TED@Cannes
Nicholas Christakis: How social networks predict epidemics
Nicholas Christakis: Hur sociala nätverk kan förutsäga epidemier
Filmed:
Readability: 4.9
669,862 views
Efter ha mappat mänskligt sammasatta sociala nätverk började Nicholas Christakis och hans kollega James Fowler undersöka hur kunde göra vår liv bättre. Nu avslöjar han sina sensationella rön: Dessa nätverk kan användas för att detektera epidemier tidigare än förut, allt från spridning av innovativa idéer till riskfulla beteende till virus (som 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
Under de senaste 10 åren, har jag använt min tid till att klura ut
00:18
how and why human beings
1
3000
2000
hur och varför människor börjar
00:20
assemble themselves into social networks.
2
5000
3000
samla sig i sociala nätverk.
00:23
And the kind of social network I'm talking about
3
8000
2000
Och den sorts sociala nätverk jag talar om
00:25
is not the recent online variety,
4
10000
2000
är inte den nya onlinevarianten,
00:27
but rather, the kind of social networks
5
12000
2000
utan, den typ av sociala nätverk
00:29
that human beings have been assembling for hundreds of thousands of years,
6
14000
3000
som människor har samlats inom under hundratusentals år,
00:32
ever since we emerged from the African savannah.
7
17000
3000
ända sedan vi dök upp på den Afrikanska savannen.
00:35
So, I form friendships and co-worker
8
20000
2000
Så, jag skapar vänskaps-, arbets-,
00:37
and sibling and relative relationships with other people
9
22000
3000
syskon- och andra relationer med andra människor
00:40
who in turn have similar relationships with other people.
10
25000
2000
som i sin tur har liknande relationer med andra människor.
00:42
And this spreads on out endlessly into a distance.
11
27000
3000
Och detta sprider sig ändlöst utåt.
00:45
And you get a network that looks like this.
12
30000
2000
Och du får ett nätverk som ser ut så här.
00:47
Every dot is a person.
13
32000
2000
Där varje punkt är en person.
00:49
Every line between them is a relationship between two people --
14
34000
2000
Där varje linje mellan dem är en relation mellan två människor --
00:51
different kinds of relationships.
15
36000
2000
olika typer av relationer.
00:53
And you can get this kind of vast fabric of humanity,
16
38000
3000
Och du får den typ av omfattande tyg av mänsklighet,
00:56
in which we're all embedded.
17
41000
2000
som vi alla är inbäddade i.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
43000
3000
Jag och min kollega, James Fowler, har studerat det ett bra tag nu
01:01
what are the mathematical, social,
19
46000
2000
vilka är de matematiska, sociala,
01:03
biological and psychological rules
20
48000
3000
biologiska och psykologiska reglerna
01:06
that govern how these networks are assembled
21
51000
2000
som styr hur dessa nätverk sammansätts
01:08
and what are the similar rules
22
53000
2000
och vilka är de liknande reglerna
01:10
that govern how they operate, how they affect our lives.
23
55000
3000
som styr hur de verkar, hur de påverkar våra liv.
01:13
But recently, we've been wondering
24
58000
2000
Och, nyligen har vi funderat på
01:15
whether it might be possible to take advantage of this insight,
25
60000
3000
huruvida det är möjligt att dra nytta av denna insikt,
01:18
to actually find ways to improve the world,
26
63000
2000
för att verkligen hitta vägar till att förbättra världen,
01:20
to do something better,
27
65000
2000
för att göra någonting bättre,
01:22
to actually fix things, not just understand things.
28
67000
3000
för att verkligen fixa saker, inte bara förstå dem.
01:25
So one of the first things we thought we would tackle
29
70000
3000
Så en av de första sakerna vi tänkte tackla
01:28
would be how we go about predicting epidemics.
30
73000
3000
skulle vara hur vi går tillväga för för förutsäga epidemier.
01:31
And the current state of the art in predicting an epidemic --
31
76000
2000
Det nuvarande bästa tillvägagångssättet för att förutsäga epidemier --
01:33
if you're the CDC or some other national body --
32
78000
3000
om du är på smittskyddsinstitutet (Am. CDC) eller någon annan myndighet --
01:36
is to sit in the middle where you are
33
81000
2000
är att sitta där du är
01:38
and collect data
34
83000
2000
och samla in data
01:40
from physicians and laboratories in the field
35
85000
2000
från läkare och laboratorier på fältet
01:42
that report the prevalence or the incidence of certain conditions.
36
87000
3000
som rapporterar prevalens eller incidens av vissa sjukdommar.
01:45
So, so and so patients have been diagnosed with something,
37
90000
3000
Patienter, där och där som blivit diagnostiserade med något [här borta]
01:48
or other patients have been diagnosed,
38
93000
2000
eller andra som blivit diagnostisera [här borta]
01:50
and all these data are fed into a central repository, with some delay.
39
95000
3000
och alla dessa data matas till en stor databas, med en viss fördröjning.
01:53
And if everything goes smoothly,
40
98000
2000
Och om allt går som de ska
01:55
one to two weeks from now
41
100000
2000
en-två veckor från nu,
01:57
you'll know where the epidemic was today.
42
102000
3000
kommer du veta vart epidemin var i förrgår.
02:00
And actually, about a year or so ago,
43
105000
2000
Och faktiskt, för ett år sen eller så,
02:02
there was this promulgation
44
107000
2000
kom det ett offentliggörande
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
109000
3000
om en idé om Google Flu Trends, med sikte på influensan,
02:07
where by looking at people's searching behavior today,
46
112000
3000
där man genom att titta på folks sökbeteende i dag,
02:10
we could know where the flu --
47
115000
2000
kunde veta vart flunsan...
02:12
what the status of the epidemic was today,
48
117000
2000
vad statusen för epidemin var i dag,
02:14
what's the prevalence of the epidemic today.
49
119000
3000
vad prevalensen för epidemin är i dag.
