TED2010
Nicholas Christakis: The hidden influence of social networks
Νικόλας Χρηστάκης: Η κρυφή επιρροή των κοινωνικών δικτύων
Filmed:
Readability: 4.3
1,674,218 views
Είμαστε όλοι συνδεδεμένοι σε τεράστια κοινωνικά δίκτυα φίλων, οικογένειας, συναδέλφων κ.α. Ο Νικόλας Χρηστάκης περιγράφει πώς μια (τεράστια γκαμα/ευρεία ποικιλία) χαρακτηριστικών - από την ευτυχία μέχρι την παχυσαρκία - μπορει/ούν να διαδοθει/ούν από άτομο σε άτομο, δείχνοντας() πως η θέση μας στο δίκτυο μπορεί να επηρρεάσει τη ζωή μας με τρόπους που δεν είχαμε φανταστεί.
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. Full bio
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
Double-click the English transcript below to play the video.
00:16
For me, this story begins about 15 years ago,
0
1000
3000
Για μένα, (αυτή) η ιστορία ξεκινάει 15 χρόνια πριν,
00:19
when I was a hospice doctor at the University of Chicago.
1
4000
3000
όταν ήμουν ιατρός σε βαριά ασθενείς στο (πανεπιστημιακό) νοσοκομείο/άσυλο του Σικάγο.()
00:22
And I was taking care of people who were dying and their families
2
7000
3000
Περιέθαλπτα ετοιμοθάνατους ασθενείς, και τις οικογένειές τους,
00:25
in the South Side of Chicago.
3
10000
2000
στην νότια πλευρά() του Σικάγο(υ).
00:27
And I was observing what happened to people and their families
4
12000
3000
Παρατηρούσα τι συνέβαινε σ'αυτους() (σ)τους ανθρώπους και τις οικογένειές τους
00:30
over the course of their terminal illness.
5
15000
3000
(κατά τη διάρκεια) στο/του τελευταίο σταδίο(υ) της ασθένειας τους.
00:33
And in my lab, I was studying the widower effect,
6
18000
2000
Στο εργαστήριό μου, μελετούσα "το φαινόμενο του χήρου",
00:35
which is a very old idea in the social sciences,
7
20000
2000
που είναι μία πολύ παλιλα ιδέα στις κοινωνικές επιστήμες,
00:37
going back 150 years,
8
22000
2000
σχεδόν 150 χρόνια παλιά,
00:39
known as "dying of a broken heart."
9
24000
2000
γνωστή (με τον όρο/ως) "πεθαίνωντας από ραγισμένη καρδιά"/σαράκι.()
00:41
So, when I die, my wife's risk of death can double,
10
26000
3000
Έτσι, όταν πεθάνω, η πιθανότητα να πεθάνει και η γυναίκα μου διπλασιάζεται,
00:44
for instance, in the first year.
11
29000
2000
για παράδειγμα, (μέσα) στον πρώτο χρόνο.
00:46
And I had gone to take care of one particular patient,
12
31000
3000
Εκείνη την περίοδο είχα αναλάβει μια συγκεκριμένη ασθενή,
00:49
a woman who was dying of dementia.
13
34000
2000
μία γυναίκα που πέθαινε από άνοια.
00:51
And in this case, unlike this couple,
14
36000
2000
Στην περίπτωση αυτή λοιπόν, σε αντίθεση με αυτό το ζεύγος()
00:53
she was being cared for
15
38000
2000
την φρόντιζε
00:55
by her daughter.
16
40000
2000
η κόρη της.
00:57
And the daughter was exhausted from caring for her mother.
17
42000
3000
Η κόρη ήταν εξουθενωμένη από την μέριμνα για τη μητέρα της.
01:00
And the daughter's husband,
18
45000
2000
Ο σύζυγος της κόρης
01:02
he also was sick
19
47000
3000
είχε επίσης βαρεθεί()
01:05
from his wife's exhaustion.
20
50000
2000
την κούραση της γυναίκας του.()
01:07
And I was driving home one day,
21
52000
2000
Οδηγώντας προς το σπίτι μία μέρα,
01:09
and I get a phone call from the husband's friend,
22
54000
3000
δέχομαι ένα τηλεφώνημα από ένα φίλο του συζύγου της κόρης()
01:12
calling me because he was depressed
23
57000
2000
λέγοντάς μου πως ήταν σε κατάθλιψη
01:14
about what was happening to his friend.
24
59000
2000
γι'αυτό που συνέβαινε στον φίλο του.
01:16
So here I get this call from this random guy
25
61000
2000
Έτσι λοιπόν δέχομαι αυτή την κλήση από έναν άγνωστο άνδρα
01:18
that's having an experience
26
63000
2000
που είχε μία εμπειρία,
01:20
that's being influenced by people
27
65000
2000
η οποια επηρρεάστηκε από ανθρώπους()
01:22
at some social distance.
28
67000
2000
που βρίσκονταν σε κάποια κοινωνική απόσταση.
01:24
And so I suddenly realized two very simple things:
29
69000
3000
Ξαφνικά συνειδητοποιώ δύο πολύ απλά πράγματα.
01:27
First, the widowhood effect
30
72000
2000
Πρώτον, το φαινόμενο της χηρείας
01:29
was not restricted to husbands and wives.
31
74000
3000
δεν ήταν περιορισμένο μόνο ανάμεσα σε/στους συζύγους.
01:32
And second, it was not restricted to pairs of people.
32
77000
3000
Και δεύτερον, δεν αφορούσε μόνο σε/στα ζευγάρια ανθρώπων.
01:35
And I started to see the world
33
80000
2000
Αρχισα λοιπον να βλεπω τον κοσμο
01:37
in a whole new way,
34
82000
2000
με ενα εντελως καινουριο τροπο,
01:39
like pairs of people connected to each other.
35
84000
3000
σαν ζευγη ατομων συνδεδεμενα μεταξυ τους.
01:42
And then I realized that these individuals
36
87000
2000
Στη συνεχεια ειδα οτι αυτα τα ατομα
01:44
would be connected into foursomes with other pairs of people nearby.
37
89000
3000
συνδεονταν σε τετραδες με αλλα κοντινα τους ζευγαρια.
01:47
And then, in fact, these people
38
92000
2000
Και στην ουσια, αυτοι οι ανθρωποι
01:49
were embedded in other sorts of relationships:
39
94000
2000
ενσωματονονταν και σε αλλου ειδους σχεσεις,
01:51
marriage and spousal
40
96000
2000
γαμους,
01:53
and friendship and other sorts of ties.
41
98000
2000
φιλιες και αλλων ειδων συγγενειες.
01:55
And that, in fact, these connections were vast
42
100000
3000
Και τελικα αυτες οι συνδεσεις κατεληγαν να ειναι τεραστιες,
01:58
and that we were all embedded in this
43
103000
2000
και ολοι ειμαστε εμπλεκομενοι σε αυτους
02:00
broad set of connections with each other.
44
105000
3000
τους τυπους συνδεσεων με τους υπολοιπους.
02:03
So I started to see the world in a completely new way
45
108000
3000
Ετσι αρχισα να βλεπω τον κοσμο με νεα προοπτικη
02:06
and I became obsessed with this.
46
111000
2000
και κυριολεκτικα μου εγινε εμμονη.
02:08
I became obsessed with how it might be
47
113000
2000
Μου εγινε εμμονη το πώς
02:10
that we're embedded in these social networks,
48
115000
2000
αυτου του ειδους η εμπλοκη μας στα κοινωνικα δικτυα
02:12
and how they affect our lives.
49
117000
2000
μπορει να επηρρεασει τις ζωες μας.
