TED@Cannes
Nicholas Christakis: How social networks predict epidemics
Николас Кристакис: Како друштвене мреже предвиђају епидемије
Filmed:
Readability: 4.9
669,862 views
Пошто су мапирали сложене људске друштвене мреже, Николас Кристакис и колега Џејмс Фаулер почели су да истражују како нам те информације могу побољшати животе. Сада, он открива своја најсвежија открића: Ове мреже могу се користити за откривање епидемија раније него икада, од ширења иновативних идеја до ризичних понашања (као нпр H1N1).
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.
00:15
For the last 10 years, I've been spending my time trying to figure out
0
0
3000
Последњих 10 година проводим време у покушавању да схватим
00:18
how and why human beings
1
3000
2000
како и зашто се људска бића
00:20
assemble themselves into social networks.
2
5000
3000
окупљају у друштвене мреже.
00:23
And the kind of social network I'm talking about
3
8000
2000
А та врста друштвене мреже о којој причам
00:25
is not the recent online variety,
4
10000
2000
није ова нова интернет врста,
00:27
but rather, the kind of social networks
5
12000
2000
него пре она врста друштвених мрежа
00:29
that human beings have been assembling for hundreds of thousands of years,
6
14000
3000
које људи формирају стотинама хиљада година,
00:32
ever since we emerged from the African savannah.
7
17000
3000
од кад смо се појавили у афричкој пустињи.
00:35
So, I form friendships and co-worker
8
20000
2000
Дакле, ја имам пријатељске и сарадничке
00:37
and sibling and relative relationships with other people
9
22000
3000
и братске и рођачке везе са другим људима
00:40
who in turn have similar relationships with other people.
10
25000
2000
који такође имају сличне везе са другим људима.
00:42
And this spreads on out endlessly into a distance.
11
27000
3000
И ово се бескрајно шири у даљину.
00:45
And you get a network that looks like this.
12
30000
2000
И добијате мрежу која изгледа овако.
00:47
Every dot is a person.
13
32000
2000
Свака тачка је једна особа.
00:49
Every line between them is a relationship between two people --
14
34000
2000
Свака линија је нека веза међу двоје људи -
00:51
different kinds of relationships.
15
36000
2000
различите врсте веза.
00:53
And you can get this kind of vast fabric of humanity,
16
38000
3000
И можете добити овакву тканину човечанства
00:56
in which we're all embedded.
17
41000
2000
у коју смо сви ми уткани.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
43000
3000
Мој колега, Џејмс Фаулер и ја, већ дуже време истражујемо
01:01
what are the mathematical, social,
19
46000
2000
каква су математичка, друштвена,
01:03
biological and psychological rules
20
48000
3000
биолошка и психолошка правила
01:06
that govern how these networks are assembled
21
51000
2000
која управљају начином формирања ових веза
01:08
and what are the similar rules
22
53000
2000
и каква су слична правила
01:10
that govern how they operate, how they affect our lives.
23
55000
3000
која управљају њиховим функционисањем и утицајем на наше животе.
01:13
But recently, we've been wondering
24
58000
2000
У последње време се питамо
01:15
whether it might be possible to take advantage of this insight,
25
60000
3000
да ли је могуће искористити овај увид,
01:18
to actually find ways to improve the world,
26
63000
2000
како бисмо нашли начине да побољшамо свет,
01:20
to do something better,
27
65000
2000
учинимо нешто боље,
01:22
to actually fix things, not just understand things.
28
67000
3000
да стварно поправимо ствари, не само да их разумемо.
01:25
So one of the first things we thought we would tackle
29
70000
3000
Једна од првих ствари на којима бисмо радили
01:28
would be how we go about predicting epidemics.
30
73000
3000
била би како бисмо могли да предвиђамо епидемије.
01:31
And the current state of the art in predicting an epidemic --
31
76000
2000
Тренутна уметност предвиђања епидемија -
01:33
if you're the CDC or some other national body --
32
78000
3000
ако припадате Центру за контролу болести или неком другом телу -
01:36
is to sit in the middle where you are
33
81000
2000
састоји се у седењу тамо где јесте
01:38
and collect data
34
83000
2000
и прикупљању података
01:40
from physicians and laboratories in the field
35
85000
2000
од лекара и лабораторија са терена,
01:42
that report the prevalence or the incidence of certain conditions.
36
87000
3000
који пријављују преваленцу и инциденцу одређених стања.
01:45
So, so and so patients have been diagnosed with something,
37
90000
3000
Дакле, толико и толико пацијената има такву дијагнозу овде,
01:48
or other patients have been diagnosed,
38
93000
2000
или неки други имају дијагнозу овде,
01:50
and all these data are fed into a central repository, with some delay.
39
95000
3000
и сви ови подаци сливају се у централно складиште, са кашњењем.
01:53
And if everything goes smoothly,
40
98000
2000
И ако све иде као по лоју,
01:55
one to two weeks from now
41
100000
2000
за недељу до две од сада,
01:57
you'll know where the epidemic was today.
42
102000
3000
знаћете где је епидемија била на данашњи дан.
02:00
And actually, about a year or so ago,
43
105000
2000
И уствари, пре неких годину дана
02:02
there was this promulgation
44
107000
2000
објављена је идеја
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
109000
3000
о "Google Flu Trends", о грипу,
02:07
where by looking at people's searching behavior today,
46
112000
3000
где, пратећи шта људи претражују данас,
02:10
we could know where the flu --
47
115000
2000
могли бисмо знати где грип...
02:12
what the status of the epidemic was today,
48
117000
2000
какав је данас статус епидемије,
02:14
what's the prevalence of the epidemic today.
49
119000
3000
каква је данас преваленца епидемије.