02:17
But what I'd like to show you today
50
122000
2000
Men det jag skulle vilja visa dig i dag
02:19
is a means by which we might get
51
124000
2000
är ett sätt genom vilket vi möjligen får
02:21
not just rapid warning about an epidemic,
52
126000
3000
inte bara en tidig varning för epidemin,
02:24
but also actually
53
129000
2000
men också i själva verket
02:26
early detection of an epidemic.
54
131000
2000
en tidig detektering av en epidemi.
02:28
And, in fact, this idea can be used
55
133000
2000
Och, faktum är, denna idé kan användas
02:30
not just to predict epidemics of germs,
56
135000
3000
inte bara för att förutsäga bakteriella epidemier,
02:33
but also to predict epidemics of all sorts of kinds.
57
138000
3000
men även för att förutsäga alla typer av epidemier.
02:37
For example, anything that spreads by a form of social contagion
58
142000
3000
Till exempel, alla saker som sprids genom en slags social smitta
02:40
could be understood in this way,
59
145000
2000
kan förklaras genom detta sätt,
02:42
from abstract ideas on the left
60
147000
2000
från abstrakta idéer till vänster
02:44
like patriotism, or altruism, or religion
61
149000
3000
som patriotism eller altruism eller religion,
02:47
to practices
62
152000
2000
till tillvägagångsätt
02:49
like dieting behavior, or book purchasing,
63
154000
2000
som dietbeteende eller bokköpande,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
156000
3000
eller drickande eller cykel-hjälms [och] eller andra säkerhetsdetaljer,
02:54
or products that people might buy,
65
159000
2000
eller produkter som folk kan tänka sig att köpa,
02:56
purchases of electronic goods,
66
161000
2000
inköp av elektronikvaror,
02:58
anything in which there's kind of an interpersonal spread.
67
163000
3000
vad som helst som där det finns en spridning mellan personer.
03:01
A kind of a diffusion of innovation
68
166000
2000
En slags spridning av innovationer
03:03
could be understood and predicted
69
168000
2000
kan förstås och förutsägas
03:05
by the mechanism I'm going to show you now.
70
170000
3000
genom mekanismen som jag kommer visa dig nu.
03:08
So, as all of you probably know,
71
173000
2000
Så, som de flesta av er troligen vet,
03:10
the classic way of thinking about this
72
175000
2000
det klassiska sättet att tänka kring detta
03:12
is the diffusion-of-innovation,
73
177000
2000
är spridning-av-innovation
03:14
or the adoption curve.
74
179000
2000
eller acceptanskurvan (eng. adoption curve).
03:16
So here on the Y-axis, we have the percent of the people affected,
75
181000
2000
Så här på Y-axeln, har vi procent av folk som är berörda,
03:18
and on the X-axis, we have time.
76
183000
2000
och på X-axeln, har vi tid.
03:20
And at the very beginning, not too many people are affected,
77
185000
3000
Och i allra första början är inte alls så många berörda.
03:23
and you get this classic sigmoidal,
78
188000
2000
och då får den klassiska sigmodala,
03:25
or S-shaped, curve.
79
190000
2000
eller S-formade, kurvan.
03:27
And the reason for this shape is that at the very beginning,
80
192000
2000
Och ett skäl till denna form är att från första början,
03:29
let's say one or two people
81
194000
2000
låt oss säga att en eller två personer
03:31
are infected, or affected by the thing
82
196000
2000
har blivit påverkade eller infekterad av detta
03:33
and then they affect, or infect, two people,
83
198000
2000
de påverkar, eller infekterar sedan två personer,
03:35
who in turn affect four, eight, 16 and so forth,
84
200000
3000
som i sin tur påverkar fyra, åtta och 16 och så vidare,
03:38
and you get the epidemic growth phase of the curve.
85
203000
3000
och du får den epidemiska tillväxtfasen på kurvan.
03:41
And eventually, you saturate the population.
86
206000
2000
Och till slut, så närmar du dig hela befolkning.
03:43
There are fewer and fewer people
87
208000
2000
Det är färre och färre människor kvar
03:45
who are still available that you might infect,
88
210000
2000
vilka fortfarande är möjliga att infektera,
03:47
and then you get the plateau of the curve,
89
212000
2000
och där får du platån på kurvan,
03:49
and you get this classic sigmoidal curve.
90
214000
3000
och du får den klassiska sigmodala kurvan.
03:52
And this holds for germs, ideas,
91
217000
2000
Och detta håller för bakterier, idéer,
03:54
product adoption, behaviors,
92
219000
2000
produktacceptans, beteenden,
03:56
and the like.
93
221000
2000
och liknande.
03:58
But things don't just diffuse in human populations at random.
94
223000
3000
Men saker sprider sig inte i den mänskliga populationen slumpmässigt.
04:01
They actually diffuse through networks.
95
226000
2000
De sprider sig i själva verket genom nätverk.
04:03
Because, as I said, we live our lives in networks,
96
228000
3000
Eftersom vi lever våra liv i nätverk,
04:06
and these networks have a particular kind of a structure.
97
231000
3000
och dessa nätverk har en speciell sorts struktur.
04:09
Now if you look at a network like this --
98
234000
2000
Om du nu tittar på ett nätverk som detta...
04:11
this is 105 people.
99
236000
2000
Detta är 105 människor.
04:13
And the lines represent -- the dots are the people,
100
238000
2000
Och linjerna representerar ... prickarna är människor,
04:15
and the lines represent friendship relationships.
101
240000
2000
och linjerna representerar vänskapsrelationer.
04:17
You might see that people occupy
102
242000
2000
Du ser kanske folk tar upp
04:19
different locations within the network.
103
244000
2000
olika platser inom detta nätverk.
04:21
And there are different kinds of relationships between the people.
104
246000
2000
Och det är olika slags relationer mellan människor.
04:23
You could have friendship relationships, sibling relationships,
105
248000
3000
Du kan ha kamratskapsrelationer, syskonrelationer,
04:26
spousal relationships, co-worker relationships,
106
251000
3000
äkta hälft relationer, arbetskamratsrelationer,
04:29
neighbor relationships and the like.
107
254000
3000
grannrelationer och liknande.
04:32
And different sorts of things
108
257000
2000
Och olika slags saker
04:34
spread across different sorts of ties.
