TED@Cannes
Nicholas Christakis: How social networks predict epidemics
نيكولاس كريستاكيس: كيف تتنبأ الشبكات الأجتماعية بالأوبئة
Filmed:
Readability: 4.9
669,862 views
بعد رسم خرائط شبكات البشر الاجتماعية المعقدة ، نيكولاس كريستاكيس وزميله جيمس فاولر بدأوا التحقيق في كيفية أن تحسن هذه المعلومات حياتنا. الآن يكشف النقاب عن هذا الأكتشاف ، يمكن لهذه الشبكات أن تكتشف الأوبئة في وقت أبكر من ذي قبل، إبتداءاً بإنتشار الأفكار الإبداعية إلى السلوكيات المحفوفة بالمخاطر و وصلاً إلى الفيروسات (مثل 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
على مدى السنوات العشر الماضية، لقد كنت امضي وقتي في محاولة معرفة
00:18
how and why human beings
1
3000
2000
كيف و لماذا بدأ البشر
00:20
assemble themselves into social networks.
2
5000
3000
بتجميع أنفسهم على شكل شبكات إجتماعية
00:23
And the kind of social network I'm talking about
3
8000
2000
و نوع الشبكة الإجتماعية التي أتحدث عنها
00:25
is not the recent online variety,
4
10000
2000
ليست شبكات الأنترنت المتنوعة
00:27
but rather, the kind of social networks
5
12000
2000
لكن بدلاً من ذلك تلك الشبكات الإجتماعية
00:29
that human beings have been assembling for hundreds of thousands of years,
6
14000
3000
التي بدأ البشر في تجميعها على مدى مئات الاف السنين
00:32
ever since we emerged from the African savannah.
7
17000
3000
منذ أن خرجنا من السافانا الأفريقية.
00:35
So, I form friendships and co-worker
8
20000
2000
لذلك فقد شكلت صداقات و زمالة
00:37
and sibling and relative relationships with other people
9
22000
3000
و أخوة و علاقات قرابة مع أشخاص آخرين
00:40
who in turn have similar relationships with other people.
10
25000
2000
هم بالتالي لديهم علاقات مشابهة مع أشخاص آخرين
00:42
And this spreads on out endlessly into a distance.
11
27000
3000
و هذا ينتشر بشكل لا متناهي إلى مدى
00:45
And you get a network that looks like this.
12
30000
2000
و تحصل على شبكة تشبه هذه
00:47
Every dot is a person.
13
32000
2000
كل نقطة هي شخص
00:49
Every line between them is a relationship between two people --
14
34000
2000
كل خط بينهم هو علاقة بين شخصين
00:51
different kinds of relationships.
15
36000
2000
أنواع مختلفة من العلاقات.
00:53
And you can get this kind of vast fabric of humanity,
16
38000
3000
و تحصل هذا النسيج الواسع من البشرية
00:56
in which we're all embedded.
17
41000
2000
الذي نحن جميعاً جزأ لا يتجزأ منه.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
43000
3000
زميلي "جيمس فاولر" و أنا كنا ندرس لوقت لابأس به
01:01
what are the mathematical, social,
19
46000
2000
ما هي القوانين الرياضية و الإجتماعية
01:03
biological and psychological rules
20
48000
3000
و البيلوجية و النفسية
01:06
that govern how these networks are assembled
21
51000
2000
التي تحكم كيفية تجمع هذه الشبكات
01:08
and what are the similar rules
22
53000
2000
و ما هي القوانين المشابهة
01:10
that govern how they operate, how they affect our lives.
23
55000
3000
التي تحكم كيفية عملها، و كيف تؤثر في حياتنا.
01:13
But recently, we've been wondering
24
58000
2000
كنا نتسائل مؤخراً
01:15
whether it might be possible to take advantage of this insight,
25
60000
3000
إن كان بالإمكان الإستفادة من هذا الفهم العميق
01:18
to actually find ways to improve the world,
26
63000
2000
و إيجاد طرق لتحسين العالم
01:20
to do something better,
27
65000
2000
لعمل أشياء أفضل
01:22
to actually fix things, not just understand things.
28
67000
3000
و إصلاح الأشياء، و ليس فقط لفهمها.
01:25
So one of the first things we thought we would tackle
29
70000
3000
لذلك واحدة من أوائل الأشياء التي فكرنا في علاجها
01:28
would be how we go about predicting epidemics.
30
73000
3000
ستكون كيف لنا أن نتوقع الأوبئة
01:31
And the current state of the art in predicting an epidemic --
31
76000
2000
الطريقة الحالية في توقع الأوبئة هي
01:33
if you're the CDC or some other national body --
32
78000
3000
إن كنت في مركز السيطرة على الأمراض أو جهات وطنية أخرى
01:36
is to sit in the middle where you are
33
81000
2000
هي أن تجلس في المنتصف حيث أنت
01:38
and collect data
34
83000
2000
و تجمع معلومات
01:40
from physicians and laboratories in the field
35
85000
2000
من الأطباء و المختبرات في المجال
01:42
that report the prevalence or the incidence of certain conditions.
36
87000
3000
الذي أبلغ عنه أن هنالك إنتشار أو حدوث حالات معينة
01:45
So, so and so patients have been diagnosed with something,
37
90000
3000
وهكذا ، وهكذا حتى يتم تشخيص المرضى الذين يعانون من شيء ،
01:48
or other patients have been diagnosed,
38
93000
2000
أو مرضى آخرين يتم تشخيصهم
01:50
and all these data are fed into a central repository, with some delay.