02:17
But what I'd like to show you today
50
122000
2000
Али данас желим да вам покажем
02:19
is a means by which we might get
51
124000
2000
средство помоћу којег можемо добити
02:21
not just rapid warning about an epidemic,
52
126000
3000
не само брзо упозорење о епидемији,
02:24
but also actually
53
129000
2000
него и заправо
02:26
early detection of an epidemic.
54
131000
2000
рано откривање епидемије.
02:28
And, in fact, this idea can be used
55
133000
2000
Уствари, ова идеја се може користити
02:30
not just to predict epidemics of germs,
56
135000
3000
не само за предикцију епидемије болести,
02:33
but also to predict epidemics of all sorts of kinds.
57
138000
3000
него за предикцију свакаквих других ствари.
02:37
For example, anything that spreads by a form of social contagion
58
142000
3000
На пример, све што се шири у облику друштвене заразе
02:40
could be understood in this way,
59
145000
2000
може се посматрати на овај начин,
02:42
from abstract ideas on the left
60
147000
2000
од апстрактних идеја с леве стране,
02:44
like patriotism, or altruism, or religion
61
149000
3000
као што су патриотизам, алтруизам, религија
02:47
to practices
62
152000
2000
до понашања,
02:49
like dieting behavior, or book purchasing,
63
154000
2000
као што су дијете, куповина књига,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
156000
3000
или пијење, ношење кациге и друге безбедносне мере,
02:54
or products that people might buy,
65
159000
2000
или производи које људи купују,
02:56
purchases of electronic goods,
66
161000
2000
куповина електричних уређаја,
02:58
anything in which there's kind of an interpersonal spread.
67
163000
3000
било шта где постоји интерперсонално ширење.
03:01
A kind of a diffusion of innovation
68
166000
2000
Нека врста распростирања иновација
03:03
could be understood and predicted
69
168000
2000
може се разумети и предвидети
03:05
by the mechanism I'm going to show you now.
70
170000
3000
механизмом који ћу вам сада показати.
03:08
So, as all of you probably know,
71
173000
2000
Дакле, као што сви вероватно знате,
03:10
the classic way of thinking about this
72
175000
2000
стари начин гледања на ово
03:12
is the diffusion-of-innovation,
73
177000
2000
је расипање-иновација
03:14
or the adoption curve.
74
179000
2000
или крива усвајања.
03:16
So here on the Y-axis, we have the percent of the people affected,
75
181000
2000
Овде на Y оси имамо проценат заражених људи,
03:18
and on the X-axis, we have time.
76
183000
2000
а на Х оси имамо време.
03:20
And at the very beginning, not too many people are affected,
77
185000
3000
На самом почетку није много људи заражено,
03:23
and you get this classic sigmoidal,
78
188000
2000
и добијамо ову класичну сигмоидалну,
03:25
or S-shaped, curve.
79
190000
2000
или S кривуљу.
03:27
And the reason for this shape is that at the very beginning,
80
192000
2000
А разлог за овај облик је да је на самом почетку,
03:29
let's say one or two people
81
194000
2000
рецимо једно или двоје људи
03:31
are infected, or affected by the thing
82
196000
2000
заражено, инфицирано, том ствари
03:33
and then they affect, or infect, two people,
83
198000
2000
и онда они заразе или инфицирају двоје људи,
03:35
who in turn affect four, eight, 16 and so forth,
84
200000
3000
који потом заразе четворо, осморо, 16 итд,
03:38
and you get the epidemic growth phase of the curve.
85
203000
3000
и добијете фазу раста епидемије на кривуљи.
03:41
And eventually, you saturate the population.
86
206000
2000
И коначно, дође до засићења популације.
03:43
There are fewer and fewer people
87
208000
2000
Све је мање и мање људи
03:45
who are still available that you might infect,
88
210000
2000
које још можете да заразите,
03:47
and then you get the plateau of the curve,
89
212000
2000
и онда долазимо до платоа кривуље,
03:49
and you get this classic sigmoidal curve.
90
214000
3000
и имамо класичну S кривуљу.
03:52
And this holds for germs, ideas,
91
217000
2000
Ово важи за бациле, идеје,
03:54
product adoption, behaviors,
92
219000
2000
прихватање производа, понашања,
03:56
and the like.
93
221000
2000
и слично.
03:58
But things don't just diffuse in human populations at random.
94
223000
3000
Али ствари се не расипају међу људима случајно.
04:01
They actually diffuse through networks.
95
226000
2000
Оне се уствари шире мрежама.
04:03
Because, as I said, we live our lives in networks,
96
228000
3000
Јер, како сам рекао, живимо животе у мрежама,
04:06
and these networks have a particular kind of a structure.
97
231000
3000
а оне имају посебну врсту структуре.
04:09
Now if you look at a network like this --
98
234000
2000
Када погледате једну овакву мрежу...
04:11
this is 105 people.
99
236000
2000
Овде има 105 људи.
04:13
And the lines represent -- the dots are the people,
100
238000
2000
Линије представњају... тачке су људи,
04:15
and the lines represent friendship relationships.
101
240000
2000
а линије представљају пријатељске везе.
04:17
You might see that people occupy
102
242000
2000
Можете видети да људи заузимају
04:19
different locations within the network.
103
244000
2000
различита места унутар мреже.
04:21
And there are different kinds of relationships between the people.
104
246000
2000
И постоје различите везе међу људима.
04:23
You could have friendship relationships, sibling relationships,
105
248000
3000
Имате пријатељске везе, братске,
04:26
spousal relationships, co-worker relationships,
106
251000
3000
супружничке, сарадничке,
04:29
neighbor relationships and the like.
107
254000
3000
комшијске и сличне.
04:32
And different sorts of things
108
257000
2000
И различите ствари
04:34
spread across different sorts of ties.