109
259000
2000
sprider sig tvärs olika typer av förbindelser.
04:36
For instance, sexually transmitted diseases
110
261000
2000
Till exempel, sexuellt överförbara sjukdomar.
04:38
will spread across sexual ties.
111
263000
2000
kommer sprida sig via sexuella förbindelser.
04:40
Or, for instance, people's smoking behavior
112
265000
2000
Eller till exempel, människors rökvanor
04:42
might be influenced by their friends.
113
267000
2000
påverkar troligen av deras vänner.
04:44
Or their altruistic or their charitable giving behavior
114
269000
2000
Eller deras altruistiska beteende att ge till välgörenhet
04:46
might be influenced by their coworkers,
115
271000
2000
påverkas troligen av deras arbetskamrater,
04:48
or by their neighbors.
116
273000
2000
eller av deras grannar.
04:50
But not all positions in the network are the same.
117
275000
3000
Men alla platser i nätverket är inte likadana.
04:53
So if you look at this, you might immediately grasp
118
278000
2000
Så när du tittar på detta, så inser du kanske omedelbart
04:55
that different people have different numbers of connections.
119
280000
3000
att olika människor har olika antal anknytningar.
04:58
Some people have one connection, some have two,
120
283000
2000
En del människor har en anknytning, en del två,
05:00
some have six, some have 10 connections.
121
285000
3000
några har sex, några har 10 anknytningar.
05:03
And this is called the "degree" of a node,
122
288000
2000
Och detta kallas "rang" (eng. "degree") för en nod,
05:05
or the number of connections that a node has.
123
290000
2000
eller antalet en anknytningar en nod har.
05:07
But in addition, there's something else.
124
292000
2000
Men det finns något annat också.
05:09
So, if you look at nodes A and B,
125
294000
2000
Om du tittar på noderna A och B,
05:11
they both have six connections.
126
296000
2000
så har då båda sex anknytningar.
05:13
But if you can see this image [of the network] from a bird's eye view,
127
298000
3000
Men om du ser denna bild [av nätverket] från ett fågelperspektiv,
05:16
you can appreciate that there's something very different
128
301000
2000
så kommer du inse det är något väldigt annorlunda
05:18
about nodes A and B.
129
303000
2000
med noderna A och B.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
305000
3000
Så, låt mig ställa denna fråga till dig -- Kan jag förstärka din intuition genom a ställa frågan --
05:23
who would you rather be
131
308000
2000
skulle du helst vara
05:25
if a deadly germ was spreading through the network, A or B?
132
310000
3000
om en dödlig bakterie som sprider sig genom nätverket genom, A eller B?
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
313000
2000
(Publiken: B). Nicholas Christakis: B det är ju uppenbart.
05:30
B is located on the edge of the network.
134
315000
2000
B är placerar på kanten av nätverket.
05:32
Now, who would you rather be
135
317000
2000
Och, vem skulle du heller vara
05:34
if a juicy piece of gossip were spreading through the network?
136
319000
3000
om ett saftigt skvaller spridde sig genom nätverket?
05:37
A. And you have an immediate appreciation
137
322000
3000
A. Då skulle du ha en omedelbar förståelse
05:40
that A is going to be more likely
138
325000
2000
det är A som troligen har en bättre möjlighet
05:42
to get the thing that's spreading and to get it sooner
139
327000
3000
att få reda på vad som sprider sig och få reda på det fortare
05:45
by virtue of their structural location within the network.
140
330000
3000
genom dess unika strukturella plats inom nätverket.
05:48
A, in fact, is more central,
141
333000
2000
A är mer central
05:50
and this can be formalized mathematically.
142
335000
3000
och detta kan formellt beskrivas matematiskt.
05:53
So, if we want to track something
143
338000
2000
Så, om du vill följa någonting
05:55
that was spreading through a network,
144
340000
3000
som sprider sig genom ett nätverk,
05:58
what we ideally would like to do is to set up sensors
145
343000
2000
så vad vi optimalt skulle vilja göra är sätta upp sensorer
06:00
on the central individuals within the network,
146
345000
2000
på centralt placerade individer i nätverket,
06:02
including node A,
147
347000
2000
inkludera nod A,
06:04
monitor those people that are right there in the middle of the network,
148
349000
3000
övervaka människorna som är alldeles i mitten av nätverket.
06:07
and somehow get an early detection
149
352000
2000
och genom detta sätt få en tidig detektering
06:09
of whatever it is that is spreading through the network.
150
354000
3000
av vad än som sprider sig genom nätverket.
06:12
So if you saw them contract a germ or a piece of information,
151
357000
3000
Det vill säga, om du såg dem komma i kontakt med bakterier eller information,
06:15
you would know that, soon enough,
152
360000
2000
då skulle du veta att snart nog,
06:17
everybody was about to contract this germ
153
362000
2000
skulle alla andra också få kontakt med denna bakterie
06:19
or this piece of information.
154
364000
2000
eller infomation.
06:21
And this would be much better
155
366000
2000
Och detta skulle vara mycket bättre
06:23
than monitoring six randomly chosen people,
156
368000
2000
än att övervaka sex slumpmässigt valda människor,
06:25
without reference to the structure of the population.
157
370000
3000
utan kunskap om hur populationen är strukturerad.
06:28
And in fact, if you could do that,
158
373000
2000
Och faktum är, om du kunde göra detta,
06:30
what you would see is something like this.
159
375000
2000
skulle du se något liknande detta.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
377000
3000
På den vänstra skärmen, återigen, har vi den S-formade kurvan över acceptansen.
06:35
In the dotted red line, we show
161
380000
2000
På den röda prickade linjen, visar vi
06:37
what the adoption would be in the random people,
162
382000
2000
vad acceptansen skulle vara med slumpmässigt valda människor,
06:39
and in the left-hand line, shifted to the left,
163
384000
3000
och i den vänster-hands linje, skiftade mot vänster,
06:42
we show what the adoption would be
164
387000
2000
vi ser vad acceptansen skulle bli
06:44
in the central individuals within the network.
165
389000
2000
för centrala individer i nätverket.