39
95000
3000
و كل هذه المعلومات يتم تزويدها للمستودع المركزي مع بعض التأخير
01:53
And if everything goes smoothly,
40
98000
2000
و على فرض أن جميع الأمور سارت بشكل سلس
01:55
one to two weeks from now
41
100000
2000
من أسبوع إلى أسبوعين من الآن
01:57
you'll know where the epidemic was today.
42
102000
3000
ستعلم أين كان الوباء اليوم.
02:00
And actually, about a year or so ago,
43
105000
2000
في الواقع، قبل سنة أو نحو ذلك
02:02
there was this promulgation
44
107000
2000
كان هناك هذا النوع من نشر
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
109000
3000
في نفس المفهوم في "Google Flu Trends" (إتجاهات الإنفلونزا فى جوجل) فيما يتعلق بالإنفلونزا
02:07
where by looking at people's searching behavior today,
46
112000
3000
حيث، بمراقبة سلوك البحث لدى الناس اليوم
02:10
we could know where the flu --
47
115000
2000
يمكننا أن نعرف أين الإنفلونزا
02:12
what the status of the epidemic was today,
48
117000
2000
ماذا كانت حالة الوباء اليوم
02:14
what's the prevalence of the epidemic today.
49
119000
3000
ما مدى إنتشار الوباء اليوم
02:17
But what I'd like to show you today
50
122000
2000
لكن ما أود أن أريكم إياه اليوم
02:19
is a means by which we might get
51
124000
2000
هي الوسيلة التي تمكننا
02:21
not just rapid warning about an epidemic,
52
126000
3000
ليس فقط من التحذير السريع حول الوباء
02:24
but also actually
53
129000
2000
لكن في الواقع
02:26
early detection of an epidemic.
54
131000
2000
الكشف المبكر حول الوباء
02:28
And, in fact, this idea can be used
55
133000
2000
و في الواقع، هذه الفكرة يمكن إستخدامها
02:30
not just to predict epidemics of germs,
56
135000
3000
ليس فقط في توقع الأوبئة المتعلقة بالجراثيم
02:33
but also to predict epidemics of all sorts of kinds.
57
138000
3000
لكن أيضاَ في توقع الأوبئة من جميع الأنواع
02:37
For example, anything that spreads by a form of social contagion
58
142000
3000
على سبيل المثال، أي شيء ينتشر بسرعة على شكل عدوى إجتماعية
02:40
could be understood in this way,
59
145000
2000
يمكن فهمه على هذا النحو
02:42
from abstract ideas on the left
60
147000
2000
من الأفكار المجردة على اليسار
02:44
like patriotism, or altruism, or religion
61
149000
3000
مثل الوطنية، أو الإيثار، أو الدين
02:47
to practices
62
152000
2000
إلى الممارسات
02:49
like dieting behavior, or book purchasing,
63
154000
2000
مثل سلوك أتباع نظام غذائي، أو شراء كتاب
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
156000
3000
أو الشرب، أو خوذة الدراجة ، و ممارسات السلامة الأخرى
02:54
or products that people might buy,
65
159000
2000
أو المنتجات التي قد يشتريها الناس
02:56
purchases of electronic goods,
66
161000
2000
شراء السلع الإلكترونية
02:58
anything in which there's kind of an interpersonal spread.
67
163000
3000
أي شيء له علاقة بالإنتشار الشخصي
03:01
A kind of a diffusion of innovation
68
166000
2000
نوع من نشر الإبتكار
03:03
could be understood and predicted
69
168000
2000
يمكن أن يفهم و يتوقع
03:05
by the mechanism I'm going to show you now.
70
170000
3000
بواسطة الألية التي سوف أريكم إياها الآن
03:08
So, as all of you probably know,
71
173000
2000
لذلك، كما تعلمون جميعاً على الأرجح
03:10
the classic way of thinking about this
72
175000
2000
الطريقة التقليدية في التفكير حول هذه
03:12
is the diffusion-of-innovation,
73
177000
2000
هو نشر الإبداع
03:14
or the adoption curve.
74
179000
2000
أو " منحنى التبني"
03:16
So here on the Y-axis, we have the percent of the people affected,
75
181000
2000
فهنا على محور الـ(ص)، لدينا نسبة الأشخاص المصابين
03:18
and on the X-axis, we have time.
76
183000
2000
و على محور الـ(س) لدينا الوقت
03:20
And at the very beginning, not too many people are affected,
77
185000
3000
و في البداية ليس هنالك أشخاص كثيرون مصابون
03:23
and you get this classic sigmoidal,
78
188000
2000
و تحصل على هذا الشكل السيني التقليدي
03:25
or S-shaped, curve.
79
190000
2000
أو منحنى على شكل "S"
03:27
And the reason for this shape is that at the very beginning,
80
192000
2000
و السبب في هذا الشكل هو أنه في البداية
03:29
let's say one or two people
81
194000
2000
دعنا نقول أن شخص أو شخصين
03:31
are infected, or affected by the thing
82
196000
2000
هم متأثرون ، أو مصابون بالشيء
03:33
and then they affect, or infect, two people,
83
198000
2000
و من ثم أثروا أو أصابوا شخصين
03:35
who in turn affect four, eight, 16 and so forth,
84
200000
3000
الذين بدورهما يؤثران على أربعة ، ثمانية ، ستة عشر و هكذا دواليك
03:38
and you get the epidemic growth phase of the curve.