109
259000
2000
се шире различитим везама.
04:36
For instance, sexually transmitted diseases
110
261000
2000
На пример, сексуално преносиве болести
04:38
will spread across sexual ties.
111
263000
2000
шириће се сексуалним везама.
04:40
Or, for instance, people's smoking behavior
112
265000
2000
Или, на пример, пушачко понашање
04:42
might be influenced by their friends.
113
267000
2000
је можда под утицајем пријатеља.
04:44
Or their altruistic or their charitable giving behavior
114
269000
2000
Или на алтруистично или добротворно понашање
04:46
might be influenced by their coworkers,
115
271000
2000
можда утичу колеге
04:48
or by their neighbors.
116
273000
2000
или суседи.
04:50
But not all positions in the network are the same.
117
275000
3000
Али нису све позиције у мрежи исте.
04:53
So if you look at this, you might immediately grasp
118
278000
2000
Када погледате ово, можда одмах можете схватити
04:55
that different people have different numbers of connections.
119
280000
3000
да различити људи имају различит број веза.
04:58
Some people have one connection, some have two,
120
283000
2000
Неки имају једну везу, неки две,
05:00
some have six, some have 10 connections.
121
285000
3000
неки шест, неки имају десет.
05:03
And this is called the "degree" of a node,
122
288000
2000
Ово се зове "степен" чвора,
05:05
or the number of connections that a node has.
123
290000
2000
или број повезаности које неки чвор има.
05:07
But in addition, there's something else.
124
292000
2000
Али, има још нешто поред тога.
05:09
So, if you look at nodes A and B,
125
294000
2000
Дакле, ако погледате чвор А и Б,
05:11
they both have six connections.
126
296000
2000
оба имају по шест веза.
05:13
But if you can see this image [of the network] from a bird's eye view,
127
298000
3000
Али ако можете да видите ову слику мреже из птичије перспективе,
05:16
you can appreciate that there's something very different
128
301000
2000
примећујете да има много разлике
05:18
about nodes A and B.
129
303000
2000
међу чворовима А и Б.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
305000
3000
Питам вас - могу покренути ово размишљање питањем -
05:23
who would you rather be
131
308000
2000
ко бисте радије били,
05:25
if a deadly germ was spreading through the network, A or B?
132
310000
3000
да се смртоносни бацил шири мрежом, А или Б?
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
313000
2000
(Публика: Б) Николас Кристакис: Б, очигледно.
05:30
B is located on the edge of the network.
134
315000
2000
Б се налази на ивици мреже.
05:32
Now, who would you rather be
135
317000
2000
А сада, ко бисте радије били,
05:34
if a juicy piece of gossip were spreading through the network?
136
319000
3000
да се неки сочни трач шири мрежом?
05:37
A. And you have an immediate appreciation
137
322000
3000
А. И одмах схватате
05:40
that A is going to be more likely
138
325000
2000
да је вероватније да ће А,
05:42
to get the thing that's spreading and to get it sooner
139
327000
3000
због своје структурне позиције у мрежи,
05:45
by virtue of their structural location within the network.
140
330000
3000
пре добити ту ствар која се њоме шири.
05:48
A, in fact, is more central,
141
333000
2000
А је уствари централнији,
05:50
and this can be formalized mathematically.
142
335000
3000
и то се може и математички приказати.
05:53
So, if we want to track something
143
338000
2000
Дакле, ако желимо да пратимо нешто
05:55
that was spreading through a network,
144
340000
3000
што се шири мрежом,
05:58
what we ideally would like to do is to set up sensors
145
343000
2000
заправо желимо да поставимо сензоре
06:00
on the central individuals within the network,
146
345000
2000
на централне поједнице у мрежи,
06:02
including node A,
147
347000
2000
укључујући чвор А,
06:04
monitor those people that are right there in the middle of the network,
148
349000
3000
да посматрамо те људе који се налазе усред мреже
06:07
and somehow get an early detection
149
352000
2000
и некако рано откријемо
06:09
of whatever it is that is spreading through the network.
150
354000
3000
шта год да је то што се шири мрежом.
06:12
So if you saw them contract a germ or a piece of information,
151
357000
3000
То јест, ако их видите да се заразе бацилом или неком информацијом,
06:15
you would know that, soon enough,
152
360000
2000
знаћете да ће, ускоро,
06:17
everybody was about to contract this germ
153
362000
2000
сви да се заразе тим бацилом
06:19
or this piece of information.
154
364000
2000
или том информацијом.
06:21
And this would be much better
155
366000
2000
Ово би било много боље
06:23
than monitoring six randomly chosen people,
156
368000
2000
него посматрање шесторо насумичних људи,
06:25
without reference to the structure of the population.
157
370000
3000
без знања о структури популације.
06:28
And in fact, if you could do that,
158
373000
2000
Уствари, кад бисте то могли,
06:30
what you would see is something like this.
159
375000
2000
добили бисте нешто што изгледа као ово.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
377000
3000
С леве стране опет имамо Ѕ кривуљу прихватања.
06:35
In the dotted red line, we show
161
380000
2000
Црвеном истачканом линијом приказано је
06:37
what the adoption would be in the random people,
162
382000
2000
како би то ширење изгледало у насумичној популацији,
06:39
and in the left-hand line, shifted to the left,
163
384000
3000
и на левој страни, померено улево,
06:42
we show what the adoption would be
164
387000
2000
приказано је како би изгледало
06:44
in the central individuals within the network.
165
389000
2000
међу централним појединцима у оквиру мреже.
06:46
On the Y-axis is the cumulative instances of contagion,
166
391000
2000
На Y оси је кумулативни случај заразе,
06:48
and on the X-axis is the time.