06:46
On the Y-axis is the cumulative instances of contagion,
166
391000
2000
På Y-axeln är kumulerade smittan,
06:48
and on the X-axis is the time.
167
393000
2000
och på X-axeln är tiden.
06:50
And on the right-hand side, we show the same data,
168
395000
2000
Och på den högra sidan visar vi samma data,
06:52
but here with daily incidence.
169
397000
2000
men här den dagliga incidensen.
06:54
And what we show here is -- like, here --
170
399000
2000
Och det vi visar här är --som, här --
06:56
very few people are affected, more and more and more and up to here,
171
401000
2000
att väldigt få människor är angripna, mer och mer och här uppe,
06:58
and here's the peak of the epidemic.
172
403000
2000
och här kommer toppen av epidemin.
07:00
But shifted to the left is what's occurring in the central individuals.
173
405000
2000
Men till vänster är vad som händer de centralt placerade individerna.
07:02
And this difference in time between the two
174
407000
3000
Och denna skillnad i tid mellan de två
07:05
is the early detection, the early warning we can get,
175
410000
3000
är den tidiga detektionen, den tidiga varningen vi kan få,
07:08
about an impending epidemic
176
413000
2000
om den annalkande epidemin
07:10
in the human population.
177
415000
2000
i den mänskliga populationen.
07:12
The problem, however,
178
417000
2000
Men problemet är dock,
07:14
is that mapping human social networks
179
419000
2000
att mappande av mänskliga sociala nätverk inte
07:16
is not always possible.
180
421000
2000
alltid är möjligt.
07:18
It can be expensive, not feasible,
181
423000
2000
Det kan vara dyrt, [mycket svårt],
07:20
unethical,
182
425000
2000
oetiskt,
07:22
or, frankly, just not possible to do such a thing.
183
427000
3000
eller, helt enkelt, bara omöjligt att göra en sådan sak.
07:25
So, how can we figure out
184
430000
2000
Så, hur kan vi klura ut
07:27
who the central people are in a network
185
432000
2000
vilka dessa centrala människor är i ett nätverk
07:29
without actually mapping the network?
186
434000
3000
utan att verkligen mappa upp nätverket?
07:32
What we came up with
187
437000
2000
Vad vi kom fram till
07:34
was an idea to exploit an old fact,
188
439000
2000
var en idé som kunde utnyttja ett gammal faktum,
07:36
or a known fact, about social networks,
189
441000
2000
eller känd egenskap kring sociala nätverk,
07:38
which goes like this:
190
443000
2000
vilken låter så här:
07:40
Do you know that your friends
191
445000
2000
Vet du om att dina vänner
07:42
have more friends than you do?
192
447000
3000
har fler vänner än du har?
07:45
Your friends have more friends than you do,
193
450000
3000
Dina vänner har fler vänner än du har.
07:48
and this is known as the friendship paradox.
194
453000
2000
Detta är känt som vänskapsparadoxen.
07:50
Imagine a very popular person in the social network --
195
455000
2000
Föreställ dig en väldigt populär människa i det sociala nätverket --
07:52
like a party host who has hundreds of friends --
196
457000
3000
som håller en fest och som har hundratals vänner --
07:55
and a misanthrope who has just one friend,
197
460000
2000
och en misantrop som bara har en vän,
07:57
and you pick someone at random from the population;
198
462000
3000
och du väljer någon slumpmässigt från populationen:
08:00
they were much more likely to know the party host.
199
465000
2000
så är det mycket mera troligt att de känner personen som har festen.
08:02
And if they nominate the party host as their friend,
200
467000
2000
Och om de kallar festfixaren sin vän,
08:04
that party host has a hundred friends,
201
469000
2000
så har festfixaren hundra vänner
08:06
therefore, has more friends than they do.
202
471000
3000
och har därigenom fler vänner än de har.
08:09
And this, in essence, is what's known as the friendship paradox.
203
474000
3000
Detta är, enkelt uttryckt, vad som är känt som vänskapsparadoxen.
08:12
The friends of randomly chosen people
204
477000
3000
Vänner till slumpmässigt valda människor
08:15
have higher degree, and are more central
205
480000
2000
har högre grad, och är mer centrala,
08:17
than the random people themselves.
206
482000
2000
än de slumpmässigt valda människorna själva.
08:19
And you can get an intuitive appreciation for this
207
484000
2000
Och du kan få en intuitiv förståelse för detta
08:21
if you imagine just the people at the perimeter of the network.
208
486000
3000
om du bara tänker dig människor vid utkanten av nätverket.
08:24
If you pick this person,
209
489000
2000
Om du väljer denna person,
08:26
the only friend they have to nominate is this person,
210
491000
3000
den enda vän som de behöver nominera är denna person,
08:29
who, by construction, must have at least two
211
494000
2000
vilken, genom konstruktionen, måste ha minst två,
08:31
and typically more friends.
212
496000
2000
och typiskt fler än det, vänner.
08:33
And that happens at every peripheral node.
213
498000
2000
Detta inträffar vid varje nod i utkanten.
08:35
And in fact, it happens throughout the network as you move in,
214
500000
3000
Och faktum är, det inträffar genom hela nätverket när du rör dig inåt,
08:38
everyone you pick, when they nominate a random --
215
503000
2000
varje du person du väljer, när de nominerar en slumpmässigt..
08:40
when a random person nominates a friend of theirs,
216
505000
3000
när en slumpmässigt vald person nominerar en vän till dem,
08:43
you move closer to the center of the network.
217
508000
3000
rör du dig närmare centret av nätverket.
08:46
So, we thought we would exploit this idea
218
511000
3000
Så, vi tänkte vi kunde utnyttja denna idé
08:49
in order to study whether we could predict phenomena within networks.
219
514000
3000
för att studera huruvida vi kunde förutsäga fenomen med nätverk.
08:52
Because now, with this idea
220
517000
2000
Eftersom nu, med denna idé,
08:54
we can take a random sample of people,
221
519000
2000
kan vi ta ett slummässigt urval av folk,
08:56
have them nominate their friends,
222
521000
2000
få dem att nominera deras vänner,
08:58
those friends would be more central,
223
523000
2000
sådana vänner som kommer vara mer centrala,
09:00
and we could do this without having to map the network.