85
203000
3000
و بذلك تحصل على مرحلة نمو الوباء للمنحنى
03:41
And eventually, you saturate the population.
86
206000
2000
و في نهاية المطاف ، يتشبع السكان
03:43
There are fewer and fewer people
87
208000
2000
و يكون هنالك أشخاص أقل و أقل
03:45
who are still available that you might infect,
88
210000
2000
لازالوا متاحين لإحتمال إصابتهم بالعدوى
03:47
and then you get the plateau of the curve,
89
212000
2000
ثم تحصل على إستقرار للمنحنى
03:49
and you get this classic sigmoidal curve.
90
214000
3000
ثم بعد ذلك تحصل على الشكل السيني التقليدي
03:52
And this holds for germs, ideas,
91
217000
2000
و هذا ينطوي على الجراثيم، و الأفكار
03:54
product adoption, behaviors,
92
219000
2000
و تبني المنتجات ، و السلوك
03:56
and the like.
93
221000
2000
و الأمور المشابهة
03:58
But things don't just diffuse in human populations at random.
94
223000
3000
لكن الأشياء لا تنتشر في التجمعات البشرية بشكل عشوائي
04:01
They actually diffuse through networks.
95
226000
2000
في واقع الحال تنتشر من خلال شبكات
04:03
Because, as I said, we live our lives in networks,
96
228000
3000
لأنه كما قلت إننا نعيش حياتنا في شبكات
04:06
and these networks have a particular kind of a structure.
97
231000
3000
و هذه الشبكات لديها نوع خاص من البنية
04:09
Now if you look at a network like this --
98
234000
2000
الآن، إذا نظرت إلى شبكة كهذه
04:11
this is 105 people.
99
236000
2000
هذه شبكة ١٠٥ أشخاص
04:13
And the lines represent -- the dots are the people,
100
238000
2000
النقاط هم الأشخاص
04:15
and the lines represent friendship relationships.
101
240000
2000
و الخطوط تمثل علاقات الصداقة
04:17
You might see that people occupy
102
242000
2000
يمكن لك أن ترى أشخاص يحتلون
04:19
different locations within the network.
103
244000
2000
مواقع مختلفة داخل الشبكة
04:21
And there are different kinds of relationships between the people.
104
246000
2000
و هنالك أنواع مختلفة من العلاقات بين الأشخاص
04:23
You could have friendship relationships, sibling relationships,
105
248000
3000
يمكن لك أن تحظى بعلاقة صداقة ، علاقة إخوة
04:26
spousal relationships, co-worker relationships,
106
251000
3000
علاقة زوجية ، علاقة زمالة
04:29
neighbor relationships and the like.
107
254000
3000
علاقة جيرة و هكذا
04:32
And different sorts of things
108
257000
2000
و أنواع مختلفة من الأشياء
04:34
spread across different sorts of ties.
109
259000
2000
تنتشر عبر روابط مختلفة
04:36
For instance, sexually transmitted diseases
110
261000
2000
على سبيل المثال ، الأمراض المنقولة جنسيا
04:38
will spread across sexual ties.
111
263000
2000
ستنتشر عبر الروابط الجنسية
04:40
Or, for instance, people's smoking behavior
112
265000
2000
أو مثلاً، سلوك التدخين لدى الأشخاص
04:42
might be influenced by their friends.
113
267000
2000
ممكن أن يكون بتأثير أصدقائهم
04:44
Or their altruistic or their charitable giving behavior
114
269000
2000
أو إيثارهم ، أو سلوك العطاء الخيري
04:46
might be influenced by their coworkers,
115
271000
2000
ممكن أن يكون بتأثير زملائهم
04:48
or by their neighbors.
116
273000
2000
أو بواسطة جيرانهم
04:50
But not all positions in the network are the same.
117
275000
3000
لكن ليس كل المواقع داخل الشبكة متشابهة
04:53
So if you look at this, you might immediately grasp
118
278000
2000
لذلك إذا شاهدت هذا، يمكن لك أن تدرك فوراً
04:55
that different people have different numbers of connections.
119
280000
3000
أن أشخاص مختلفين لهم عدد مختلف من الروابط
04:58
Some people have one connection, some have two,
120
283000
2000
بعض الأشخاص لديهم رابط واحد ، و آخرين لديهم إثنين
05:00
some have six, some have 10 connections.
121
285000
3000
البعض لديه ستة، و آخرون لديهم عشرة روابط
05:03
And this is called the "degree" of a node,
122
288000
2000
و هذا يدعى درجة العقدة
05:05
or the number of connections that a node has.
123
290000
2000
أو عدد الروابط التي لدى العقدة
05:07
But in addition, there's something else.
124
292000
2000
لكن بالأضافة هنالك شيء آخر
05:09
So, if you look at nodes A and B,
125
294000
2000
لذلك إذا شاهدت العقدة "A" و "B"
05:11
they both have six connections.