167
393000
2000
а на Х оси је време.
06:50
And on the right-hand side, we show the same data,
168
395000
2000
А са десне стране приказани су исти подаци,
06:52
but here with daily incidence.
169
397000
2000
али овде са дневном инциденцом.
06:54
And what we show here is -- like, here --
170
399000
2000
Овде је приказано да је
06:56
very few people are affected, more and more and more and up to here,
171
401000
2000
само неколико људи инфицирано, све више довде,
06:58
and here's the peak of the epidemic.
172
403000
2000
а овде је врхунац епидемије.
07:00
But shifted to the left is what's occurring in the central individuals.
173
405000
2000
Али с леве стране је оно што се догађа централним појединцима.
07:02
And this difference in time between the two
174
407000
3000
Та разлика у времену између ова два
07:05
is the early detection, the early warning we can get,
175
410000
3000
је то рано откривање, рано упозорење које можемо добити,
07:08
about an impending epidemic
176
413000
2000
о предстојећој епидемији
07:10
in the human population.
177
415000
2000
у људској популацији.
07:12
The problem, however,
178
417000
2000
Међутим, проблем је
07:14
is that mapping human social networks
179
419000
2000
што мапирање људских друштвених мрежа
07:16
is not always possible.
180
421000
2000
није увек могуће.
07:18
It can be expensive, not feasible,
181
423000
2000
Може бити скупо, веома тешко,
07:20
unethical,
182
425000
2000
неетичко,
07:22
or, frankly, just not possible to do such a thing.
183
427000
3000
или, искрено, само немогуће да се тако нешто уради.
07:25
So, how can we figure out
184
430000
2000
Дакле, како можемо утврдити
07:27
who the central people are in a network
185
432000
2000
ко су централни појединци у некој мрежи
07:29
without actually mapping the network?
186
434000
3000
а да не мапирамо ту мрежу?
07:32
What we came up with
187
437000
2000
Дошли смо на идеју
07:34
was an idea to exploit an old fact,
188
439000
2000
да истражимо стару чињеницу,
07:36
or a known fact, about social networks,
189
441000
2000
или познату чињеницу, о друштвеним мрежама,
07:38
which goes like this:
190
443000
2000
која је следећа:
07:40
Do you know that your friends
191
445000
2000
Да ли знате да ваши пријатељи
07:42
have more friends than you do?
192
447000
3000
имају више пријатеља него ви?
07:45
Your friends have more friends than you do,
193
450000
3000
Ваши пријатељи имају више пријатеља него ви.
07:48
and this is known as the friendship paradox.
194
453000
2000
Ово је познато као парадокс пријатељства.
07:50
Imagine a very popular person in the social network --
195
455000
2000
Замислите веома популарну особу у друштвеној мрежи -
07:52
like a party host who has hundreds of friends --
196
457000
3000
на пример домаћина забаве који има стотине пријатеља -
07:55
and a misanthrope who has just one friend,
197
460000
2000
и мизантропа који има само једног пријатеља,
07:57
and you pick someone at random from the population;
198
462000
3000
и изаберете насумично неког из популације;
08:00
they were much more likely to know the party host.
199
465000
2000
та особа ће вероватније познавати тог домаћина забаве.
08:02
And if they nominate the party host as their friend,
200
467000
2000
И ако означе да им је домаћин пријатељ,
08:04
that party host has a hundred friends,
201
469000
2000
тај домаћин има стотине пријатеља,
08:06
therefore, has more friends than they do.
202
471000
3000
и на тај начин има више пријатеља него они.
08:09
And this, in essence, is what's known as the friendship paradox.
203
474000
3000
Ово је, у суштини, познато као парадокс пријатељства.
08:12
The friends of randomly chosen people
204
477000
3000
Пријатељи насумично одабраних људи
08:15
have higher degree, and are more central
205
480000
2000
имају виши степен и централнији су,
08:17
than the random people themselves.
206
482000
2000
него сами ти насумични људи.
08:19
And you can get an intuitive appreciation for this
207
484000
2000
Можете интуитивно схватити ово,
08:21
if you imagine just the people at the perimeter of the network.
208
486000
3000
ако замислите само људе на ивицама мреже.
08:24
If you pick this person,
209
489000
2000
Ако одаберете ову особу,
08:26
the only friend they have to nominate is this person,
210
491000
3000
једини пријатељ кога могу да наведу је ова особа,
08:29
who, by construction, must have at least two
211
494000
2000
која, по конструкцији, мора имати барем два,
08:31
and typically more friends.
212
496000
2000
а заправо и више, пријатеља.
08:33
And that happens at every peripheral node.
213
498000
2000
И то се дешава са сваким периферним чвором.
08:35
And in fact, it happens throughout the network as you move in,
214
500000
3000
Уствари, дешава се кроз мрежу, како пролазите њоме,
08:38
everyone you pick, when they nominate a random --
215
503000
2000
свако кога изаберете, када они одаберу неког...
08:40
when a random person nominates a friend of theirs,
216
505000
3000
када насумична особа наведе једног свог пријатеља,
08:43
you move closer to the center of the network.
217
508000
3000
приближавате се центру мреже.
08:46
So, we thought we would exploit this idea
218
511000
3000
Ми смо мислили да истражимо ову идеју
08:49
in order to study whether we could predict phenomena within networks.
219
514000
3000
како бисмо видели можемо ли да предвидимо феномене унутар мрежа.
08:52
Because now, with this idea
220
517000
2000
Јер сада, са овом идејом,
08:54
we can take a random sample of people,
221
519000
2000
можемо узети насумични узорак људи,
08:56
have them nominate their friends,
222
521000
2000
тражити да наведу своје пријатеље,
08:58
those friends would be more central,
223
523000
2000
ти пријатељи ће бити централнији
09:00
and we could do this without having to map the network.