224
525000
3000
och vi kunde göra detta utan mappa upp nätverket.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
528000
3000
Och vi testade denna idé på utbrottet av H1N1-influensan
09:06
at Harvard College
226
531000
2000
på Harvard College
09:08
in the fall and winter of 2009, just a few months ago.
227
533000
3000
under hösten och vintern 2009, bara för några månader sen.
09:11
We took 1,300 randomly selected undergraduates,
228
536000
3000
Vi tog 1300 slumpmässigt valda studenter
09:14
we had them nominate their friends,
229
539000
2000
som vi bad nominera sina vänner,
09:16
and we followed both the random students and their friends
230
541000
2000
och vi följde både de slumpmässigt valda studenterna och deras vänner
09:18
daily in time
231
543000
2000
dagligen
09:20
to see whether or not they had the flu epidemic.
232
545000
3000
för att om de hade fått influensa eller ej.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
548000
3000
Och vi gjorde detta passivt genom kolla om de hade gått till universitetets hälsocentral eller ej.
09:26
And also, we had them [actively] email us a couple of times a week.
234
551000
3000
De fick även [aktivt] e-posta oss några gånger i veckan.
09:29
Exactly what we predicted happened.
235
554000
3000
Exakt det vi hade förutspått hände.
09:32
So the random group is in the red line.
236
557000
3000
Så den slumpmässigt valda gruppen är den röda linjen.
09:35
The epidemic in the friends group has shifted to the left, over here.
237
560000
3000
Epidemin i vängruppen är skiftad till vänster, borta här.
09:38
And the difference in the two is 16 days.
238
563000
3000
Och skillnaden mellan de båda är 16 dagar.
09:41
By monitoring the friends group,
239
566000
2000
Genom att följa gruppen av vänner,
09:43
we could get 16 days advance warning
240
568000
2000
kunde vi få en 16 dagar tidigare varning
09:45
of an impending epidemic in this human population.
241
570000
3000
av den annalkande epidemin in denna mänskliga population.
09:48
Now, in addition to that,
242
573000
2000
Nu, i tillägg till detta,
09:50
if you were an analyst who was trying to study an epidemic
243
575000
3000
om du var en analytiker som försökte studera en epidemi
09:53
or to predict the adoption of a product, for example,
244
578000
3000
eller till exempel förutsäga acceptansen av en produkt
09:56
what you could do is you could pick a random sample of the population,
245
581000
3000
vad du skulle göra då är att ta ett slumpmässigt urval av populationen,
09:59
also have them nominate their friends and follow the friends
246
584000
3000
och få dem att nominera deras vänner och följa dessa vänner,
10:02
and follow both the randoms and the friends.
247
587000
3000
och både följa de slumpmässigt valda och deras vänner.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
590000
3000
Bland vänner, blippen ovanför noll som du såg är det första beviset
10:08
in adoption of the innovation, for example,
249
593000
3000
på acceptans på innovationen, till exempel,
10:11
would be evidence of an impending epidemic.
250
596000
2000
skulle vara bevis på en annalkande epidemi.
10:13
Or you could see the first time the two curves diverged,
251
598000
3000
Eller så skulle du se det då kurvorna för första gången började gå åt olika håll,
10:16
as shown on the left.
252
601000
2000
som visas här till vänster.
10:18
When did the randoms -- when did the friends take off
253
603000
3000
När rörde sig de slumpmässiga... när rörde sig vänner i väg
10:21
and leave the randoms,
254
606000
2000
och lämnade de slumpmässiga,
10:23
and [when did] their curve start shifting?
255
608000
2000
och [när började] deras kurva skifta?
10:25
And that, as indicated by the white line,
256
610000
2000
Och detta, indikerat av den vita linjen.
10:27
occurred 46 days
257
612000
2000
inträffade 46 dagar
10:29
before the peak of the epidemic.
258
614000
2000
före epidemins topp.
10:31
So this would be a technique
259
616000
2000
Så detta kunde bli en teknik
10:33
whereby we could get more than a month-and-a-half warning
260
618000
2000
genom vilken vi kunde få mer än en en och en halv månads förvarning
10:35
about a flu epidemic in a particular population.
261
620000
3000
om en influensaepidemi i en specifik population.
10:38
I should say that
262
623000
2000
Jag bör säga att
10:40
how far advanced a notice one might get about something
263
625000
2000
hur långt i förväg man får en indikation om något
10:42
depends on a host of factors.
264
627000
2000
beror på en mängd faktorer.
10:44
It could depend on the nature of the pathogen --
265
629000
2000
Det kan beror på patogenets natur --
10:46
different pathogens,
266
631000
2000
olika slags patogener,
10:48
using this technique, you'd get different warning --
267
633000
2000
med denna teknik, skulle ge olika varningar --
10:50
or other phenomena that are spreading,
268
635000
2000
eller andra fenomen som sprider sig,
10:52
or frankly, on the structure of the human network.
269
637000
3000
eller, helt enkelt, beroende på strukturen av den mänskliga nätverket.
10:55
Now in our case, although it wasn't necessary,
270
640000
3000
I vårt fall, fastän det inte var nödvändigt,
10:58
we could also actually map the network of the students.
271
643000
2000
kunde vi även i själva verket mappa nätverket av studenter.
11:00
So, this is a map of 714 students
272
645000
2000
Så, det är detta är kartan över 714 studenter.
11:02
and their friendship ties.
273
647000
2000
och deras vänskapsband.
11:04
And in a minute now, I'm going to put this map into motion.
274
649000
2000
Och om en minut, kommer jag sätta igång rörelsen i denna karta.
11:06
We're going to take daily cuts through the network
275
651000
2000
Vi kommer ta dagliga ögonblicksbilder av nätverket
11:08
for 120 days.
276
653000
2000
över 120 dagar.
11:10
The red dots are going to be cases of the flu,
277
655000
3000
De röda prickarna kommer visa influensafallen,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
658000
3000
och de gula kommer vara vänner till människor med influensan.