126
296000
2000
كلاهما لديه ستة روابط
05:13
But if you can see this image [of the network] from a bird's eye view,
127
298000
3000
لكن إذا أمكنك رؤية هذه الصورة من منظور عين الطير
05:16
you can appreciate that there's something very different
128
301000
2000
يمكنك أن تدرك أن هنالك شيء مختلف جداً
05:18
about nodes A and B.
129
303000
2000
بين العقدتين "A" و "B"
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
305000
3000
لذلك دعني أسألك هذا ـ يمكن أن أزرع هذا الحدس بسؤال
05:23
who would you rather be
131
308000
2000
آيهما تفضل أن تكون
05:25
if a deadly germ was spreading through the network, A or B?
132
310000
3000
إذا كان هنالك جراثيم قاتلة تنتشر خلال الشبكة. "A" أو "B" ؟
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
313000
2000
(الجمهور:B) نيكولاس كريستاكيس: بشكل واضح "B"
05:30
B is located on the edge of the network.
134
315000
2000
"B" تقع على حافة الشبكة
05:32
Now, who would you rather be
135
317000
2000
الآن من تفضل أن تكون
05:34
if a juicy piece of gossip were spreading through the network?
136
319000
3000
إذا كانت هنالك إشاعة مهمة تنتشر خلال الشبكة ؟
05:37
A. And you have an immediate appreciation
137
322000
3000
"A" و سيكون لديك تقدير فوري
05:40
that A is going to be more likely
138
325000
2000
"A" ستكون أكثر عرضة
05:42
to get the thing that's spreading and to get it sooner
139
327000
3000
لإلتقاط الأشياء التي تنتشر و ستكون أسرع
05:45
by virtue of their structural location within the network.
140
330000
3000
بحكم موقعها الهيكلي داخل الشبكة
05:48
A, in fact, is more central,
141
333000
2000
"A" في الواقع أكثر مركزية
05:50
and this can be formalized mathematically.
142
335000
3000
ويمكن إضفاء الطابع الرسمي هذا رياضيا
05:53
So, if we want to track something
143
338000
2000
لذلك إذا كنا نريد تعقب شيء
05:55
that was spreading through a network,
144
340000
3000
كان ينتشر خلال الشبكة
05:58
what we ideally would like to do is to set up sensors
145
343000
2000
ما يمكن أن نفعله بشكل مثالي هو أن نضع أجهزة إستشعار
06:00
on the central individuals within the network,
146
345000
2000
في الأفراد المركزيين داخل الشبكة
06:02
including node A,
147
347000
2000
من ضمنهم العقدة "A"
06:04
monitor those people that are right there in the middle of the network,
148
349000
3000
مراقبة هؤلاء الأشخاص الذي هم في منتصف الشبكة
06:07
and somehow get an early detection
149
352000
2000
و بطريقة ما نحصل على كشف مبكر
06:09
of whatever it is that is spreading through the network.
150
354000
3000
لما هو الشيء الذي ينتشر خلال الشبكة
06:12
So if you saw them contract a germ or a piece of information,
151
357000
3000
لذلك إذا رأيتهم يلتقطون جراثيم أو جزء من المعلومات
06:15
you would know that, soon enough,
152
360000
2000
ستعلم ذلك، و بشكل سريع كفاية
06:17
everybody was about to contract this germ
153
362000
2000
سيكون الجميع على وشك إلتقاط هذه الجراثيم
06:19
or this piece of information.
154
364000
2000
أو هذا الجزء من المعلومات
06:21
And this would be much better
155
366000
2000
و هذا سيكون أفضل من
06:23
than monitoring six randomly chosen people,
156
368000
2000
مراقبة ستة أشخاص مختارين عشوائياً
06:25
without reference to the structure of the population.
157
370000
3000
دون الإشارة إلى هيكلية السكان
06:28
And in fact, if you could do that,
158
373000
2000
و في الواقع، إذا كنت تستطيع عمل ذلك
06:30
what you would see is something like this.
159
375000
2000
ما ستراه هو شيء كهذا
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
377000
3000
في اللوحة على اليد اليسرى، مرة أخرى ، لدينا منحنى على شكل "S" للتبني
06:35
In the dotted red line, we show
161
380000
2000
في الخط الأحمر المتقطع ، نعرض
06:37
what the adoption would be in the random people,
162
382000
2000
ما سيكون عليه التبني في الأشخاص العشوائيين
06:39
and in the left-hand line, shifted to the left,
163
384000
3000
و على اليد اليسرى الخط يتحول إلى اليسار
06:42
we show what the adoption would be
164
387000
2000
نعرض ما سيكون عليه التبني
06:44
in the central individuals within the network.
165
389000
2000
لدى الأشخاص المركزين داخل الشبكة
06:46
On the Y-axis is the cumulative instances of contagion,
166
391000
2000
على محور الـ(ص) هو الحالات التراكمية للعدوى
06:48
and on the X-axis is the time.
167
393000
2000
و على المحور الـ(س) هو الوقت
06:50
And on the right-hand side, we show the same data,
168
395000
2000
و على الجزء الأيمن، نعرض بعض البيانات
06:52
but here with daily incidence.
169
397000
2000
لكن هنا مع الوقائع اليومية
06:54
And what we show here is -- like, here --
170
399000
2000
و ما نعرضه هنا هو
06:56
very few people are affected, more and more and more and up to here,
171
401000
2000
قليل من الأشخاص متأثرين، المزيد و المزيد و المزيد إلى هنا
06:58
and here's the peak of the epidemic.