224
525000
3000
и то бисмо урадили без мапирања мреже.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
528000
3000
Ову идеју тестирали смо са епидемијом H1N1 грипа,
09:06
at Harvard College
226
531000
2000
на Харварду
09:08
in the fall and winter of 2009, just a few months ago.
227
533000
3000
у јесен и зиму 2009., пре само неколико месеци.
09:11
We took 1,300 randomly selected undergraduates,
228
536000
3000
Узели смо 1300 насумично одабраних студената,
09:14
we had them nominate their friends,
229
539000
2000
замолили их да наведу своје пријатеље,
09:16
and we followed both the random students and their friends
230
541000
2000
и пратили смо и насумичне студенте и њихове пријатеље
09:18
daily in time
231
543000
2000
дневно у одређено време,
09:20
to see whether or not they had the flu epidemic.
232
545000
3000
да видимо да ли су заражени или не.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
548000
3000
То смо чинили пасивно, посматрајући да ли иду у студентске амбуланте.
09:26
And also, we had them [actively] email us a couple of times a week.
234
551000
3000
Такође су нам они слали мејлове неколико пута недељно.
09:29
Exactly what we predicted happened.
235
554000
3000
Десило се управо оно што смо предвидели.
09:32
So the random group is in the red line.
236
557000
3000
Црвена линија представља насумичну групу.
09:35
The epidemic in the friends group has shifted to the left, over here.
237
560000
3000
Епидемија међу пријатељима померила се улево, овде.
09:38
And the difference in the two is 16 days.
238
563000
3000
А разлика између две групе је 16 дана.
09:41
By monitoring the friends group,
239
566000
2000
Посматрајући групу пријатеља,
09:43
we could get 16 days advance warning
240
568000
2000
могли смо да добијемо упозорење о
09:45
of an impending epidemic in this human population.
241
570000
3000
долазећој епидемији у овој популацији 16 дана унапред.
09:48
Now, in addition to that,
242
573000
2000
Сад, поврх тога,
09:50
if you were an analyst who was trying to study an epidemic
243
575000
3000
ако сте аналитичар који покушава да проучи епидемију
09:53
or to predict the adoption of a product, for example,
244
578000
3000
или предвиди усвајање неког производа на пример,
09:56
what you could do is you could pick a random sample of the population,
245
581000
3000
могли бисте узети насумичан узорак из популације,
09:59
also have them nominate their friends and follow the friends
246
584000
3000
такође тражити да именују своје пријатеље и пратити пријатеље,
10:02
and follow both the randoms and the friends.
247
587000
3000
и пратити и пријатеље и насумичну групу.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
590000
3000
Међу пријатељима, први доказ пораста изнад нуле
10:08
in adoption of the innovation, for example,
249
593000
3000
у прихватању неке иновације, не пример,
10:11
would be evidence of an impending epidemic.
250
596000
2000
био би доказ предстојеће епидемије.
10:13
Or you could see the first time the two curves diverged,
251
598000
3000
Или бисте први пут видели да се две кривуље разилазе,
10:16
as shown on the left.
252
601000
2000
као што је приказано с леве стране.
10:18
When did the randoms -- when did the friends take off
253
603000
3000
Када су пријатељи отишли
10:21
and leave the randoms,
254
606000
2000
и оставили насумичне,
10:23
and [when did] their curve start shifting?
255
608000
2000
а њихова кривуља почела да се мења?
10:25
And that, as indicated by the white line,
256
610000
2000
То се, као што показује бела линија,
10:27
occurred 46 days
257
612000
2000
десило 46 дана
10:29
before the peak of the epidemic.
258
614000
2000
пре врхунца епидемије.
10:31
So this would be a technique
259
616000
2000
Дакле ово би била техника
10:33
whereby we could get more than a month-and-a-half warning
260
618000
2000
којом бисмо више од месец ипо дана унапред добили
10:35
about a flu epidemic in a particular population.
261
620000
3000
упозорење о епидемији грипа у некој популацији.
10:38
I should say that
262
623000
2000
Морам да кажем да,
10:40
how far advanced a notice one might get about something
263
625000
2000
добијање раног упозорења о нечему
10:42
depends on a host of factors.
264
627000
2000
зависи од сијасет фактора.
10:44
It could depend on the nature of the pathogen --
265
629000
2000
Може зависити од природе патогена -
10:46
different pathogens,
266
631000
2000
различитих патогена,
10:48
using this technique, you'd get different warning --
267
633000
2000
коришћењем ове технике добили бисте разна упозорења -
10:50
or other phenomena that are spreading,
268
635000
2000
или других феномена који се шире,
10:52
or frankly, on the structure of the human network.
269
637000
3000
или, заправо од структуре мреже.
10:55
Now in our case, although it wasn't necessary,
270
640000
3000
Сада, у нашем случају, иако није било потребно,
10:58
we could also actually map the network of the students.
271
643000
2000
могли смо такође да мапирамо мрежу студената.
11:00
So, this is a map of 714 students
272
645000
2000
Дакле, ово је мапа 714 студената
11:02
and their friendship ties.
273
647000
2000
и њихових пријатељских веза.
11:04
And in a minute now, I'm going to put this map into motion.
274
649000
2000
За тренутак ћу покренути ову мапу.
11:06
We're going to take daily cuts through the network
275
651000
2000
Направићемо дневни преглед кроз мрежу
11:08
for 120 days.
276
653000
2000
у трајању од 120 дана.
11:10
The red dots are going to be cases of the flu,
277
655000
3000
Црвене тачке ће бити случајеви грипа,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
658000
3000
а жуте тачке ће бити пријатељи људи са грипом.