11:16
And the size of the dots is going to be proportional
279
661000
2000
Och storleken på prickarna är proportionell
11:18
to how many of their friends have the flu.
280
663000
2000
mot hur många av deras vänner som influensan.
11:20
So bigger dots mean more of your friends have the flu.
281
665000
3000
Så större prickar betyder flera av dina vänner har influensan.
11:23
And if you look at this image -- here we are now in September the 13th --
282
668000
3000
Och om du tittar på den bild --här är vi nu den 13:e September --
11:26
you're going to see a few cases light up.
283
671000
2000
du kommer se några få fall som lyser till.
11:28
You're going to see kind of blooming of the flu in the middle.
284
673000
2000
Du kommer få se uppblossande av influensan i mitten.
11:30
Here we are on October the 19th.
285
675000
3000
Här är vi på den 19:e oktober.
11:33
The slope of the epidemic curve is approaching now, in November.
286
678000
2000
Lutningen på epidemikurvan närmar sig nu, i november.
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
680000
3000
Pang, pang, pang, pang, pang, du kommer se ett massivt uppblossande i mitten,
11:38
and then you're going to see a sort of leveling off,
288
683000
2000
och sen kommer du se en slags avklingning,
11:40
fewer and fewer cases towards the end of December.
289
685000
3000
färre och färre fall mot slutet av december.
11:43
And this type of a visualization
290
688000
2000
Och denna typ av visualisering
11:45
can show that epidemics like this take root
291
690000
2000
kan visa att epidemier som denna, rotar sig
11:47
and affect central individuals first,
292
692000
2000
och påverkar centrala individer först,
11:49
before they affect others.
293
694000
2000
innan de påverkar andra.
11:51
Now, as I've been suggesting,
294
696000
2000
Som jag har sagt så är
11:53
this method is not restricted to germs,
295
698000
3000
denna metod inte bara är begränsad till bakterier,
11:56
but actually to anything that spreads in populations.
296
701000
2000
utan fungerar för allt som sprider sig i populationer.
11:58
Information spreads in populations,
297
703000
2000
Information sprider sig via populationer.
12:00
norms can spread in populations,
298
705000
2000
Normer kan sprida sig i populationer.
12:02
behaviors can spread in populations.
299
707000
2000
Beteenden kan sprida sig i populationer.
12:04
And by behaviors, I can mean things like criminal behavior,
300
709000
3000
Och med beteende menar jag företeelser som kriminella beteenden,
12:07
or voting behavior, or health care behavior,
301
712000
3000
eller valbeteenden eller hälsobeteenden,
12:10
like smoking, or vaccination,
302
715000
2000
som rökning, eller vaccinationer,
12:12
or product adoption, or other kinds of behaviors
303
717000
2000
eller produktacceptans eller andra typer av beteenden
12:14
that relate to interpersonal influence.
304
719000
2000
som relaterar till interpersonell påverkan.
12:16
If I'm likely to do something that affects others around me,
305
721000
3000
Om jag är benägen att göra något som påverkar andra runt omkring mig,
12:19
this technique can get early warning or early detection
306
724000
3000
kan den här tekniken ge en tidig varning eller tidig detektion,
12:22
about the adoption within the population.
307
727000
3000
angående mottagandet inom en population.
12:25
The key thing is that for it to work,
308
730000
2000
Nyckeln här är, för att få det att fungera,
12:27
there has to be interpersonal influence.
309
732000
2000
måste det finnas interpersonell påverkan.
12:29
It cannot be because of some broadcast mechanism
310
734000
2000
Det kan inte vara på grund av någon slags utsändningsmekanism
12:31
affecting everyone uniformly.
311
736000
3000
som påverkar alla likadant.
12:35
Now the same insights
312
740000
2000
Samma insikter
12:37
can also be exploited -- with respect to networks --
313
742000
3000
kan även utnyttjas -- med avseende på nätverk --
12:40
can also be exploited in other ways,
314
745000
3000
kan även utnyttjas på andra slags sätt,
12:43
for example, in the use of targeting
315
748000
2000
till exempel, för att målsöka
12:45
specific people for interventions.
316
750000
2000
specifika människor för interventioner.
12:47
So, for example, most of you are probably familiar
317
752000
2000
Så, till exempel är nog de flesta av er familjära
12:49
with the notion of herd immunity.
318
754000
2000
med uttrycket flockimmunitet.
12:51
So, if we have a population of a thousand people,
319
756000
3000
Så om vi har en population med tusen människor,
12:54
and we want to make the population immune to a pathogen,
320
759000
3000
och vi vill göra populationen immun mot en patogen
12:57
we don't have to immunize every single person.
321
762000
2000
då behöver vi inte immunisera varenda enskild person.
12:59
If we immunize 960 of them,
322
764000
2000
Om vi immunisera 960 av dem,
13:01
it's as if we had immunized a hundred [percent] of them.
323
766000
3000
så är det som om vi hade immuniserat hundra [procent] av dem.
13:04
Because even if one or two of the non-immune people gets infected,
324
769000
3000
Därför att även om en eller två av de ickeimmuna människorna smittas,
13:07
there's no one for them to infect.
325
772000
2000
så finns det ingen för dem att smitta.
13:09
They are surrounded by immunized people.
326
774000
2000
De omringas av immuna människor.
13:11
So 96 percent is as good as 100 percent.
327
776000
3000
Så 96 procent är lika bra som 100 procent.
13:14
Well, some other scientists have estimated
328
779000
2000
Nåväl, andra vetenskapsmän har estimerat
13:16
what would happen if you took a 30 percent random sample
329
781000
2000
vad som skulle hända om man tog ett 30-procentigt slumpmässigt prov
13:18
of these 1000 people, 300 people and immunized them.
330
783000
3000
av dessa 1000 människor, dvs 300 och immuniserade dem.
13:21
Would you get any population-level immunity?
331
786000
2000
Skulle man då få någon immunitet på populationsnivå?
13:23
And the answer is no.
332
788000
3000
Och svaret är nej.