02:14
So, social networks are these intricate things of beauty,
50
119000
3000
Ετσι, τα κοινωνικα δικτυα ειναι αυτα τα πολυπλοκα ομορφα πραγματα,
02:17
and they're so elaborate and so complex
51
122000
2000
τοσο περιτεχνα και περιπλοκα,
02:19
and so ubiquitous, in fact,
52
124000
2000
τοσο ευρεως διαδεδομενα,
02:21
that one has to ask what purpose they serve.
53
126000
3000
που καποιος αναρωτιεται για το ποιος ειναι ο σκοπος που εξυπηρετουν.
02:24
Why are we embedded in social networks?
54
129000
2000
Γιατι αραγε ειμαστε οργανωμενοι σε κοινωνικα δικτυα?
02:26
I mean, how do they form? How do they operate?
55
131000
2000
Εννοω, πως σχηματιζονται? πως λειτουργουν?
02:28
And how do they effect us?
56
133000
2000
Και πως μας επηρρεαζουν?
02:30
So my first topic with respect to this,
57
135000
3000
Το πρωτο μου θεμα σχετικο με αυτο
02:33
was not death, but obesity.
58
138000
3000
δεν ηταν ο θανατος, αλλα η παχυσαρκια.
02:36
It had become trendy
59
141000
2000
Ξαφνικα ειχε γινει μοδα
02:38
to speak about the "obesity epidemic."
60
143000
2000
να μιλαμε για την "επιδημια της παχυσαρκιας".
02:40
And, along with my collaborator, James Fowler,
61
145000
3000
Μαζι με τον συνεργατη μου, Τζειμς Φαουλερ,
02:43
we began to wonder whether obesity really was epidemic
62
148000
3000
αρχισαμε να αναρωτιομαστε αν η παχυσαρκια τελικα ηταν επιδημια
02:46
and could it spread from person to person
63
151000
2000
και αν μπορουσε να εξαπλωθει απο ανθρωπο σε ανθρωπο
02:48
like the four people I discussed earlier.
64
153000
3000
οπως στους τεσσερις για τους οποιους μιλησα προηγουμενως.
02:51
So this is a slide of some of our initial results.
65
156000
3000
Αυτο ειναι ενα δειγμα απο καποια απο τα αρχικα μας συμπερασματα.
02:54
It's 2,200 people in the year 2000.
66
159000
3000
Ειναι 2.200 ανθρωποι το 2000.
02:57
Every dot is a person. We make the dot size
67
162000
2000
Καθε τελεια αντιστοιχει σε ενα ατομο. Φανταστειτε την καθε τελεια
02:59
proportional to people's body size;
68
164000
2000
αναλογικα με το μεγεθος ενος ανθρωπινου σωματος.
03:01
so bigger dots are bigger people.
69
166000
3000
Ετσι οι μεγαλυτερες τελειες αφορουν πιο ευσωμους ανθρωπους.
03:04
In addition, if your body size,
70
169000
2000
Επιπλεον, αν το μεγεθος του σωματος σας,
03:06
if your BMI, your body mass index, is above 30 --
71
171000
2000
αν ο δεικτης μαζας σωματος σας ειναι πανω απο 30,
03:08
if you're clinically obese --
72
173000
2000
αν ειστε δηλαδη κλινικα παχυσαρκος,
03:10
we also colored the dots yellow.
73
175000
2000
η τελεια ειναι χρωματισμενη κιτρινη.
03:12
So, if you look at this image, right away you might be able to see
74
177000
2000
Ετσι, κοιτωντας προσεκτικα την εικονα, θα δειτε αμέσως
03:14
that there are clusters of obese and
75
179000
2000
πως υπαρχουν συμπλεγματα αναμεσα σε παχυσαρκους
03:16
non-obese people in the image.
76
181000
2000
και μη παχυσαρκους ανθρωπους.
03:18
But the visual complexity is still very high.
77
183000
3000
Αλλα ακομα η οπτικη πολυπλοκοτητα ειναι μεγαλη.
03:21
It's not obvious exactly what's going on.
78
186000
3000
Δεν ειναι ξεκαθαρο τι ακριβως συμβαινει.
03:24
In addition, some questions are immediately raised:
79
189000
2000
Εγειρονται επισης ερωτηματικα.
03:26
How much clustering is there?
80
191000
2000
Ποσα συμπλεγματα δημιουργουνται εδω;
03:28
Is there more clustering than would be due to chance alone?
81
193000
3000
Μηπως καποια απο αυτα δημιουργηθηκαν στην τυχη;
03:31
How big are the clusters? How far do they reach?
82
196000
2000
Ποσο μεγαλα ειναι αυτα τα συμπλεγματα; Μεχρι πού εκτεινονται;
03:33
And, most importantly,
83
198000
2000
Και το πιο σημαντικο,
03:35
what causes the clusters?
84
200000
2000
τι τα προκαλει;
03:37
So we did some mathematics to study the size of these clusters.
85
202000
3000
Ετσι χρησιμοποιησαμε τα μαθηματικα για να μελετησουμε το μεγεθος αυτων των συμπλεγματων.
03:40
This here shows, on the Y-axis,
86
205000
2000
Εδω βλεπουμε, στον κατακόρυφο αξονα,
03:42
the increase in the probability that a person is obese
87
207000
3000
την αυξηση της πιθανοτητας καποιος να ειναι παχυσαρκος,
03:45
given that a social contact of theirs is obese
88
210000
2000
αν καποιος απο τον κονωνικο του περιγυρο ειναι ηδη παχυσαρκος.
03:47
and, on the X-axis, the degrees of separation between the two people.
89
212000
3000
Και στον οριζόντιο αξονα, τους βαθμους διαχωρισμου αναμεσα στους δυο αυτους ανθρωπους.
03:50
On the far left, you see the purple line.
90
215000
2000
Στο αριστερο ακρο, βλεπετε μια μωβ γραμμη.
03:52
It says that, if your friends are obese,
91
217000
2000
Αυτη συμβολιζει, πως αν οι φιλοι σας ειναι παχυσαρκοι,
03:54
your risk of obesity is 45 percent higher.
92
219000
3000
εχετε 45% μεγαλυτερη πιθανοτητα να γινετε κι εσεις παχυσαρκος.
03:57
And the next bar over, the [red] line,
93
222000
2000
Η επομενη γραμμη, η πορτοκαλι,
03:59
says if your friend's friends are obese,
94
224000
2000
μας δειχνει πως αν οι φιλοι των φιλων σας ειναι παχυσαρκοι,
04:01
your risk of obesity is 25 percent higher.
95
226000
2000
η πιθανοτητα ειναι 25% μεγαλυτερη.
04:03
And then the next line over says
96
228000
2000
Και η επομενη γραμμη εδω, μας δειχνει
04:05
if your friend's friend's friend, someone you probably don't even know, is obese,
97
230000
3000
πως αν οι φιλοι των φιλων των φιλων σας, καποιοι που πιθανως ουτε καν γνωριζετε, ειναι παχυσαρκοι,
04:08
your risk of obesity is 10 percent higher.
98
233000
3000
η πιθανοτητα να γινετε κι εσεις παχυσαρκοι ειναι κατα 10% μεγαλυτερη.
04:11
And it's only when you get to your friend's friend's friend's friends
99
236000
3000
Μονο οταν φτασουμε στους φιλους των φιλων των φιλων των φιλων σας
04:14
that there's no longer a relationship
100
239000
2000
παυει να υπαρχει καποια σχεση
04:16
between that person's body size and your own body size.
101
241000
3000
αναμεσα στο σωματοτυπο τους και τον δικο σας.
04:20
Well, what might be causing this clustering?
102
245000
3000
Τελικα, τι μπορει να προκαλει αυτα τα συμπλεγματα?
04:23
There are at least three possibilities:
103
248000
2000
Υπαρχουν τουλαχιστον τρεις δυνατοτητες..
