersonal influence.
人間同士の影響があることです
12:27
It cannot be because of some broadcast mechanism
一斉に実施され全員が
12:29
affecting everyone uniformly.
同じように影響されるような仕組みでは駄目です
12:31
Now the same insights
さてこの同じ洞察を違うやり方で
12:35
can also be exploited -- with respect to networks --
ネットワークに関連するものに対して
12:37
can also be exploited in other ways,
活用することもできます
12:40
for example, in the use of targeting
介入目的のために特定の人々を
12:43
specific people for interventions.
対象として選ぶのに利用するのが一例です
12:45
So, for example, most of you are probably familiar
例えば皆さん集団免疫については
12:47
with the notion of herd immunity.
たぶん知っていると思いますが
12:49
So, if we have a population of a thousand people,
1000人のグループがいたとして
12:51
and we want to make the population immune to a pathogen,
このグループをある病原体から守りたい場合
12:54
we don't have to immunize every single person.
全員に予防接種する必要はありません
12:57
If we immunize 960 of them,
このうち960人に免疫ができれば
12:59
it's as if we had immunized a hundred [percent] of them.
1000人に予防接種したのと同じになります
13:01
Because even if one or two of the non-immune people gets infected,
たとえ1人か2人の免疫のない人が感染しても
13:04
there's no one for them to infect.
その人達が病気をうつす相手がいないからです
13:07
They are surrounded by immunized people.
免疫のある人ばかりに囲まれているわけです
13:09
So 96 percent is as good as 100 percent.
このように96%は100%と同じくらい効果的です
13:11
Well, some other scientists have estimated
1000人の中から30%をランダムで選出し
13:14
what would happen if you took a 30 percent random sample
予防接種をしたらどうなるか
13:16
of these 1000 people, 300 people and immunized them.
計算した科学者達がいましたが
13:18
Would you get any population-level immunity?
集団レベルでの免疫が得られるかと言うと
13:21
And the answer is no.
得られません
13:23
But if you took this 30 percent, these 300 people
でもこの同じ30%の300人に
13:26
and had them nominate their friends
友人を挙げてもらって
13:28
and took the same number of vaccine doses
同じ数の予防接種を
13:30
and vaccinated the friends of the 300 --
300人が挙げた友人達300人に
13:33
the 300 friends --
実施すると
13:35
you can get the same level of herd immunity
集団免疫と同等の免疫ができます
13:37
as if you had vaccinated 96 percent of the population
集団の96%に予防接種したのと同じ効果を
13:39
at a much greater efficiency, with a strict budget constraint.
厳しい予算でもずっと効率よく得られるのです
13:42
And similar ideas can be used, for instance,
似たようなアイデアを使って
13:45
to target distribution of things like bed nets
発展途上国で蚊帳などを配布する際に
13:47
in the developing world.
対象者を限定することもできます
13:49
If we could understand the structure of networks in villages,
村のネットワークの構造が分かっていれば
13:51
we could target to whom to give the interventions
蚊帳などの普及を促進する中心部の
13:54
to foster these kinds of spreads.
人々をターゲットにして介入援助できます
13:56
Or, frankly, for advertising with all kinds of products.
また率直に言って これはどんな商品の宣伝にも使えます
13:58
If we could understand how to target,
対象者の選定の仕方が分かれば
14:01
it could affect the efficiency
目的を達成する効率を
14:03
of what we're trying to achieve.
上げることができます
14:05
And in fact, we can use data
事実 現在ありとあらゆるところで
14:07
from all kinds of sources nowadays [to do this].
集められているデータを利用できます
14:09
This is a map of eight million phone users
こちらはヨーロッパにおける
14:11
in a European country.
800万人の電話利用者の関係図です
14:13
Every dot is a person, and every line represents
それぞれの点は人を表し
14:15
a volume of calls between the people.
線はその人達の間の電話回数を表します
14:17
And we can use such data, that's being passively obtained,
私達はこのような自動的に集められたデータによって
14:19
to map these whole countries
これらの国の全体像を見たり
14:22
and understand who is located where within the network.
ネットワークのどこに誰がいるか理解できます
14:24
Without actually having to query them at all,
特別なデータ処理などしなくても
14:27
we can get this kind of a structural insight.
このような構造の洞察を得ることができるのです
14:29
And other sources of information, as you're no doubt aware
お気づきと思いますが このようなデータは
14:31
are available about such features, from email interactions,
他の情報源からも手にすることができます
14:34
online interactions,
メールやインターネット上のやりとり
14:37
online social networks and so forth.
ソーシャルネットワークなどです
14:39
And in fact, we are in the era of what I would call
実際 今の時代は
14:42
"massive-passive" data collection efforts.
大量のデータが自動的に蓄積されています
14:44
They're all kinds of ways we can use massively collected data
大量に収集されたデータの使い道は幾通りもあります
14:47
to create sensor networks
集団を追跡するためのセンサーとなる
14:50
to follow the population,
中心部の人々を特定したり
14:53
understand what's happening in the population,
その集団の中で何が起こっているか理解したり
14:55
and intervene in the population for the better.
改善の為に介入したりできます
14:57
Because these new technologies tell us
最近の技術では
15:00
not just who is talking to whom,
誰と誰がしゃべっているかだけでなく
15:02
but where everyone is,
人々がどこにいるのかも分かるからです
15:04
and what they're thinking based on what they're uploading on the Internet,
アップロードされるものから人々が考えていることが分かり
15:06
and what they're buying based on their purchases.
購入記録から商品の売れ筋も分かります