13:26
But if you took this 30 percent, these 300 people
333
791000
2000
Men om du tog dessa 30 procent, dessa 300 människor,
13:28
and had them nominate their friends
334
793000
2000
och de fick nominera sina vänner
13:30
and took the same number of vaccine doses
335
795000
3000
och tog samma antal vaccinationsdoser
13:33
and vaccinated the friends of the 300 --
336
798000
2000
och vaccinerade vänner till de 300,
13:35
the 300 friends --
337
800000
2000
de 300 vänner,
13:37
you can get the same level of herd immunity
338
802000
2000
så skulle du få samma nivå av flockimmunitet.
13:39
as if you had vaccinated 96 percent of the population
339
804000
3000
som om du vaccinerade 96 procent av populationen
13:42
at a much greater efficiency, with a strict budget constraint.
340
807000
3000
och med en mycket högre effektivitet och med en mycket lägre budget.
13:45
And similar ideas can be used, for instance,
341
810000
2000
Och liknande idéer kan användas, till exempel,
13:47
to target distribution of things like bed nets
342
812000
2000
för att fokusera distributionen av saker som myggnät för sängar
13:49
in the developing world.
343
814000
2000
i U-länder.
13:51
If we could understand the structure of networks in villages,
344
816000
3000
Om vi kunde förstå strukturen hos nätverken i byarna,
13:54
we could target to whom to give the interventions
345
819000
2000
kunde vi fokusera på till vilka vi skulle ge detta stöd
13:56
to foster these kinds of spreads.
346
821000
2000
för att främja att dessa saker sprids.
13:58
Or, frankly, for advertising with all kinds of products.
347
823000
3000
Eller, frankt, för att annonsera alla typer av produkter.
14:01
If we could understand how to target,
348
826000
2000
Om vi kunde förstå hur man inriktar arbetet,
14:03
it could affect the efficiency
349
828000
2000
kunde detta på påverka effektiviteten
14:05
of what we're trying to achieve.
350
830000
2000
på det vi försöker nå till.
14:07
And in fact, we can use data
351
832000
2000
Och faktum är vi kunde använda data
14:09
from all kinds of sources nowadays [to do this].
352
834000
2000
från alla typer av källor som finns i dag [för att göra detta].
14:11
This is a map of eight million phone users
353
836000
2000
Den här kartan visar åtta miljoner telefonanvändare
14:13
in a European country.
354
838000
2000
i ett europeiskt land.
14:15
Every dot is a person, and every line represents
355
840000
2000
Varje punkt är en person och varje linje visar
14:17
a volume of calls between the people.
356
842000
2000
volymen av samtal mellan dessa människor.
14:19
And we can use such data, that's being passively obtained,
357
844000
3000
Och vi kan använda sådan data, som är passivt insamlat,
14:22
to map these whole countries
358
847000
2000
för att mappa hela länder
14:24
and understand who is located where within the network.
359
849000
3000
och förstå vilka som är lokaliserade var inom nätverket.
14:27
Without actually having to query them at all,
360
852000
2000
Utan att verkligen behöva fråga dem överhuvudtaget,
14:29
we can get this kind of a structural insight.
361
854000
2000
kan vi få denna strukturella insikt.
14:31
And other sources of information, as you're no doubt aware
362
856000
3000
Och andra källor av information, som du säkert vet,
14:34
are available about such features, from email interactions,
363
859000
3000
är tillgängliga att få sådan egenskaper från, från e-post konversation
14:37
online interactions,
364
862000
2000
internet-interaktioner
14:39
online social networks and so forth.
365
864000
3000
social nätverk på internet och så vidare.
14:42
And in fact, we are in the era of what I would call
366
867000
2000
Och faktum är, vi är i en era av jag skulle kalla
14:44
"massive-passive" data collection efforts.
367
869000
3000
"massiv-passiv" data insamling.
14:47
They're all kinds of ways we can use massively collected data
368
872000
3000
Det är alla olika vägar vi kan använda för massiv datainsamling
14:50
to create sensor networks
369
875000
3000
för att skapa sensornätverk
14:53
to follow the population,
370
878000
2000
för att följa populationen,
14:55
understand what's happening in the population,
371
880000
2000
för att förstå vad som händer i en population,
14:57
and intervene in the population for the better.
372
882000
3000
och för att ingripa för populationens bästa.
15:00
Because these new technologies tell us
373
885000
2000
Eftersom dessa nya tekniker berättar för oss
15:02
not just who is talking to whom,
374
887000
2000
inte bara vem som pratar med vem,
15:04
but where everyone is,
375
889000
2000
men även var varje människa är,
15:06
and what they're thinking based on what they're uploading on the Internet,
376
891000
3000
och vad de tänker, baserat på vad de laddar upp på nätet,
15:09
and what they're buying based on their purchases.
377
894000
2000
och vad de köper baserat på deras inköp.
15:11
And all this administrative data can be pulled together
378
896000
3000
Och alla dessa administrativa data kan fogas samman
15:14
and processed to understand human behavior
379
899000
2000
och processas så att vi förstår mänskligt beteende
15:16
in a way we never could before.
380
901000
3000
på ett sätt vi inte tidigare kunde.
15:19
So, for example, we could use truckers' purchases of fuel.
381
904000
3000
Så till exempel, vi kunde använda lastbilschaufförers inköp av bränsle.
15:22
So the truckers are just going about their business,
382
907000
2000
Chaufförerna gör bara sitt jobb
15:24
and they're buying fuel.
383
909000
2000
och köper bränsle.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
911000
3000
Och vi ser en hopp uppåt i chaufförernas inköp av bränsle,
15:29
and we know that a recession is about to end.
385
914000
2000
och vi vet att att lågkonjunkturen är på väg ta slut.
15:31
Or we can monitor the velocity
386
916000
2000
Eller så kan vi övervaka hastigheten
15:33
with which people are moving with their phones on a highway,
387
918000
3000
med vilken människorna rör sig på en motorväg, genom deras mobiler,
15:36
and the phone company can see,
388
921000
2000
och telefonbolaget kan se,
15:38
as the velocity is slowing down,
389
923000
2000
genom att hastigheten minskar,
15:40
that there's a traffic jam.