172
403000
2000
و هنا قمة الوباء
07:00
But shifted to the left is what's occurring in the central individuals.
173
405000
2000
لكن ما هو محول إلى اليسار هو ما يحدث لدى الأشخاص المركزيين
07:02
And this difference in time between the two
174
407000
3000
و هذا هو الفرق في الوقت بين الإثنين
07:05
is the early detection, the early warning we can get,
175
410000
3000
الكشف المبكر ، الإنذار المبكر هو ما يمكننا الحصول عليه
07:08
about an impending epidemic
176
413000
2000
حول الوباء الوشيك
07:10
in the human population.
177
415000
2000
في السكان
07:12
The problem, however,
178
417000
2000
المشكلة
07:14
is that mapping human social networks
179
419000
2000
هي رسم خرائط لشبكات البشر الإجتماعية
07:16
is not always possible.
180
421000
2000
ليست دائماً ممكنة
07:18
It can be expensive, not feasible,
181
423000
2000
قد تكون غالية الثمن، ليست مجدية
07:20
unethical,
182
425000
2000
غير أخلاقية
07:22
or, frankly, just not possible to do such a thing.
183
427000
3000
أو بصراحة، من المستحيل القيام بشيء كهذا
07:25
So, how can we figure out
184
430000
2000
لذلك كيف لنا معرفة
07:27
who the central people are in a network
185
432000
2000
من هم الأشخاص المركزيون داخل الشبكة
07:29
without actually mapping the network?
186
434000
3000
دون الحاجة إلى رسم خريطة للشبكة ؟
07:32
What we came up with
187
437000
2000
ما أتينا به
07:34
was an idea to exploit an old fact,
188
439000
2000
كان فكرة إستخدام حقيقة قديمة جداً
07:36
or a known fact, about social networks,
189
441000
2000
أو حقيقة معروفة حول الشبكات الإجتماعية
07:38
which goes like this:
190
443000
2000
التي تقول
07:40
Do you know that your friends
191
445000
2000
هل تعلم بأن صديقك
07:42
have more friends than you do?
192
447000
3000
لديه أصدقاء أكثر مما لديك ؟
07:45
Your friends have more friends than you do,
193
450000
3000
صديقك لديه أصدقاء أكثر مما لديك
07:48
and this is known as the friendship paradox.
194
453000
2000
و هذا معروف بمفارقة الصداقة
07:50
Imagine a very popular person in the social network --
195
455000
2000
تخيل شخص ذو شعبية كبيرة في الشبكة الإجتماعية
07:52
like a party host who has hundreds of friends --
196
457000
3000
كمظيف حفلات لديه المئات من الأصدقاء
07:55
and a misanthrope who has just one friend,
197
460000
2000
و شخص مصاب ببغض البشرية لديه صديق واحد
07:57
and you pick someone at random from the population;
198
462000
3000
و أنت أخترت شخص عشوائيا من السكان
08:00
they were much more likely to know the party host.
199
465000
2000
هم سيكونون أكثر ميلاً لمعرفة مظيف الحفلات
08:02
And if they nominate the party host as their friend,
200
467000
2000
و إذا رشحوا مظيف الحفلات كصديق لهم
08:04
that party host has a hundred friends,
201
469000
2000
و بما أن مظيف الحفلات لديه المئات من الأصدقاء
08:06
therefore, has more friends than they do.
202
471000
3000
لذلك فهو لديه أصدقاء أكثر مما لديهم
08:09
And this, in essence, is what's known as the friendship paradox.
203
474000
3000
خلاصة الموضوع ، أن هذا ما يسمى بمفارقة الصداقة
08:12
The friends of randomly chosen people
204
477000
3000
الأصدقاء للأشخاص المختارين عشوائياً
08:15
have higher degree, and are more central
205
480000
2000
لديهم درجة عالية و أكثر مركزية
08:17
than the random people themselves.
206
482000
2000
من الأشخاص المختارين عشوائياً أنفسهم
08:19
And you can get an intuitive appreciation for this
207
484000
2000
و يمكنك الحصول على تقدير حدسي لهذا
08:21
if you imagine just the people at the perimeter of the network.
208
486000
3000
إذا تخيلت فقط الأشخاص في محيط الشبكة
08:24
If you pick this person,
209
489000
2000
إذا أخترت هذا الشخص
08:26
the only friend they have to nominate is this person,
210
491000
3000
الصديق الوحيد الذي يمكن ترشيحه هو هذا الشخص
08:29
who, by construction, must have at least two
211
494000
2000
الذي بالبنية لابد له أن يكون لديه على الأقل إثنين
08:31
and typically more friends.
212
496000
2000
و المزيد من الأصدقاء عادةً
08:33
And that happens at every peripheral node.
213
498000
2000
و هذا يحدث في كل عقدة طرفية
08:35
And in fact, it happens throughout the network as you move in,
214
500000
3000
و في الواقع، هذا يحدث في جميع أنحاء الشبكة كلما أتجهت للداخل
08:38
everyone you pick, when they nominate a random --
215
503000
2000
كل شخص تختاره، عندما يرشح عشوائيا
08:40
when a random person nominates a friend of theirs,
216
505000
3000
عندما شخص عشوائي يرشح صديق لهم
08:43
you move closer to the center of the network.