04:25
One possibility is that, as I gain weight,
104
250000
2000
Η μια ειναι, καθως εγω παιρνω βαρος,
04:27
it causes you to gain weight.
105
252000
2000
παιρνεις κι εσυ βαρος,
04:29
A kind of induction, a kind of spread from person to person.
106
254000
3000
ενα ειδος επαγωγης, μια μεταδοση απο ατομο σε ατομο.
04:32
Another possibility, very obvious, is homophily,
107
257000
2000
Μια αλλη πιθανοτητα, αρκετα φανερη, ειναι η ομοφυλια,
04:34
or, birds of a feather flock together;
108
259000
2000
σαν ενα σμηνος πουλιων.
04:36
here, I form my tie to you
109
261000
2000
Συμφωνα με αυτο το μοντελο, σχηματιζω το δεσμο μου μαζι σου
04:38
because you and I share a similar body size.
110
263000
3000
επειδη εχουμε ομοιους σωματοτυπους.
04:41
And the last possibility is what is known as confounding,
111
266000
2000
Ο τελευταιος λογος ειναι γνωστος ως συγχυση,
04:43
because it confounds our ability to figure out what's going on.
112
268000
3000
επειδη δυσκολευει την αντιληψη μας στο τι συμβαινει.
04:46
And here, the idea is not that my weight gain
113
271000
2000
Η βασικη ιδεα εδω δεν ειναι οτι η δικη μου αυξηση βαρους
04:48
is causing your weight gain,
114
273000
2000
προκαλει αυξηση βαρους και σε σενα,
04:50
nor that I preferentially form a tie with you
115
275000
2000
ουτε οτι επιλεκτικα σχηματιζω δεσμους μαζι σου,
04:52
because you and I share the same body size,
116
277000
2000
επειδη εχουμε τον ιδιο σωματοτυπο.
04:54
but rather that we share a common exposure
117
279000
2000
Ειναι μαλλον οτι μοιραζομαστε μια κοινη εκθεση,
04:56
to something, like a health club
118
281000
3000
σε κατι, οπως ενα γυμναστηριο,
04:59
that makes us both lose weight at the same time.
119
284000
3000
η οποια μας οδηγει στο να χασουμε και οι δυο βαρος ταυτοχρονα.
05:02
When we studied these data, we found evidence for all of these things,
120
287000
3000
Οταν μελετησαμε αυτα τα δεδομενα, βρηκαμε στοιχεια για ολα αυτα τα πραγματα,
05:05
including for induction.
121
290000
2000
συμπεριλαμβανομενης και της επαγωγης.
05:07
And we found that if your friend becomes obese,
122
292000
2000
Και ανακαλυψαμε οτι αν ο φιλος σας γινει παχυσαρκος,
05:09
it increases your risk of obesity by about 57 percent
123
294000
3000
το ποσοστο του να γινετε κι εσεις παχυσαρκος αυξανει στο 57%
05:12
in the same given time period.
124
297000
2000
την ιδια χρονικη περιοδο.
05:14
There can be many mechanisms for this effect:
125
299000
3000
Υπαρχουν αρκετοι μηχανισμοι για το πως λειτουργει αυτο το φαινομενο.
05:17
One possibility is that your friends say to you something like --
126
302000
2000
Ενας λογος ειναι οτι ο φιλος σας σάς λεει κατι σαν --
05:19
you know, they adopt a behavior that spreads to you --
127
304000
3000
ξερετε, υιοθετουν μια συμπεριφορα που μεταδιδεται σε σας --
05:22
like, they say, "Let's go have muffins and beer,"
128
307000
3000
λενε κατι σαν "Παμε να πλακωθουμε στα γλυκα και τη μπυρα",
05:25
which is a terrible combination. (Laughter)
129
310000
3000
που ειναι ενας φρικτος συνδυασμος.
05:28
But you adopt that combination,
130
313000
2000
Αλλα εσεις υιοθετειτε αυτον τον συνδυασμο
05:30
and then you start gaining weight like them.
131
315000
3000
κι ετσι αρχιζετε να παιρνετε βαρος σαν κι αυτους.
05:33
Another more subtle possibility
132
318000
2000
Ενας αλλος, πιο υπουλος λογος,
05:35
is that they start gaining weight, and it changes your ideas
133
320000
3000
ειναι οτι οταν οι φιλοι σας αρχιζουν να παιρουν βαρος, αυτο αλλαζει την αποψη σας
05:38
of what an acceptable body size is.
134
323000
2000
για το τι σημαινει για σας ενας αποδεκτος σωματοτυπος.
05:40
Here, what's spreading from person to person
135
325000
2000
Εδω, αυτο που τελικα μεταδιδεται απο ανθρωπο σε αθρωπο
05:42
is not a behavior, but rather a norm:
136
327000
2000
δεν ειναι η συμπεριφορα, αλλα μαλλον ενα πρoτυπο.
05:44
An idea is spreading.
137
329000
2000
Μια ιδεα μεταδιδεται.
05:46
Now, headline writers
138
331000
2000
Οι δημοσιογραφοι που γραφουν τους κυριους τιτλους
05:48
had a field day with our studies.
139
333000
2000
"εκαναν παρτι" με τις ερευνες μας.
05:50
I think the headline in The New York Times was,
140
335000
2000
Νομιζω ο τιτλος στους New York Times ελεγε:
05:52
"Are you packing it on?
141
337000
2000
"Εχετε παχυνει;
05:54
Blame your fat friends." (Laughter)
142
339000
3000
Κατηγορειστε τους χοντρους φιλους σας γι' αυτο."
05:57
What was interesting to us is that the European headline writers
143
342000
2000
Αυτο που βρηκαμε ενδιαφερον ηταν οτι οι αντιστοιχοι ευρωπαικοι τιτλοι,
05:59
had a different take: They said,
144
344000
2000
ηταν διαφορετικοι: ελεγαν
06:01
"Are your friends gaining weight? Perhaps you are to blame."
145
346000
3000
"Οι φιλοι σας παιρνουν βαρος; Ισως φταιτε εσεις γι' αυτο."
06:04
(Laughter)
146
349000
5000
(Γελια)
06:09
And we thought this was a very interesting comment on America,
147
354000
3000
Ετσι σκεφτηκαμε οτι ηταν ενα πολυ συνηθισμενο σχολιο αυτο στην Αμερικη,
06:12
and a kind of self-serving,
148
357000
2000
και αρκετα συμφεροντολογικο,
06:14
"not my responsibility" kind of phenomenon.
149
359000
2000
κατι σαν ενα "δεν-ειναι-δικη-μου-ευθυνη" φαινομενο.
06:16
Now, I want to be very clear: We do not think our work
150
361000
2000
Θελω να ειμαι σαφης: δεν πιστευουμε οτι η δουλεια μας
06:18
should or could justify prejudice
151
363000
2000
θα επρεπε η θα μπορουσε να δικαιολογησει την προκαταληψη
06:20
against people of one or another body size at all.
152
365000
3000
απεναντι σε ανθρωπους συγκεκριμενου σωματοτυπου.
06:24
Our next questions was:
153
369000
2000
Τωρα, η επομενη ερωτηση μας ειναι:
06:26
Could we actually visualize this spread?
154
371000
3000
Μπορουμε να οπτικοποιησουμε αυτη την εξαπλωση;
06:29
Was weight gain in one person actually spreading
155
374000
2000
Τελικα η αυξηση βαρους ενος ατομου οδηγουσε
06:31
to weight gain in another person?
156
376000
2000
σε αυξηση βαρους ενος αλλου;
06:33
And this was complicated because
157
378000
2000
Αυτο ηταν δυσκολο επειδη
06:35
we needed to take into account the fact that the network structure,
158
380000
3000
επρεπε να λαβουμε υποψιν μας οτι η δομη του δικτυου,
06:38
the architecture of the ties, was changing across time.