11:16
And the size of the dots is going to be proportional
279
661000
2000
А величина тачака биће пропорционална
11:18
to how many of their friends have the flu.
280
663000
2000
броју пријатеља који имају грип.
11:20
So bigger dots mean more of your friends have the flu.
281
665000
3000
Веће тачке значе да више ваших пријатеља има грип.
11:23
And if you look at this image -- here we are now in September the 13th --
282
668000
3000
Ако погледате ову слику - сада смо у 13. септемрбу -
11:26
you're going to see a few cases light up.
283
671000
2000
видећете да се појављује неколико случајева.
11:28
You're going to see kind of blooming of the flu in the middle.
284
673000
2000
Видећете неку врста процвата грипа у средини.
11:30
Here we are on October the 19th.
285
675000
3000
Овде смо у 19. октобру.
11:33
The slope of the epidemic curve is approaching now, in November.
286
678000
2000
Нагиб епидемије се приближава сад, у новембру.
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
680000
3000
Бенг, бенг, бенг, бенг, бенг, видећете много процвата у средини,
11:38
and then you're going to see a sort of leveling off,
288
683000
2000
и онда ћете видети заравњење,
11:40
fewer and fewer cases towards the end of December.
289
685000
3000
све мање и мање случајева до краја децембра.
11:43
And this type of a visualization
290
688000
2000
Ова врста визуализације
11:45
can show that epidemics like this take root
291
690000
2000
приказује да се овакве епидемије јављају
11:47
and affect central individuals first,
292
692000
2000
и утичу прво на централне појединце,
11:49
before they affect others.
293
694000
2000
пре него што погоде друге.
11:51
Now, as I've been suggesting,
294
696000
2000
Сад, као што сам рекао,
11:53
this method is not restricted to germs,
295
698000
3000
овај метод није ограничен на бациле,
11:56
but actually to anything that spreads in populations.
296
701000
2000
него на било шта што се шири у популацијама.
11:58
Information spreads in populations,
297
703000
2000
Информације се шире у популацијама.
12:00
norms can spread in populations,
298
705000
2000
Норме могу да се шире.
12:02
behaviors can spread in populations.
299
707000
2000
Понашања могу да се шире.
12:04
And by behaviors, I can mean things like criminal behavior,
300
709000
3000
Под тиме мислим на криминална понашања,
12:07
or voting behavior, or health care behavior,
301
712000
3000
или гласање, брига о здравственом стању,
12:10
like smoking, or vaccination,
302
715000
2000
као што је пушење, вакцинација,
12:12
or product adoption, or other kinds of behaviors
303
717000
2000
или прихватање неког производа, или друге врсте понашања
12:14
that relate to interpersonal influence.
304
719000
2000
које имају везе са интерперсоналним утицајем.
12:16
If I'm likely to do something that affects others around me,
305
721000
3000
Ако ћу ја урадити нешто што утиче на људе око мене,
12:19
this technique can get early warning or early detection
306
724000
3000
ова техника може дати рано упозорење, рано откривање,
12:22
about the adoption within the population.
307
727000
3000
прихватања у популацији.
12:25
The key thing is that for it to work,
308
730000
2000
Кључна ствар је, да би функционисало,
12:27
there has to be interpersonal influence.
309
732000
2000
неопходно је да постоји интерперсонални утицај.
12:29
It cannot be because of some broadcast mechanism
310
734000
2000
Не дешава се тако што неки механизам емитовања
12:31
affecting everyone uniformly.
311
736000
3000
утиче на све једнако.
12:35
Now the same insights
312
740000
2000
Исти ови налази
12:37
can also be exploited -- with respect to networks --
313
742000
3000
могу се користити - који се односе на мреже -
12:40
can also be exploited in other ways,
314
745000
3000
могу се користити и на друге начине,
12:43
for example, in the use of targeting
315
748000
2000
на пример, у корист циљања на
12:45
specific people for interventions.
316
750000
2000
одређене људе за интервенције.
12:47
So, for example, most of you are probably familiar
317
752000
2000
На пример, већина вас је вероватно упозната
12:49
with the notion of herd immunity.
318
754000
2000
са идејом "имунитета стада".
12:51
So, if we have a population of a thousand people,
319
756000
3000
дакле, имамо популацију од хиљаду људи,
12:54
and we want to make the population immune to a pathogen,
320
759000
3000
и желимо да је учинимо имуном на неки патоген,
12:57
we don't have to immunize every single person.
321
762000
2000
не морамо да вакцинишемо сваку поједину особу.
12:59
If we immunize 960 of them,
322
764000
2000
Ако имунизирамо њих 960,
13:01
it's as if we had immunized a hundred [percent] of them.
323
766000
3000
то је као да смо имунизирали 100 посто.
13:04
Because even if one or two of the non-immune people gets infected,
324
769000
3000
Јер чак иако се један или двоје од неимунизираних зарази,
13:07
there's no one for them to infect.
325
772000
2000
нема никога коме би пренели.
13:09
They are surrounded by immunized people.
326
774000
2000
Окружени су имунизованим људима.
13:11
So 96 percent is as good as 100 percent.
327
776000
3000
Дакле, 96% је једнако добро као и 100%.
13:14
Well, some other scientists have estimated
328
779000
2000
Па, неки други научници су проценили
13:16
what would happen if you took a 30 percent random sample
329
781000
2000
шта би се догодило кад бисте узели 30% насумичног узорка
13:18
of these 1000 people, 300 people and immunized them.
330
783000
3000
од ових 1000 људи, њих 300 и имунизовали их.
13:21
Would you get any population-level immunity?
331
786000
2000
Да ли бисте добили имунитет на нивоу популације?
13:23
And the answer is no.
332
788000
3000
Одговор је не.