217
508000
3000
فأنك تتحرك أقرب إلى مركز الشبكة
08:46
So, we thought we would exploit this idea
218
511000
3000
لذلك فكرنا أنه يمكن إستغلال هذه الفكرة
08:49
in order to study whether we could predict phenomena within networks.
219
514000
3000
من أجل دراسة إمكانية توقع ظواهر داخل الشبكة
08:52
Because now, with this idea
220
517000
2000
لأنه الآن ، مع هذه الفكرة
08:54
we can take a random sample of people,
221
519000
2000
يمكننا أخذ عينة عشوائية من الناس
08:56
have them nominate their friends,
222
521000
2000
و جعلهم يرشحون أصدقائهم
08:58
those friends would be more central,
223
523000
2000
هؤلاء الأصدقاء سيكونون أكثر مركزية
09:00
and we could do this without having to map the network.
224
525000
3000
و سيكون بمقدورنا فعل هذا دون الحاجة إلى خريطة للشبكة
09:03
And we tested this idea with an outbreak of H1N1 flu
225
528000
3000
و قد إختبرنا هذه الفكرة مع تفشي إنفلونز ( H1N1)
09:06
at Harvard College
226
531000
2000
في كلية هارفرد
09:08
in the fall and winter of 2009, just a few months ago.
227
533000
3000
في فصلي الخريف و الشتاء من عام ٢٠٠٩، فقط قبل بضعة أشهر
09:11
We took 1,300 randomly selected undergraduates,
228
536000
3000
أخذنا ١٣٠٠ طالب جامعي تم إختيارهم عشوائياً
09:14
we had them nominate their friends,
229
539000
2000
و جعلناهم يرشوحون أصدقائهم
09:16
and we followed both the random students and their friends
230
541000
2000
و تابعنا كلا الطلاب العشوائيين و أصدقائهم
09:18
daily in time
231
543000
2000
بشكل يومي
09:20
to see whether or not they had the flu epidemic.
232
545000
3000
لمعرفة ما إذا أصيبوا أو لم يصابوا بوباء الإنفلونزا
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
548000
3000
و فعلنا هذا بسلبية بمراقبة ما إذا ذهبوا أو لم يذهبوا إلى الخدمات الصحية بالجامعة
09:26
And also, we had them [actively] email us a couple of times a week.
234
551000
3000
و جعلناهم أيضاً يرسلون لنا بريد إلكتروني مرتين في الأسبوع
09:29
Exactly what we predicted happened.
235
554000
3000
و قد حدث ما توقعناه تماماً
09:32
So the random group is in the red line.
236
557000
3000
لذا المجموعة العشوائية هي الخط الأحمر
09:35
The epidemic in the friends group has shifted to the left, over here.
237
560000
3000
الوباء في المجموعة تحرك إلى اليسار، إلى هنا
09:38
And the difference in the two is 16 days.
238
563000
3000
و الفرق في الإثنين هو ١٦ يوم
09:41
By monitoring the friends group,
239
566000
2000
من خلال مراقبة مجموعة الأصدقاء
09:43
we could get 16 days advance warning
240
568000
2000
يمكننا الحصول على إنذار مبكر بـ ١٦ يوم
09:45
of an impending epidemic in this human population.
241
570000
3000
لتفشي وباء في هذه المجموعة من السكان
09:48
Now, in addition to that,
242
573000
2000
الآن، بالإضافة إلى ذلك
09:50
if you were an analyst who was trying to study an epidemic
243
575000
3000
إذا كنت محلل تحاول دراسة وباء
09:53
or to predict the adoption of a product, for example,
244
578000
3000
أو توقع تبني سلعة ، على سبيل المثال
09:56
what you could do is you could pick a random sample of the population,
245
581000
3000
ما يمكنك فعله هو إختيار عينة عشوائية من السكان
09:59
also have them nominate their friends and follow the friends
246
584000
3000
و جعلهم يرشحون أصدقائهم و أتبع الأصدقاء
10:02
and follow both the randoms and the friends.
247
587000
3000
و أتبع كلا العشوائيين و الأصدقاء
10:05
Among the friends, the first evidence you saw of a blip above zero
248
590000
3000
بين الأصدقاء، الدليل الأول الذي تشاهده لومضة فوق الصفر
10:08
in adoption of the innovation, for example,
249
593000
3000
في تبني الإبتكار ، على سبيل المثال
10:11
would be evidence of an impending epidemic.
250
596000
2000
سيكون دليل على تفشي وباء
10:13
Or you could see the first time the two curves diverged,
251
598000
3000
أو يمكن أن ترى عندما يتباين المنحنين للمرة الأولى
10:16
as shown on the left.
252
601000
2000
كما هو معروض على اليسار
10:18
When did the randoms -- when did the friends take off
253
603000
3000
عندما كان العشوائيين...... عندما يقلع الأصدقاء
10:21
and leave the randoms,
254
606000
2000
و يتركون العشوائيين
10:23
and [when did] their curve start shifting?
255
608000
2000
و منحناهم يبدأ في التحرك
10:25
And that, as indicated by the white line,
256
610000
2000
و ذلك كما يشير الخط الأبيض
10:27
occurred 46 days
257
612000
2000
حدث ٤٦ يوم
10:29
before the peak of the epidemic.