159
383000
3000
η αρχιτεκτονικη των συνδεσμων, αλλαζε με την παροδο του χρονου.
06:41
In addition, because obesity is not a unicentric epidemic,
160
386000
3000
Επισης, επειδη η παχυσαρκια δεν ειναι μια εντοπισμενη επιδημια,
06:44
there's not a Patient Zero of the obesity epidemic --
161
389000
3000
δεν υπηρχε ο "ασθενης μηδεν" (αρχικος ασθενης) της επιδημιας της παχυσαρκιας --
06:47
if we find that guy, there was a spread of obesity out from him --
162
392000
3000
αν βρισκαμε αυτον τον τυπο θα λεγαμε οτι η παχυσαρκια ξεκινησε απο εκεινον.
06:50
it's a multicentric epidemic.
163
395000
2000
Προκειται για μια πολυκεντρικη επιδημια.
06:52
Lots of people are doing things at the same time.
164
397000
2000
Πολλοι ανθρωποι κανουν πραγματα την ιδια στιγμη.
06:54
And I'm about to show you a 30 second video animation
165
399000
3000
Θα σας δειξω τωρα ενα βιντεο κινουμενων σχεδιων 30 δευτερολεπτων,
06:57
that took me and James five years of our lives to do.
166
402000
3000
που χρειαστηκαν 5 χρονια απο τη ζωη του Τζειμς και της δικης μου για να το φτιαξουμε.
07:00
So, again, every dot is a person.
167
405000
2000
Και παλι, καθε τελεια αντιστοιχει σε εναν ανθρωπο.
07:02
Every tie between them is a relationship.
168
407000
2000
Καθε συνδεσμος μεταξυ τους ειναι μια σχεση.
07:04
We're going to put this into motion now,
169
409000
2000
Ξεκιναμε λοιπον να το βλεπουμε,
07:06
taking daily cuts through the network for about 30 years.
170
411000
3000
κανοντας καθημερινες τομες στο δικτυο για 30 χρονια.
07:09
The dot sizes are going to grow,
171
414000
2000
Το μεγεθος των τελειων αρχιζει να μεγαλωνει.
07:11
you're going to see a sea of yellow take over.
172
416000
3000
Θα δειτε πως μια πληθωρα κιτρινων σημειων καταλαμβανει την οθονη.
07:14
You're going to see people be born and die --
173
419000
2000
Θα δειτε ανθρωπους να γεννιουνται και να πεθαινουν,
07:16
dots will appear and disappear --
174
421000
2000
τελειες να εμφανιζονται και αλλες να εξαφανιζονται.
07:18
ties will form and break, marriages and divorces,
175
423000
3000
Δεσμοι θα σχηματιζονται και αλλοι θα σπανε. Γαμοι και διαζυγια,
07:21
friendings and defriendings.
176
426000
2000
φιλιες να δημιουργουνται και αλλες να χαλανε,
07:23
A lot of complexity, a lot is happening
177
428000
2000
μεγαλη πολυπλοκοτητα, πολλα πραγματα συμβαινουν
07:25
just in this 30-year period
178
430000
2000
μεσα σ'αυτα τα 30 χρονια,
07:27
that includes the obesity epidemic.
179
432000
2000
που περιλαμβανουν την επιδημιας της παχυσαρκιας.
07:29
And, by the end, you're going to see clusters
180
434000
2000
Στο τελος, θα δειτε συμπλεγματα,
07:31
of obese and non-obese individuals
181
436000
2000
παχυσαρκων και μη παχυσαρκων ανθρωπων,
07:33
within the network.
182
438000
2000
εντος του δικτυου.
07:35
Now, when looked at this,
183
440000
3000
Παρατηρωντας το,
07:38
it changed the way I see things,
184
443000
3000
αλλαξε τελειως ο τροπος με τον οποιο εβλεπα τα πραγματα
07:41
because this thing, this network
185
446000
2000
επειδη αυτο το πραγμα, αυτο το δικτυο,
07:43
that's changing across time,
186
448000
2000
που μεταβαλλεται με το χρονο,
07:45
it has a memory, it moves,
187
450000
3000
εχει μνημη, κινειται,
07:48
things flow within it,
188
453000
2000
καταστασεις ρεουν μεσα του,
07:50
it has a kind of consistency --
189
455000
2000
εχει ενα ειδος συνοχης.
07:52
people can die, but it doesn't die;
190
457000
2000
Οι ανθρωποι μπορει να πεθαινουν, το ιδιο ομως οχι,
07:54
it still persists --
191
459000
2000
συνεχιζει.
07:56
and it has a kind of resilience
192
461000
2000
Εμφανιζει μια ανθεκτικοτητα
07:58
that allows it to persist across time.
193
463000
2000
που του επιτρεπει να αντεχει στο χρονο.
08:00
And so, I came to see these kinds of social networks
194
465000
3000
Ετσι, κατεληξα να βλεπω αυτα τα ειδη κοινωνικων δικτυων
08:03
as living things,
195
468000
2000
σαν ζωντανα πραγματα,
08:05
as living things that we could put under a kind of microscope
196
470000
3000
σαν ζωντανους οργανισμους που θα μπορουσαμε να βαλουμε κατω απο το μικροσκοπιο
08:08
to study and analyze and understand.
197
473000
3000
να αναλυσουμε, να μελετησουμε και να τους καταλαβουμε.
08:11
And we used a variety of techniques to do this.
198
476000
2000
Χρησιμοποιησαμε διαφορες τεχνικες για να το πετυχουμε.
08:13
And we started exploring all kinds of other phenomena.
199
478000
3000
Αρχισαμε να εξερευνουμε κι αλλες μορφες φαινομενων.
08:16
We looked at smoking and drinking behavior,
200
481000
2000
Εξετασαμε το καπνισμα, την καταναλωση αλκοολ,
08:18
and voting behavior,
201
483000
2000
τον τροπο που ψηφιζουμε
08:20
and divorce -- which can spread --
202
485000
2000
τα διαζυγια, που επισης μεταδιδονται
08:22
and altruism.
203
487000
2000
και τον αλτρουϊσμο.
08:24
And, eventually, we became interested in emotions.
204
489000
3000
Φτασαμε τελικα να ενδιαφερθουμε και για τα συναισθηματα.
08:28
Now, when we have emotions,
205
493000
2000
Οταν εχουμε συναισθηματα,
08:30
we show them.
206
495000
2000
τα δειχνουμε.
08:32
Why do we show our emotions?
207
497000
2000
Γιατι ομως εκφραζουμε τα συναισθηματα μας;
08:34
I mean, there would be an advantage to experiencing
208
499000
2000
Θελω να πω, θα υπηρχε ενα πλεονεκτημα αν βιωναμε
08:36
our emotions inside, you know, anger or happiness.
209
501000
3000
τα συναισθηματα μας εσωτερικα, τον θυμο η τη χαρα.
08:39
But we don't just experience them, we show them.
210
504000
2000
Αλλα δεν τα βιωνουμε απλα, τα εκφραζουμε.
08:41
And not only do we show them, but others can read them.
211
506000
3000
Κι οχι μονο τα εκδηλωνουμε, αλλα οι αλλοι μπορουν και να τα διαβασουν.
08:44
And, not only can they read them, but they copy them.
212
509000
2000
Κι οχι μονο να τα διαβασουν, αλλα και να τα αντιγραψουν.
08:46
There's emotional contagion
213
511000
2000
Υπαρχει μια ταχεως εξαπλουμενη συναισθηματικη επιρροη
08:48
that takes place in human populations.
214
513000
3000
που συμβαινει αναμεσα στους πληθυσμους.