13:26
But if you took this 30 percent, these 300 people
333
791000
2000
Али ако узмете тих 30%, тих 300 људи,
13:28
and had them nominate their friends
334
793000
2000
и тражите да наведу своје пријатеље
13:30
and took the same number of vaccine doses
335
795000
3000
и узмете исти број доза вакцина,
13:33
and vaccinated the friends of the 300 --
336
798000
2000
и вакцинишете пријатеље од тих 300 људи,
13:35
the 300 friends --
337
800000
2000
300 пријатеља,
13:37
you can get the same level of herd immunity
338
802000
2000
можете добити исти ниво "имунитета стада"
13:39
as if you had vaccinated 96 percent of the population
339
804000
3000
као да сте вакцинисали 96% популације,
13:42
at a much greater efficiency, with a strict budget constraint.
340
807000
3000
са много већом ефикасношћу и ограниченим буџетом.
13:45
And similar ideas can be used, for instance,
341
810000
2000
Сличне идеје се могу користити, на пример,
13:47
to target distribution of things like bed nets
342
812000
2000
за циљање дистрибуције ствари као што су балдахини
13:49
in the developing world.
343
814000
2000
у земљама у развоју.
13:51
If we could understand the structure of networks in villages,
344
816000
3000
Кад бисмо разумели структуру мрежа у селима,
13:54
we could target to whom to give the interventions
345
819000
2000
могли бисмо одредити на коме треба интервенисати
13:56
to foster these kinds of spreads.
346
821000
2000
да бисмо покренули ова ширења.
13:58
Or, frankly, for advertising with all kinds of products.
347
823000
3000
Или за рекламирање свих врста производа.
14:01
If we could understand how to target,
348
826000
2000
Кад бисмо разумели како да циљамо,
14:03
it could affect the efficiency
349
828000
2000
то би утицало на ефикасност
14:05
of what we're trying to achieve.
350
830000
2000
онога што желимо да постигнемо.
14:07
And in fact, we can use data
351
832000
2000
Данас за ово можемо да користимо
14:09
from all kinds of sources nowadays [to do this].
352
834000
2000
податке из свакаквих извора.
14:11
This is a map of eight million phone users
353
836000
2000
Ово је мапа осам милиона корисника телефона
14:13
in a European country.
354
838000
2000
у једној европској земљи.
14:15
Every dot is a person, and every line represents
355
840000
2000
Свака тачка је једна особа, а свака линија представља
14:17
a volume of calls between the people.
356
842000
2000
количину позива међу људима.
14:19
And we can use such data, that's being passively obtained,
357
844000
3000
Можемо користити такве податке, који се пасивно скупљају,
14:22
to map these whole countries
358
847000
2000
да мапирамо читаве земље
14:24
and understand who is located where within the network.
359
849000
3000
и разумемо ко је где лоциран у мрежи.
14:27
Without actually having to query them at all,
360
852000
2000
Не бисмо морали ни да их испитујемо,
14:29
we can get this kind of a structural insight.
361
854000
2000
а добили бисмо увид у структуру.
14:31
And other sources of information, as you're no doubt aware
362
856000
3000
И друге врсте информација су, као што знате,
14:34
are available about such features, from email interactions,
363
859000
3000
доступне о тим особинама, као комуницирање мејловима,
14:37
online interactions,
364
862000
2000
интеракције на интернету,
14:39
online social networks and so forth.
365
864000
3000
друштвене мреже на интернету, итд.
14:42
And in fact, we are in the era of what I would call
366
867000
2000
Уствари, налазимо се у ери коју зовем
14:44
"massive-passive" data collection efforts.
367
869000
3000
"масовно-пасивно" прикупљање података.
14:47
They're all kinds of ways we can use massively collected data
368
872000
3000
Постоје многи начини да искористимо масовно прикупљене податке
14:50
to create sensor networks
369
875000
3000
да бисмо створили мреже сензоре
14:53
to follow the population,
370
878000
2000
пратили популацију,
14:55
understand what's happening in the population,
371
880000
2000
разумели шта се дешава у популацији,
14:57
and intervene in the population for the better.
372
882000
3000
и интервенисали у популацији због добробити.
15:00
Because these new technologies tell us
373
885000
2000
Јер ове нове технологије нам не говоре
15:02
not just who is talking to whom,
374
887000
2000
само ко с ким разговара,
15:04
but where everyone is,
375
889000
2000
него где се сви налазе,
15:06
and what they're thinking based on what they're uploading on the Internet,
376
891000
3000
и о чему размишљају, на основу онога што постављају на интернет,
15:09
and what they're buying based on their purchases.
377
894000
2000
и шта купују, на основу њихових куповина.
15:11
And all this administrative data can be pulled together
378
896000
3000
И сви ови примењиви подаци могу да се скупе
15:14
and processed to understand human behavior
379
899000
2000
и обраде да би се разумело људско понашање
15:16
in a way we never could before.
380
901000
3000
као што никада пре нисмо могли.
15:19
So, for example, we could use truckers' purchases of fuel.
381
904000
3000
На пример, возачи камиона купују гориво.
15:22
So the truckers are just going about their business,
382
907000
2000
камионџије само раде свој посао,
15:24
and they're buying fuel.
383
909000
2000
и купују гориво.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
911000
3000
И видимо пораст куповине горива и
15:29
and we know that a recession is about to end.
385
914000
2000
знамо да се рецесија ближи крају.
15:31
Or we can monitor the velocity
386
916000
2000
Или можемо посматрати брзину
15:33
with which people are moving with their phones on a highway,
387
918000
3000
којом се људи са мобилним телефонима крећу по ауто путу
15:36
and the phone company can see,
388
921000
2000
и телефонске компаније могу видети,
15:38
as the velocity is slowing down,
389
923000
2000
како се брзина успорава,
15:40
that there's a traffic jam.