390
925000
2000
att det är trafikstockning.
15:42
And they can feed that information back to their subscribers,
391
927000
3000
Och de kan mata tillbaka denna information till sina kunder,
15:45
but only to their subscribers on the same highway
392
930000
2000
men bara till kunderna på samma motorväg
15:47
located behind the traffic jam!
393
932000
2000
som befinner sig innan trafikstockningen.
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
934000
3000
Eller så kan vi följa läkares utskrivningsmönster, passivt,
15:52
and see how the diffusion of innovation with pharmaceuticals
395
937000
3000
och se hur produktacceptansen hos läkemedel
15:55
occurs within [networks of] doctors.
396
940000
2000
utvecklar sig [genom nätverk av] läkare.
15:57
Or again, we can monitor purchasing behavior in people
397
942000
2000
Eller återigen, vi kan följa inköpsbeteenden hos människor,
15:59
and watch how these types of phenomena
398
944000
2000
och se hur dessa olika typer av fenomen
16:01
can diffuse within human populations.
399
946000
3000
kan diffundera genom mänskliga populationer.
16:04
And there are three ways, I think,
400
949000
2000
Och det finns tre olika sätt, tror jag,
16:06
that these massive-passive data can be used.
401
951000
2000
som dessa massiv-passiva data kan användas på.
16:08
One is fully passive,
402
953000
2000
Ett är helt passivt,
16:10
like I just described --
403
955000
2000
som jag tidigare beskrivit --
16:12
as in, for instance, the trucker example,
404
957000
2000
som i exemplet om lastbilschaufförerna,
16:14
where we don't actually intervene in the population in any way.
405
959000
2000
där vi vi inte ingriper i populationen på något sätt alls.
16:16
One is quasi-active,
406
961000
2000
En är kvasi-aktiv,
16:18
like the flu example I gave,
407
963000
2000
som influensaexemplet jag gav,
16:20
where we get some people to nominate their friends
408
965000
3000
där vi får några människor att nominera sin vänner
16:23
and then passively monitor their friends --
409
968000
2000
och sen passivt följa deras vänner --
16:25
do they have the flu, or not? -- and then get warning.
410
970000
2000
har de eller har de inte influensan? .. och få en varning.
16:27
Or another example would be,
411
972000
2000
Eller ett annat exempel skulle kunna vara,
16:29
if you're a phone company, you figure out who's central in the network
412
974000
3000
om du var ett telefonbolag, och du kunde klura ut vilka som är centrala i ett nätverk,
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
977000
3000
och du kunde fråga dessa människor, " Skulle du kunna SMSa din feber varje dag?
16:35
Just text us your temperature."
414
980000
2000
Bara messa din kroppstemperatur:"
16:37
And collect vast amounts of information about people's temperature,
415
982000
3000
Och genom detta samla in stor mängd info folks kroppstemperatur
16:40
but from centrally located individuals.
416
985000
2000
men från centralt lokaliserade individer.
16:42
And be able, on a large scale,
417
987000
2000
Och därigenom ha möjligen att i stor skala,
16:44
to monitor an impending epidemic
418
989000
2000
övervaka en annalkande epidemi
16:46
with very minimal input from people.
419
991000
2000
men mycket begränsat indata från folk.
16:48
Or, finally, it can be more fully active --
420
993000
2000
Eller slutligen, kan det var fullt aktivt --
16:50
as I know subsequent speakers will also talk about today --
421
995000
2000
som jag vet att påföljande talare idag också kommer att prata om --
16:52
where people might globally participate in wikis,
422
997000
2000
där folk kanske globalt deltar i wikis,
16:54
or photographing, or monitoring elections,
423
999000
3000
i fotografering, eller följa röstande,
16:57
and upload information in a way that allows us to pool
424
1002000
2000
eller ladda upp information på så sätt att det tillåter oss att förena
16:59
information in order to understand social processes
425
1004000
2000
information så det går att förstå sociala processer
17:01
and social phenomena.
426
1006000
2000
och sociala fenomen.
17:03
In fact, the availability of these data, I think,
427
1008000
2000
Faktum är, tillgången på dessa data, tror jag,
17:05
heralds a kind of new era
428
1010000
2000
frammanar en ny typ av era
17:07
of what I and others would like to call
429
1012000
2000
av vad jag skulle vilja kalla
17:09
"computational social science."
430
1014000
2000
"beräkningssocialvetenskap"
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1016000
3000
Det är ungefär som när Galileo uppfann -- eller, inte uppfann--
17:14
came to use a telescope
432
1019000
2000
började använda teleskop
17:16
and could see the heavens in a new way,
433
1021000
2000
och helt plötsligt kunde vi se himmelen på ett nytt sätt,
17:18
or Leeuwenhoek became aware of the microscope --
434
1023000
2000
eller när Leeuwenhoek upptäckte mikroskopet --
17:20
or actually invented --
435
1025000
2000
eller verkligen uppfann det --
17:22
and could see biology in a new way.
436
1027000
2000
och vi kunde se biologin på ett nytt sätt.
17:24
But now we have access to these kinds of data
437
1029000
2000
Men nu har vi tillgång till dessa olika typer av data
17:26
that allow us to understand social processes
438
1031000
2000
som tillåter oss förstå sociala processer
17:28
and social phenomena
439
1033000
2000
och sociala fenomen
17:30
in an entirely new way that was never before possible.
440
1035000
3000
på ett helt annat sätt än vad som tidigare var möjligt,
17:33
And with this science, we can
441
1038000
2000
Och med denna vetenskap kan vi
17:35
understand how exactly
442
1040000
2000
förstår exakt hur
17:37
the whole comes to be greater
443
1042000
2000
helheten blir större
17:39
than the sum of its parts.
444
1044000
2000
än summan av dess delar.
17:41
And actually, we can use these insights
445
1046000
2000
Och vi kan faktiskt använda dessa insikter
17:43
to improve society and improve human well-being.
446
1048000
3000
för att förbättra samhället och förbättra välmåendet hos människor.
17:46
Thank you.
447
1051000
2000
Tack så mycket.
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