08:51
And so this function of emotions
215
516000
2000
Αυτη η λειτουργια των συναισθηματων
08:53
suggests that, in addition to any other purpose they serve,
216
518000
2000
υποδηλωνει, παραλληλα με οποιοδηποτε αλλο σκοπο εξυπηρετει,
08:55
they're a kind of primitive form of communication.
217
520000
3000
οτι υπαρχει ενα ειδος πρωτογονου τροπου επικοινωνιας.
08:58
And that, in fact, if we really want to understand human emotions,
218
523000
3000
Στην ουσια, αν θελουμε πραγματικα να κατανοησουμε τα ανθρωπινα συναισθηματα,
09:01
we need to think about them in this way.
219
526000
2000
ετσι θα επρεπε να τα αντιλαμβανομαστε.
09:03
Now, we're accustomed to thinking about emotions in this way,
220
528000
3000
Ομως ειμαστε συνηθισμενοι να αντιλαμβανομαστε τα συναισθηματα με αλλον τροπο,
09:06
in simple, sort of, brief periods of time.
221
531000
3000
σε απλες, συντομες χρονικες περιοδους.
09:09
So, for example,
222
534000
2000
Για παραδειγμα,
09:11
I was giving this talk recently in New York City,
223
536000
2000
προσφατα εδωσα μια διαλεξη στη Νεα Υορκη
09:13
and I said, "You know when you're on the subway
224
538000
2000
και ειπα στο κοινο: "Ξερετε, οπως οταν ειμαστε στο μετρο,
09:15
and the other person across the subway car
225
540000
2000
και ο αλλος στην απεναντι πλευρα του βαγονιου
09:17
smiles at you,
226
542000
2000
μας χαμογελα
09:19
and you just instinctively smile back?"
227
544000
2000
κι εσεις ενστικτωδως του χαμογελατε".
09:21
And they looked at me and said, "We don't do that in New York City." (Laughter)
228
546000
3000
Με κοιταξαν και ειπαν: "Ποτε δεν το κανουμε αυτο στη Νεα Υορκη". (Γελια)
09:24
And I said, "Everywhere else in the world,
229
549000
2000
Και τους απαντω:"Οπουδηποτε αλλου στον κοσμο,
09:26
that's normal human behavior."
230
551000
2000
αυτη ειναι η φυσιολογικη ανθρωπινη συμπεριφορα!".
09:28
And so there's a very instinctive way
231
553000
2000
Κι ετσι, αυτος ειναι ενας ενστικτωδης τροπος
09:30
in which we briefly transmit emotions to each other.
232
555000
3000
με τον οποιο μεταδιδουμε τα συναισθηματα μας στον αλλο.
09:33
And, in fact, emotional contagion can be broader still.
233
558000
3000
Και, στην πραξη, η συναισθηματικη επιρροη μπορει να ειναι ακομα ευρυτερη,
09:36
Like we could have punctuated expressions of anger,
234
561000
3000
οπως σε διακοπτομενες εκφρασεις θυμου,
09:39
as in riots.
235
564000
2000
οπως σε μια εξεγερση.
09:41
The question that we wanted to ask was:
236
566000
2000
Η ερωτηση που θελαμε να θεσουμε ηταν:
09:43
Could emotion spread,
237
568000
2000
Θα μπορουσε ενα συναισθημα να διαδοθει,
09:45
in a more sustained way than riots, across time
238
570000
3000
με ενα πιο συστηματικο τροπο απο τις εξεγερσεις, μεσα στο χρονο,
09:48
and involve large numbers of people,
239
573000
2000
και να εμπλεξει πολλα ατομα,
09:50
not just this pair of individuals smiling at each other in the subway car?
240
575000
3000
κι οχι μονο τα ζευγη ατομων που χαμογελουν το ενα στο αλλο στο μετρο;
09:53
Maybe there's a kind of below the surface, quiet riot
241
578000
3000
Μπορει να υπαρχει μια υφερπουσα ήρεμη εξεγερση
09:56
that animates us all the time.
242
581000
2000
που μας κινητοποιει διαρκως.
09:58
Maybe there are emotional stampedes
243
583000
2000
Μπορει να υπαρχει μια συναισθηματικη φυγη πανικου
10:00
that ripple through social networks.
244
585000
2000
που κυλα μεσα απο τα κοινωνικα δικτυα.
10:02
Maybe, in fact, emotions have a collective existence,
245
587000
3000
Μπορει, στην πραξη, τα συναισθηματα να διαθετουν μια συλλογικη νοημοσυνη
10:05
not just an individual existence.
246
590000
2000
κι οχι απλα μια ατομικη υπαρξη.
10:07
And this is one of the first images we made to study this phenomenon.
247
592000
3000
Κι αυτη ειναι μια απο τις πρωτες εικονες που φτιαξαμε για να μελετησουμε αυτο το φαινομενο.
10:10
Again, a social network,
248
595000
2000
Ξανα, ενα κοινωνικο δικτυο,
10:12
but now we color the people yellow if they're happy
249
597000
3000
αλλα τωρα χρωματιζουμε κιτρινους τους ανθρωπους αν ειναι χαρουμενοι
10:15
and blue if they're sad and green in between.
250
600000
3000
και μπλε αν ειναι στενοχωρημενοι και πρασινους αν ειναι στο ενδιαμεσο.
10:18
And if you look at this image, you can right away see
251
603000
2000
Κι αν δειτε αυτην τη εικονα, θα δειτε αμεσως
10:20
clusters of happy and unhappy people,
252
605000
2000
συμπλεγματα απο χαρουμενους και θλιμμενους ανθρωπους
10:22
again, spreading to three degrees of separation.
253
607000
2000
να διαδιδονται μεχρι τον τριτο βαθμο διαχωρισμου.
10:24
And you might form the intuition
254
609000
2000
Και μπορει να σας δημιουργηθει η εντυπωση
10:26
that the unhappy people
255
611000
2000
οτι οι λυπημενοι ανθρωποι
10:28
occupy a different structural location within the network.
256
613000
3000
βρισκονται σε μια διαφορετικη δομικη σχεση μεσα στο δικτυο.
10:31
There's a middle and an edge to this network,
257
616000
2000
Υπαρχει μια μεση θεση και μια ακμη σε αυτο το δικτυο
10:33
and the unhappy people seem to be
258
618000
2000
και οι λυπημενοι ανθρωποι φαινονται
10:35
located at the edges.
259
620000
2000
να βρισκονται στις ακμες.
10:37
So to invoke another metaphor,
260
622000
2000
Για να αναφερω μια αλλη μεταφορα,
10:39
if you imagine social networks as a kind of
261
624000
2000
αν φανταστειτε τα κοινωνικα δικτυα σαν ενα ειδος
10:41
vast fabric of humanity --
262
626000
2000
απεραντου ιστου της ανθρωποτητας --
10:43
I'm connected to you and you to her, on out endlessly into the distance --
263
628000
3000
Είμαι συνδεδεμενος με σενα και με αυτη, κ.ο.κ. σε απειρη αποσταση --
10:46
this fabric is actually like
264
631000
2000
ο ιστος ειναι πραγματικα
10:48
an old-fashioned American quilt,
265
633000
2000
σαν ενα παλιομοδιτικο Αμερικανικο κεντητο παπλωμα,
10:50
and it has patches on it: happy and unhappy patches.
266
635000
3000
εχει πανω του μπαλωματα, χαρουμενα και λυπημενα μπαλωματα.
10:53
And whether you become happy or not
267
638000
2000
Και το αν γινετε χαρουμενος ή οχι
10:55
depends in part on whether you occupy a happy patch.
268
640000
3000
εξαρταται απο το αν βρισκεστε σε ενα χαρουμενο μπαλωμα.