390
925000
2000
да постоји саобраћајна гужва.
15:42
And they can feed that information back to their subscribers,
391
927000
3000
Ту информацију могу послати својим претплатницима,
15:45
but only to their subscribers on the same highway
392
930000
2000
али само онима који се налазе на истом ауто путу
15:47
located behind the traffic jam!
393
932000
2000
иза саобраћајне гужве!
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
934000
3000
Или можемо пасивно да посматрамо шта доктори преписују,
15:52
and see how the diffusion of innovation with pharmaceuticals
395
937000
3000
и видимо како се ширење нових лекова
15:55
occurs within [networks of] doctors.
396
940000
2000
јавља међу мрежама доктора.
15:57
Or again, we can monitor purchasing behavior in people
397
942000
2000
Или опет, можемо посматрати куповно понашање међу људима,
15:59
and watch how these types of phenomena
398
944000
2000
и видети како се ови феномени
16:01
can diffuse within human populations.
399
946000
3000
могу ширити међу људским популацијама.
16:04
And there are three ways, I think,
400
949000
2000
Мислим да постоје три начина
16:06
that these massive-passive data can be used.
401
951000
2000
на које се овако прикупљени подаци могу користити.
16:08
One is fully passive,
402
953000
2000
Један је потпуно пасиван,
16:10
like I just described --
403
955000
2000
као што сам управо описао -
16:12
as in, for instance, the trucker example,
404
957000
2000
као у примеру са камионџијама,
16:14
where we don't actually intervene in the population in any way.
405
959000
2000
где се не мешамо у популацију ни на који начин.
16:16
One is quasi-active,
406
961000
2000
Један је квази-активан,
16:18
like the flu example I gave,
407
963000
2000
као пример са грипом,
16:20
where we get some people to nominate their friends
408
965000
3000
где неки људи наводе своје пријатеље,
16:23
and then passively monitor their friends --
409
968000
2000
и онда пасивно посматрамо њихове пријатеље -
16:25
do they have the flu, or not? -- and then get warning.
410
970000
2000
имају ли грип или не? - и онда добијемо упозорење.
16:27
Or another example would be,
411
972000
2000
Или још један пример био би,
16:29
if you're a phone company, you figure out who's central in the network
412
974000
3000
ако сте телефонска компанија, сазнате ко је централан у некој мрежи
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
977000
3000
и питате те људе, "Да ли бисте нам написали вашу температуру сваког дана?
16:35
Just text us your temperature."
414
980000
2000
Само нам пошаљите колика вам је температура."
16:37
And collect vast amounts of information about people's temperature,
415
982000
3000
И скупите огромне количине података о температурама људи
16:40
but from centrally located individuals.
416
985000
2000
али од индивидуа које су у центру.
16:42
And be able, on a large scale,
417
987000
2000
И можете, у великом обиму,
16:44
to monitor an impending epidemic
418
989000
2000
посматрати долазећу епидемију
16:46
with very minimal input from people.
419
991000
2000
са веома мало података од људи.
16:48
Or, finally, it can be more fully active --
420
993000
2000
Или коначно, може бити потпуно активно -
16:50
as I know subsequent speakers will also talk about today --
421
995000
2000
знам да ће и наредни говорници о томе причати данас -
16:52
where people might globally participate in wikis,
422
997000
2000
где људи могу глобално учествовати у викијима,
16:54
or photographing, or monitoring elections,
423
999000
3000
или фотографисати или посматрати изборе
16:57
and upload information in a way that allows us to pool
424
1002000
2000
и постављати информације тако да можемо да их
16:59
information in order to understand social processes
425
1004000
2000
скупљамо како бисмо разумели друштвене процесе
17:01
and social phenomena.
426
1006000
2000
и друштвене феномене.
17:03
In fact, the availability of these data, I think,
427
1008000
2000
Уствари, мислим да доступност ових података
17:05
heralds a kind of new era
428
1010000
2000
најављује нову еру
17:07
of what I and others would like to call
429
1012000
2000
онога што ја и други волимо да зовемо
17:09
"computational social science."
430
1014000
2000
"рачунарска друштвена наука".
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1016000
3000
Како кад је Галијеј изумео - или, није изумео -
17:14
came to use a telescope
432
1019000
2000
почео да користи телескоп
17:16
and could see the heavens in a new way,
433
1021000
2000
и могао да види небеса на нови начин,
17:18
or Leeuwenhoek became aware of the microscope --
434
1023000
2000
или кад је Ливенхок открио микроскоп -
17:20
or actually invented --
435
1025000
2000
или изумео -
17:22
and could see biology in a new way.
436
1027000
2000
и могао да види биологију на нов начин.
17:24
But now we have access to these kinds of data
437
1029000
2000
Али сада имамо приступ овим врстама података
17:26
that allow us to understand social processes
438
1031000
2000
који нам дозвољавају да разумемо друштвене процесе
17:28
and social phenomena
439
1033000
2000
и друштвене феномене
17:30
in an entirely new way that was never before possible.
440
1035000
3000
на потпуно нов начин који никада није био могућ.
17:33
And with this science, we can
441
1038000
2000
И са овом науком, можемо
17:35
understand how exactly
442
1040000
2000
разумети како је тачно
17:37
the whole comes to be greater
443
1042000
2000
целина већа
17:39
than the sum of its parts.
444
1044000
2000
од збира својих делова.
17:41
And actually, we can use these insights
445
1046000
2000
И заправо, можемо користити ова сазнања
17:43
to improve society and improve human well-being.
446
1048000
3000
да побољшамо друштво и добробит људи.
17:46
Thank you.
447
1051000
2000
Хвала вам.
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