15:09
And all this administrative data can be pulled together
これらすべての管理データを合わせて処理すれば
15:11
and processed to understand human behavior
人々の行動を
15:14
in a way we never could before.
以前はできなかった方法で理解できます
15:16
So, for example, we could use truckers' purchases of fuel.
トラックの運転手による燃料購入を例にします
15:19
So the truckers are just going about their business,
運転手達は普段通りに仕事をして
15:22
and they're buying fuel.
燃料を購入します
15:24
And we see a blip up in the truckers' purchases of fuel,
私たちは燃料の購入量が急上昇するのを見て
15:26
and we know that a recession is about to end.
経済低迷期の終わりが近いと分かります
15:29
Or we can monitor the velocity
または人々が高速道路を
15:31
with which people are moving with their phones on a highway,
移動している速度を携帯電話で計測することもできます
15:33
and the phone company can see,
電話会社は
15:36
as the velocity is slowing down,
速度が落ちるのを見て
15:38
that there's a traffic jam.
渋滞を感知できます
15:40
And they can feed that information back to their subscribers,
更にその情報を携帯電話ユーザーに提供できるわけです
15:42
but only to their subscribers on the same highway
それも同じ高速道路上で
15:45
located behind the traffic jam!
その渋滞の後続のユーザーに限定できます
15:47
Or we can monitor doctors prescribing behaviors, passively,
医師の薬品処方状況を観察することもできます
15:49
and see how the diffusion of innovation with pharmaceuticals
新規の医薬品がどのように医師の間で普及するのか
15:52
occurs within [networks of] doctors.
理解することができます
15:55
Or again, we can monitor purchasing behavior in people
人々の商品購入状況の観察をして
15:57
and watch how these types of phenomena
このようなタイプの現象がどうやって
15:59
can diffuse within human populations.
人々の間で普及するのか確認することができます
16:01
And there are three ways, I think,
自動蓄積された大量データの利用法は
16:04
that these massive-passive data can be used.
3つあると思います
16:06
One is fully passive,
1つ目は完全に受身的な
16:08
like I just described --
先ほど説明したようなものです
16:10
as in, for instance, the trucker example,
トラックの運転手の例のような
16:12
where we don't actually intervene in the population in any way.
実際には集団に一切介入しないしないものです
16:14
One is quasi-active,
そして半能動的な
16:16
like the flu example I gave,
例に挙げたインフルエンザのような
16:18
where we get some people to nominate their friends
人々に友人を挙げてもらい
16:20
and then passively monitor their friends --
彼らがインフルエンザに感染しないか
16:23
do they have the flu, or not? -- and then get warning.
観察して警告を受けるものもあります
16:25
Or another example would be,
別の例として
16:27
if you're a phone company, you figure out who's central in the network
電話会社がネットワークの中心に位置する人を調べて
16:29
and you ask those people, "Look, will you just text us your fever every day?
「毎日熱を測って携帯メールで送ってもらえますか?」
16:32
Just text us your temperature."
「体温だけでかまいません」と頼み
16:35
And collect vast amounts of information about people's temperature,
大量の体温データを中心部の人々に限定して
16:37
but from centrally located individuals.
収集することも考えられます
16:40
And be able, on a large scale,
こうして人々の最低限の情報提供だけで
16:42
to monitor an impending epidemic
伝染病の流行の兆しを
16:44
with very minimal input from people.
広範囲に監視できるのです
16:46
Or, finally, it can be more fully active --
またはもっと積極的なアプローチもできます
16:48
as I know subsequent speakers will also talk about today --
このあとの講演者も話しますが
16:50
where people might globally participate in wikis,
人々が世界中からウィキに参加したり
16:52
or photographing, or monitoring elections,
写真や選挙の追跡をしたりして
16:54
and upload information in a way that allows us to pool
情報をアップロードしたものを
16:57
information in order to understand social processes
社会的プロセスや現象を理解するために
16:59
and social phenomena.
収集することもできます
17:01
In fact, the availability of these data, I think,
事実これらのデータが入手できるのは
17:03
heralds a kind of new era
専門家が言うところの
17:05
of what I and others would like to call
「計算社会科学」のような一種の新たな
17:07
"computational social science."
時代の到来を告げています
17:09
It's sort of like when Galileo invented -- or, didn't invent --
これはガリレオが望遠鏡を使って
17:11
came to use a telescope
それまでにないやり方で
17:14
and could see the heavens in a new way,
天空の観察ができたことや
17:16
or Leeuwenhoek became aware of the microscope --
レーウェンフクが顕微鏡を発明し
17:18
or actually invented --
生物学に新たな見解を
17:20
and could see biology in a new way.
もたらしたことに似ています
17:22
But now we have access to these kinds of data
今度は大量データが入手できるようになり
17:24
that allow us to understand social processes
社会的プロセスや現象を
17:26
and social phenomena
以前にはなかったやり方で
17:28
in an entirely new way that was never before possible.
理解することができるようになったわけです
17:30
And with this science, we can
そしてこの科学により私達は
17:33
understand how exactly
社会全体が具体的にどうやって
17:35
the whole comes to be greater
ただ一人ひとりを足しただけよりも
17:37
than the sum of its parts.
偉大となるのか理解することができるのです
17:39
And actually, we can use these insights
そして実際にこれらの洞察を利用して
17:41
to improve society and improve human well-being.
社会および人々の生活を改善できるのです
17:43
Thank you.
ありがとうございました
17:46
Translated by Sawa Horibe
Reviewed by Natsuhiko Mizutani