10:58
(Laughter)
269
643000
2000
(Γελια)
11:00
So, this work with emotions,
270
645000
3000
Ετσι, αυτη η δουλεια με τα συναισθηματα,
11:03
which are so fundamental,
271
648000
2000
που ειναι τοσο στοιχειωδη,
11:05
then got us to thinking about: Maybe
272
650000
2000
που μας εκανε να σκεφτουμε πως ισως
11:07
the fundamental causes of human social networks
273
652000
2000
οι στοιχειωδεις αιτιες των ανθρωπινων κοινωνικων δικτυων
11:09
are somehow encoded in our genes.
274
654000
2000
ειναι κατα καποιον τροπο κωδικοποιημενες στα γονιδια μας.
11:11
Because human social networks, whenever they are mapped,
275
656000
3000
Επειδη τα ανθρωπινα κοινωνικα δικτυα, όποτε κι αν χαρτογραφηθουν,
11:14
always kind of look like this:
276
659000
2000
παντα φαινονται καπως ετσι,
11:16
the picture of the network.
277
661000
2000
αυτην την εικονα του δικτυου.
11:18
But they never look like this.
278
663000
2000
Αλλα δε φαινονται ποτε ετσι.
11:20
Why do they not look like this?
279
665000
2000
Γιατι δε φαινονται ετσι;
11:22
Why don't we form human social networks
280
667000
2000
Γιατι δε διαμορφωνουμε ανθρωπινα κοινωνικα δικτυα
11:24
that look like a regular lattice?
281
669000
2000
που μοιαζουν με ενα κανονικο πλεγμα;
11:26
Well, the striking patterns of human social networks,
282
671000
3000
Λοιπον, τα ξεχωριστα χαρακτηριστικα των ανθρωπινων κοινωνικων δικτυων,
11:29
their ubiquity and their apparent purpose
283
674000
3000
η πανταχου παρουσια τους και ο προφανης σκοπος τους
11:32
beg questions about whether we evolved to have
284
677000
2000
θετουν ερωτησεις σχετικα με το αν εχουμε εξελιχθει στο να δημιουργουμε
11:34
human social networks in the first place,
285
679000
2000
κοινωνικα δικτυα εξαρχης,
11:36
and whether we evolved to form networks
286
681000
2000
και αν εχουμε εξελιχθει στο να δημιουργουμε δικτυα
11:38
with a particular structure.
287
683000
2000
με συγκεκριμενη δομη.
11:40
And notice first of all -- so, to understand this, though,
288
685000
2000
Και δειτε πριν απο ολα... Για να το καταλαβουμε αυτο
11:42
we need to dissect network structure a little bit first --
289
687000
3000
πρεπει πρωτα να διαμελισουμε τη δομη του δικτυου λιγακι.
11:45
and notice that every person in this network
290
690000
2000
Παρατηρηστε οτι καθε ατομο σε αυτο το δικτυο
11:47
has exactly the same structural location as every other person.
291
692000
3000
εχει ακριβως την ιδια δομικη σχεση με οποιοδηποτε αλλο ατομο.
11:50
But that's not the case with real networks.
292
695000
3000
Αλλα αυτο δε συμβαινει με τα πραγματικα δικτυα.
11:53
So, for example, here is a real network of college students
293
698000
2000
Ετσι, για παραδειγμα, αυτο ειναι ενα πραγματικο δικτυο απο σπουδαστες κολεγιου
11:55
at an elite northeastern university.
294
700000
3000
σε ενα πρωτοκλασατο πανεπιστημιο στα Βορειοανατολικα.
11:58
And now I'm highlighting a few dots.
295
703000
2000
Τωρα επισημαινω μερικες τελειες.
12:00
If you look here at the dots,
296
705000
2000
Κι αν δειτε εδω στις τελειες,
12:02
compare node B in the upper left
297
707000
2000
συγκρινετε τον κομβο Β πανω αριστερα
12:04
to node D in the far right;
298
709000
2000
με τον κομβο D στο δεξι ακρο.
12:06
B has four friends coming out from him
299
711000
2000
Ο Β εχει τεσσερις συνδεσμους προς φιλους.
12:08
and D has six friends coming out from him.
300
713000
3000
Και ο D εχει 6 να ξεκινουν απο αυτον.
12:11
And so, those two individuals have different numbers of friends.
301
716000
3000
Κι ετσι, αυτα τα δυο ατομα εχουν διαφορετικο πληθος απο φιλους.
12:14
That's very obvious, we all know that.
302
719000
2000
Αυτο ειναι φανερο, ολοι το ξερουμε.
12:16
But certain other aspects
303
721000
2000
Αλλα αλλα συγκεκριμενα στοιχεια
12:18
of social network structure are not so obvious.
304
723000
2000
της δομης των κοινωνικων δικτυων δεν ειναι τοσο προφανη.
12:20
Compare node B in the upper left to node A in the lower left.
305
725000
3000
Συγκρινετε τον κομβο Β πανω αριστερα με τον κομβο Α κατω δεξια.
12:23
Now, those people both have four friends,
306
728000
3000
Και τα δυο αυτα ατομα εχουν τεσσερις φιλους,
12:26
but A's friends all know each other,
307
731000
2000
αλλα οι φιλοι του Α γνωριζονται μεταξυ τους,
12:28
and B's friends do not.
308
733000
2000
ενω του Β οχι.
12:30
So the friend of a friend of A's
309
735000
2000
Ετσι, ο φιλος του φιλου του Α
12:32
is, back again, a friend of A's,
310
737000
2000
ειναι και παλι ενας φιλος του Α,
12:34
whereas the friend of a friend of B's is not a friend of B's,
311
739000
2000
αλλα ο φιλος του φιλου του Β δεν ειναι φιλος του Β,
12:36
but is farther away in the network.
312
741000
2000
αλλα βρισκεται μακρια του στο δικτυο.
12:38
This is known as transitivity in networks.
313
743000
3000
Αυτο ειναι γνωστο σαν μεταβατικοτητα στα δικτυα.
12:41
And, finally, compare nodes C and D:
314
746000
2000
Τέλος, συγκρινετε τους κομβους C και D.
12:43
C and D both have six friends.
315
748000
3000
Και οι δυο εχουν απο εξι φιλους.
12:46
If you talk to them, and you said, "What is your social life like?"
316
751000
3000
Αν τους μιλησετε και τους ρωτησετε "Πώς ειναι η κοινωνικη ζωη σου;"
12:49
they would say, "I've got six friends.
317
754000
2000
αυτοι θα ελεγαν "εχω εξι φιλους.
12:51
That's my social experience."
318
756000
2000
Αυτη ειναι η κοινωνικη μου εμπειρια."
12:53
But now we, with a bird's eye view looking at this network,
319
758000
3000
Αλλα εμεις, παρατηρωντας εποπτικα το δικτυο
12:56
can see that they occupy very different social worlds.
320
761000
3000
μπορουμε να δουμε οτι βρισκονται σε πολυ διαφορετικους κοινωνικους κοσμους.
12:59
And I can cultivate that intuition in you by just asking you:
321
764000
2000
Και μπορω να καλλιεργησω αυτην την αισθηση σε σας ρωτώντας σας:
13:01
Who would you rather be
322
766000
2000
Ποιος θα προτιμουσατε να ειστε
13:03
if a deadly germ was spreading through the network?
323
768000
2000
αν ενα φονικο μικροβιο διαδιδοταν στο δικτυο;
13:05
Would you rather be C or D?
324
770000
3000
Θα προτιμουσατε να ειστε ο C ή ο D;
13:08
You'd rather be D, on the edge of the network.
325
773000
2000
Θα προτιμουσατε να ειστε ο D, στην ακμη του δικτυου.
13:10
And now who would you rather be
326
775000
2000
Και ποιος θα προτιμουσατε να ειστε
13:12
if a juicy piece of gossip -- not about you --
327
777000
3000
αν ενα καυτο κουτσομπολιο, οχι σχετικο με σας,
13:15
was spreading through the network? (Laughter)
328
780000
2000
διαδιδοταν στο δικτυο;
13:17
Now, you would rather be C.