258
614000
2000
قبل قمة الوباء
10:31
So this would be a technique
259
616000
2000
لذلك هذا قد يكون أسلوب
10:33
whereby we could get more than a month-and-a-half warning
260
618000
2000
حيث يمكن أن نحصل على أكثر من شهر و نصف من التحذير
10:35
about a flu epidemic in a particular population.
261
620000
3000
حول وباء الإنفلونزا في سكان معينين
10:38
I should say that
262
623000
2000
يفترض لي أن أقول ذلك
10:40
how far advanced a notice one might get about something
263
625000
2000
لأي مدى مبكر يمكن لإشعار حول شيء ما
10:42
depends on a host of factors.
264
627000
2000
يعتمد على مجموعة من العوامل
10:44
It could depend on the nature of the pathogen --
265
629000
2000
يمكن أن يعتمد على طبيعة مسبب المرض
10:46
different pathogens,
266
631000
2000
مسببات الأمراض المختلفة
10:48
using this technique, you'd get different warning --
267
633000
2000
إستخدام هذا الأسلوب، يعطيك إنذارات مختلفة
10:50
or other phenomena that are spreading,
268
635000
2000
أو ظواهر أخرى تنتشر
10:52
or frankly, on the structure of the human network.
269
637000
3000
أو صراحة، على هيكلية الشبكة البشرية
10:55
Now in our case, although it wasn't necessary,
270
640000
3000
الآن، في حالتنا و على الرغم إنها لم تكن ضرورية
10:58
we could also actually map the network of the students.
271
643000
2000
كان بإمكاننا واقعا رسم خريطة لشبكة الطلاب
11:00
So, this is a map of 714 students
272
645000
2000
لذا ، هذه خريطة ٧١٤ طالباً
11:02
and their friendship ties.
273
647000
2000
و روابط صداقاتهم
11:04
And in a minute now, I'm going to put this map into motion.
274
649000
2000
خلال دقيقة، سوف أضع لكم هذه الخريطة موضع التنفيذ
11:06
We're going to take daily cuts through the network
275
651000
2000
سنقوم بأخذ قطع يومي للشبكة
11:08
for 120 days.
276
653000
2000
لمدة ١٢٠ يوم
11:10
The red dots are going to be cases of the flu,
277
655000
3000
النقط الحمراء تشير إلى حالات الإنفلونزا
11:13
and the yellow dots are going to be friends of the people with the flu.
278
658000
3000
و النقط الصفراء تشير إلى أصدقاء الأشخاص المصابين بالإنفلونزا
11:16
And the size of the dots is going to be proportional
279
661000
2000
و حجم النقاط يشير تناسبياً
11:18
to how many of their friends have the flu.
280
663000
2000
إلى عدد الأصدقاء المصابين بالإنفلونزا
11:20
So bigger dots mean more of your friends have the flu.
281
665000
3000
لذا، النقاط الكبيرة تشير إلى أن كثير من أصدقائك لديهم إنفلونزا
11:23
And if you look at this image -- here we are now in September the 13th --
282
668000
3000
إذا نظرت إلى هذه الصورة ، نحن هنا الآن في ١٣ سبتمبر
11:26
you're going to see a few cases light up.
283
671000
2000
سوف ترى القليل من حالات تضاء
11:28
You're going to see kind of blooming of the flu in the middle.
284
673000
2000
سوف ترى نوع من الإزهار في الإنفلونزا في الوسط
11:30
Here we are on October the 19th.
285
675000
3000
هنا نحن في ١٩ اوكتوبر
11:33
The slope of the epidemic curve is approaching now, in November.
286
678000
2000
المنحدر من منحنى الوباء يقترب الآن في نوفمبر
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
680000
3000
فرقعة ، فرقعة ، فرقعة ، فرقعة ، فرقعة سوف ترى الكثير من الإزهار في المنتصف
11:38
and then you're going to see a sort of leveling off,
288
683000
2000
ثم سوف ترى نوع من الثبات
11:40
fewer and fewer cases towards the end of December.
289
685000
3000
حالات أقل و أقل بإتجاه نهاية ديسمبر
11:43
And this type of a visualization
290
688000
2000
و هذا النوع من التصور
11:45
can show that epidemics like this take root
291
690000
2000
يمكن أن يظهر أوبئة مثل هذه تضرب بجذورها
11:47
and affect central individuals first,
292
692000
2000
و تؤثر على الأشخاص المركزيين أولاً
11:49
before they affect others.
293
694000
2000
قبل أن تؤثر على الآخرين
11:51
Now, as I've been suggesting,
294
696000
2000
الآن ، كما أقترحت
11:53
this method is not restricted to germs,
295
698000
3000
هذا المنهج ليس مقيداً بالجراثيم
11:56
but actually to anything that spreads in populations.
296
701000
2000
لكن في الواقع أي شيء يمكنه الإنتشار في السكان
11:58
Information spreads in populations,
297
703000
2000
المعلومة تنتشر في السكان
12:00
norms can spread in populations,
298
705000
2000
القواعد يمكن لها أن تنتشر في السكان
12:02
behaviors can spread in populations.