▲Back to top

About the Speaker:

Nicholas Christakis - Physician, social scientist
Nicholas Christakis explores how the large-scale, face-to-face social networks in which we are embedded affect our lives, and what we can do to take advantage of this fact.

Why you should listen

People aren't merely social animals in the usual sense, for we don't just live in groups. We live in networks -- and we have done so ever since we emerged from the African savannah. Via intricately branching paths tracing out cascading family connections, friendship ties, and work relationships, we are interconnected to hundreds or even thousands of specific people, most of whom we do not know. We affect them and they affect us.

Nicholas Christakis' work examines the biological, psychological, sociological, and mathematical rules that govern how we form these social networks, and the rules that govern how they shape our lives. His work shows how phenomena as diverse as obesity, smoking, emotions, ideas, germs, and altruism can spread through our social ties, and how genes can partially underlie our creation of social ties to begin with. His work also sheds light on how we might take advantage of an understanding of social networks to make the world a better place.

At Yale, Christakis is a Professor of Social and Natural Science, and he directs a diverse research group in the field of biosocial science, primarily investigating social networks. His popular undergraduate course "Health of the Public" is available as a podcast. His book, Connected, co-authored with James H. Fowler, appeared in 2009, and has been translated into 20 languages. In 2009, he was named by Time magazine to its annual list of the 100 most influential people in the world, and also, in 2009 and 2010, by Foreign Policy magazine to its list of 100 top global thinkers

More profile about the speaker
Nicholas Christakis | Speaker | TED.com