329
782000
2000
Τωρα, θα προτιμουσατε να ειστε ο C.
13:19
So different structural locations
330
784000
2000
Ετσι, διαφορετικες δομικες σχεσεις
13:21
have different implications for your life.
331
786000
2000
εχουν διαφορετικες συνεπειες στη ζωη σας.
13:23
And, in fact, when we did some experiments looking at this,
332
788000
3000
Στην πραξη, οταν καναμε μερικα πειραματα μελετωντας αυτο
13:26
what we found is that 46 percent of the variation
333
791000
3000
βρηκαμε οτι το 46% της αποκλισης
13:29
in how many friends you have
334
794000
2000
στον αριθμο των φιλων
13:31
is explained by your genes.
335
796000
2000
εξηγειται απο τα γονιδια μας.
13:33
And this is not surprising. We know that some people are born shy
336
798000
3000
Αλλα αυτο δε μας προκαλει εκπληξη. Γνωριζουμε οτι καποιοι ανθρωποι γεννιουνται ντροπαλοι
13:36
and some are born gregarious. That's obvious.
337
801000
3000
και καποιοι κοινωνικοι. Αυτο ειναι προφανες.
13:39
But we also found some non-obvious things.
338
804000
2000
Αλλα βρηκαμε και καποια οχι και τοσο προφανη πραγματα.
13:41
For instance, 47 percent in the variation
339
806000
3000
Για παραδειγμα, 47% της αποκλισης
13:44
in whether your friends know each other
340
809000
2000
στο αν οι φιλοι σας γνωριζονται μεταξυ τους
13:46
is attributable to your genes.
341
811000
2000
εξαρταται απο τα γονιδια σας.
13:48
Whether your friends know each other
342
813000
2000
Το αν οι φιλοι σας γνωριζονται μεταξυ τους
13:50
has not just to do with their genes, but with yours.
343
815000
3000
δε σχετιζεται μονο με τα δικα τους γονιδια, αλλα με τα δικα σας.
13:53
And we think the reason for this is that some people
344
818000
2000
Και νομιζω οτι ο λογος γι' αυτο ειναι οτι σε καποιους ανθρωπους
13:55
like to introduce their friends to each other -- you know who you are --
345
820000
3000
αρεσει να συστηνουν τους φιλους τους στους αλλους -- ξερετε ποιοι ειστε --
13:58
and others of you keep them apart and don't introduce your friends to each other.
346
823000
3000
και αλλοι τους κρατατε σε αποσταση μεταξυ τους και δεν τους συστηνετε.
14:01
And so some people knit together the networks around them,
347
826000
3000
Κι ετσι, καποιοι ανθρωποι συνδεουν τα δικτυα γυρω τους,
14:04
creating a kind of dense web of ties
348
829000
2000
δημιουργωντας ενα ειδος πυκνου ιστου δεσμων
14:06
in which they're comfortably embedded.
349
831000
2000
μεσα στον οποιο αισθανονται ανετα να ειναι συνδεδεμενοι.
14:08
And finally, we even found that
350
833000
2000
Και τελικα, βρηκαμε οτι
14:10
30 percent of the variation
351
835000
2000
30% της αποκλισης
14:12
in whether or not people are in the middle or on the edge of the network
352
837000
3000
στο αν οι ανθρωποι ειναι στο μεσο ή στην ακμη του δικτυου
14:15
can also be attributed to their genes.
353
840000
2000
μπορει επισης να αποδοθει στα γονιδια τους.
14:17
So whether you find yourself in the middle or on the edge
354
842000
2000
Ετσι, το αν βρισκεστε στη μεση ή στην ακμή
14:19
is also partially heritable.
355
844000
3000
κι αυτο εν μερει κληρονομείται.
14:22
Now, what is the point of this?
356
847000
3000
Ποιο ειναι τωρα το νοημα αυτου;
14:25
How does this help us understand?
357
850000
2000
Πώς αυτο μας βοηθα να καταλαβουμε τον κοσμο;
14:27
How does this help us
358
852000
2000
Πως αυτο μας βοηθα
14:29
figure out some of the problems that are affecting us these days?
359
854000
3000
να κατανοησουμε μερικα απο τα προβληματα που μας επηρεαζουν σημερα;
14:33
Well, the argument I'd like to make is that networks have value.
360
858000
3000
Λοιπον, η θεση μου ειναι οτι τα δικτυα εχουν αξια.
14:36
They are a kind of social capital.
361
861000
3000
Αποτελουν ενα ειδος κοινωνικου κεφαλαιου.
14:39
New properties emerge
362
864000
2000
Νεες ιδιοτητες εμφανιζονται
14:41
because of our embeddedness in social networks,
363
866000
2000
λογω της συνδεσης μας σε κοινωνικα δικτυα,
14:43
and these properties inhere
364
868000
3000
και αυτες οι ιδιοτητες ειναι εγγενεις
14:46
in the structure of the networks,
365
871000
2000
στη δομη των δικτυων
14:48
not just in the individuals within them.
366
873000
2000
και οχι απλα στα ατομα που τα διαμορφωνουν.
14:50
So think about these two common objects.
367
875000
2000
Σκεφτειτε λοιπον αυτα τα δυο κοινα αντικειμενα.
14:52
They're both made of carbon,
368
877000
2000
Και τα δυο ειναι φτιαγμενα απο ανθρακα,
14:54
and yet one of them has carbon atoms in it
369
879000
3000
και ομως σε ενα απο αυτα, τα ατομα ανθρακα
14:57
that are arranged in one particular way -- on the left --
370
882000
3000
ειναι τοποθετημενα με ενα συγκεκριμενο τροπο, αριστερα,
15:00
and you get graphite, which is soft and dark.
371
885000
3000
και μας δινει το γραφιτη, που ειναι μαλακος και σκουρος.
15:03
But if you take the same carbon atoms
372
888000
2000
Αλλα αν παρετε τα ιδια ατομα ανθρακα
15:05
and interconnect them a different way,
373
890000
2000
και τα διασυνδεσετε με διαφορετικο τροπο,
15:07
you get diamond, which is clear and hard.
374
892000
3000
παιρνετε ενα διαμαντι, που ειναι διαυγες και σκληρο.
15:10
And those properties of softness and hardness and darkness and clearness
375
895000
3000
Και αυτες οι ιδιότητες της σκληροτητας και της διαυγειας
15:13
do not reside in the carbon atoms;
376
898000
2000
δε βρισκονται μεσα στα ατομα του ανθρακα.
15:15
they reside in the interconnections between the carbon atoms,
377
900000
3000
Βρισκονται στις διασυνδεσεις αναμεσα στα ατομα ανθρακα,
15:18
or at least arise because of the
378
903000
2000
ή τουλαχιστον ξεκινουν
15:20
interconnections between the carbon atoms.
379
905000
2000
από τις διασυνδεσεις αναμεσα στα ατομα ανθρακα.
15:22
So, similarly, the pattern of connections among people
380
907000
3000
Αντιστοιχα, η μορφη των συνδεσεων αναμεσα στους ανθρωπους
15:25
confers upon the groups of people
381
910000
3000
εχει σαν αποτελεσμα να εχουν οι ομαδες τους
15:28
different properties.
382
913000
2000
διαφορετικες ιδιοτητες.
15:30
It is the ties between people
383
915000
2000
Ειναι οι δεσμοι αναμεσα στους ανθρωπους
15:32
that makes the whole greater than the sum of its parts.
384
917000
3000
που κανει το συνολο μεγαλυτερο απο το αθροισμα των μερων.
15:35
And so it is not just what's happening to these people --
385
920000
3000
Κι ετσι, δεν ειναι απλα το τι συμβαινει σε αυτους τους ανθρωπους --
15:38
whether they're losing weight or gaining weight, or becoming rich or becoming poor,
386
923000
3000
το αν παιρνουν ή χανουν βαρος, ή γινονται φτωχοι ή πλουσιοι,
15:41
or becoming happy or not becoming happy -- that affects us;
387
926000
3000
ή χαρουμενοι ή οχι χαρουμενοι -- που μας επηρεαζει.
15:44
it's also the actual architecture
388
929000
2000
Ειναι επισης η αρχιτεκτονικη
15:46
of the ties around us.
389
931000
2000
των συνδεσμων γυρω μας.
15:48
Our experience of the world
390
933000
2000
Η εμπειρια μας απο τον κοσμο
15:50
depends on the actual structure
391
935000
2000
εξαρταται απο την πραγματικη δομη
15:52
of the networks in which we're residing
392
937000
2000
των δικτυων μεσα στα οποια βρισκομαστε
15:54
and on all the kinds of things that ripple and flow
393
939000
3000
και σε ολα τα πραγματα που μεταδιδονται και κυλουν
15:57
through the network.
394
942000
2000
μεσα στο δικτυο.
16:00
Now, the reason, I think, that this is the case
395
945000
3000
Ο λογος που συμβαινει αυτο, κατα τη γνωμη μου,
16:03
is that human beings assemble themselves
396
948000
2000
ειναι οτι οι ανθρωποι ερχονται ολοι μαζι
16:05
and form a kind of superorganism.
397
950000
3000
και δημιουργουν εναν υπερ-οργανισμο.
16:09
Now, a superorganism is a collection of individuals
398
954000
3000
Ενας υπερ-οργανισμος ειναι ενα συνολο ατομων
16:12
which show or evince behaviors or phenomena
399
957000
3000
που επιδεικνυουν συμπεριφορα ή φαινομενα
16:15
that are not reducible to the study of individuals
400
960000
3000
που δε μπορουν να αποδομηθουν σε μια μελετη ατομων
16:18
and that must be understood by reference to,
401
963000
2000
και πρεπει να μελετηθουν σε σχεση με
16:20
and by studying, the collective.
402
965000
2000
και κατανοωντας τη συλλογικη συνειδηση,
16:22
Like, for example, a hive of bees
403
967000
3000
οπως, για παραδειγμα, σε ενα μελισσι
16:25
that's finding a new nesting site,
404
970000
3000
που βρισκει μια καινουρια κυψελη,
16:28
or a flock of birds that's evading a predator,
405
973000
2000
ή ενα σμηνος πουλιων που αποφευγει εναν κυνηγο,
16:30
or a flock of birds that's able to pool its wisdom
406
975000
3000
ή ενα σμηνος πουλιων που μπορεί να συνδυασει τη σοφια του
16:33
and navigate and find a tiny speck
407
978000
2000
και να πλοηγηθει βρισκοντας ενα μικρό
16:35
of an island in the middle of the Pacific,
408
980000
2000
νησακι στο μεσο του Ειρηνικου
16:37
or a pack of wolves that's able
409
982000
2000
ή μια αγελη λυκων που μπορει
16:39
to bring down larger prey.
410
984000
3000
να καταφερει μεγαλυτερα θηραματα.
16:42
Superorganisms have properties
411
987000
2000
Οι υπερ-οργανισμοι εχουν ιδιοτητες
16:44
that cannot be understood just by studying the individuals.
412
989000
3000
που δε μπορουν να εξηγηθουν απλα μελετωντας τα ατομα.
16:47
I think understanding social networks
413
992000
2000
Νομιζω οτι η κατανοηση των κοινωνικων δικτυων
16:49
and how they form and operate
414
994000
2000
και το πώς διαμορφωνονται και λειτουργουν
16:51
can help us understand not just health and emotions
415
996000
3000
μπορει να μας βοηθησει να κατανοησουμε οχι μονο την υγεια και τα συναισθηματα
16:54
but all kinds of other phenomena --
416
999000
2000
αλλα καθε αλλο φαινομενο --
16:56
like crime, and warfare,
417
1001000
2000
σαν το εγκλημα και τον πολεμο
16:58
and economic phenomena like bank runs
418
1003000
2000
και τα οικονομικα φαινομενα σαν την πτωση των τραπεζων
17:00
and market crashes
419
1005000
2000
και τα κραχ των αγορων
17:02
and the adoption of innovation
420
1007000
2000
και τη χρηση καινοτομιας
17:04
and the spread of product adoption.
421
1009000
2000
και τη διαδοση της χρηση ενος προιοντος.
17:06
Now, look at this.
422
1011000
2000
Δειτε κι αυτο.
17:09
I think we form social networks
423
1014000
2000
Νομιζω οτι διαμορφωνουμε κοινωνικα δικτυα
17:11
because the benefits of a connected life
424
1016000
2000
επειδη τα ωφελη μιας ζωης με φιλους
17:13
outweigh the costs.
425
1018000
3000
ειναι πιο σημαντικα απο το κοστος.
17:16
If I was always violent towards you
426
1021000
2000
Αν ειχα διαρκως βιαιη συμπεριφορα απεναντι σας
17:18
or gave you misinformation
427
1023000
2000
ή σας παραπληροφορουσα
17:20
or made you sad or infected you with deadly germs,
428
1025000
3000
ή σας στενοχωρουσα ή σας μετεδιδα φονικα μικροβια
17:23
you would cut the ties to me,
429
1028000
2000
θα κοβατε καθε σχεση μαζι μου
17:25
and the network would disintegrate.
430
1030000
2000
και το δικτυο θα διαλυοταν.
17:27
So the spread of good and valuable things
431
1032000
3000
Ετσι, η διαδοση καλων και πολυτιμων πραγματων
17:30
is required to sustain and nourish social networks.
432
1035000
3000
ειναι απαραιτητη για τη διατηρηση και την καλλιεργεια κοινωνικων δικτυων.
17:34
Similarly, social networks are required
433
1039000
2000
Αντιστοιχα, τα κοινωνικα δικτυα ειναι απαραιτητα
17:36
for the spread of good and valuable things,
434
1041000
3000
για τη διαδοση των καλων και πολυτιμω πραγματων,
17:39
like love and kindness
435
1044000
2000
οπως η αγαπη και η καλοσυνη
17:41
and happiness and altruism
436
1046000
2000
και η ευτυχια και ο αλτρουϊσμος
17:43
and ideas.
437
1048000
2000
και οι ιδεες.
17:45
I think, in fact, that if we realized
438
1050000
2000
Πρακτικα, νομιζω οτι αν καταλαβαιναμε
17:47
how valuable social networks are,
439
1052000
2000
ποσο πολυτιμα ειναι τα κοινωνικα δικτυα
17:49
we'd spend a lot more time nourishing them and sustaining them,
440
1054000
3000
θα επενδυαμε περισσοτερο χρονο τρεφοντας και διατηρωντας τα,
17:52
because I think social networks
441
1057000
2000
γιατι νομιζω οτι τα κοινωνικα δικτυα
17:54
are fundamentally related to goodness.
442
1059000
3000
ειναι εγγενως συνδεδεμενα με την καλοσυνη.
17:57
And what I think the world needs now
443
1062000
2000
Και νομιζω οτι αυτο που χρειαζεται τωρα ο κοσμος
17:59
is more connections.
444
1064000
2000
ειναι περισσοτερες συνδεσεις.
18:01
Thank you.
445
1066000
2000
Σας ευχαριστώ.
18:03
(Applause)
446
1068000
3000
(Χειροκροτήματα)
ABOUT THE SPEAKER
Nicholas Christakis - Physician, social scientistNicholas 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
Nicholas Christakis | Speaker | TED.com