299
707000
2000
السلوك يمكن له أن ينتشر في السكان
12:04
And by behaviors, I can mean things like criminal behavior,
300
709000
3000
و بالسلوك، أعني أشياء كالسلوك الإجرامي
12:07
or voting behavior, or health care behavior,
301
712000
3000
أو السلوك الإنتخابي ، أو سلوك الرعاية الصحية
12:10
like smoking, or vaccination,
302
715000
2000
كالتدخين أو التلقيح
12:12
or product adoption, or other kinds of behaviors
303
717000
2000
أو تبني منتج ، أو أنواع أخرى من السلوكيات
12:14
that relate to interpersonal influence.
304
719000
2000
التي لها علاقة بالتأثير الشخصي
12:16
If I'm likely to do something that affects others around me,
305
721000
3000
إذا كنت ميالاً لفعل شيء يؤثر على الآخرين المحيطين بي
12:19
this technique can get early warning or early detection
306
724000
3000
هذا الأسلوب قد يكون تحذير مبكر ، أو كشف مبكر
12:22
about the adoption within the population.
307
727000
3000
حول التبني داخل السكان
12:25
The key thing is that for it to work,
308
730000
2000
و مفتاح هذا الشيء لكي يعمل
12:27
there has to be interpersonal influence.
309
732000
2000
لابد أن يكون هنالك تأثير شخصي
12:29
It cannot be because of some broadcast mechanism
310
734000
2000
لا يمكن لها أن تكون بسبب بعض آليات البث
12:31
affecting everyone uniformly.
311
736000
3000
تأثر بجميع الأشخاص بشكل موحد
12:35
Now the same insights
312
740000
2000
الآن نفس الرؤى
12:37
can also be exploited -- with respect to networks --
313
742000
3000
يمكن إستغلالها أيضاً فيما يتعلق بالشبكات
12:40
can also be exploited in other ways,
314
745000
3000
يمكن إستغلالها بطرق أخرى
12:43
for example, in the use of targeting
315
748000
2000
على سبيل المثال بإستهداف
12:45
specific people for interventions.
316
750000
2000
أشخاص معينين للتدخل
12:47
So, for example, most of you are probably familiar
317
752000
2000
على سبيل المثال، معظم الناس قد يكون على دراية
12:49
with the notion of herd immunity.
318
754000
2000
بمفهوم مناعة القطيع
12:51
So, if we have a population of a thousand people,
319
756000
3000
لذا ، إذا كان لدينا سكان من ألف شخص
12:54
and we want to make the population immune to a pathogen,
320
759000
3000
و نريد أن نجعل السكان لديهم مناعة من مسببات المرض
12:57
we don't have to immunize every single person.
321
762000
2000
ليس علينا تحصين كل شخص
12:59
If we immunize 960 of them,
322
764000
2000
إذا حصنا ٩٦٠ منهم
13:01
it's as if we had immunized a hundred [percent] of them.
323
766000
3000
كأنه إذا قمنا بتحصين مئة منهم
13:04
Because even if one or two of the non-immune people gets infected,
324
769000
3000
لأنه حتى لو واحد أو أثنين من ليست لديهم مناعة أصيب بالعدوى
13:07
there's no one for them to infect.
325
772000
2000
ليس هنالك أحد ليعديه
13:09
They are surrounded by immunized people.
326
774000
2000
إنهم محاطون بأشخاص لديهم مناعة
13:11
So 96 percent is as good as 100 percent.
327
776000
3000
لذا ٩٦٪ جيدة بقدر ١٠٠٪
13:14
Well, some other scientists have estimated
328
779000
2000
حسناً ، بعض العلماء يقدرون
13:16
what would happen if you took a 30 percent random sample
329
781000
2000
ما سيحدث لو أخذنا ٣٠٪ عينة عشوائية
13:18
of these 1000 people, 300 people and immunized them.
330
783000
3000
من ١٣٠٠ شخص و حصناهم
13:21
Would you get any population-level immunity?
331
786000
2000
هل ستحصل على أي مستوى سكاني من المناعة ؟
13:23
And the answer is no.
332
788000
3000
و الجواب هو لا
13:26
But if you took this 30 percent, these 300 people
333
791000
2000
لكن إذا أخذنا ٣٠٪ ، هؤلاء ٣٠٠ شخص
13:28
and had them nominate their friends
334
793000
2000
و جعلهم يرشحون أصدقائهم
13:30
and took the same number of vaccine doses
335
795000
3000
و أخذنا نفس العدد من اللقاحات
13:33
and vaccinated the friends of the 300 --
336
798000
2000
و لقحنا أصدقاء الـ٣٠٠
13:35
the 300 friends --
337
800000
2000
أصدقاء الـ٣٠٠
13:37
you can get the same level of herd immunity
338
802000
2000
تحصل على نفس المستوى من حصانة القطيع
13:39
as if you had vaccinated 96 percent of the population
339
804000
3000
كأنك قد لقحت ٩٦ ٪ من السكان
13:42
at a much greater efficiency, with a strict budget constraint.
340
807000
3000
بكفاءة أكبر من ذلك بكثير، مع قيود صارمة على الميزانية
13:45
And similar ideas can be used, for instance,
341
810000
2000
و أفكار مشابهة يمكن إستخدامها ، مثلاً
13:47
to target distribution of things like bed nets
342
812000
2000
لأستهداف أشياء مثل الناموسيات
13:49
in the developing world.
343
814000
2000
في العالم النامي
13:51
If we could understand the structure of networks in villages,
344
816000
3000
إذا أمكننا فهم هيكلة الشبكة في القرى
13:54
we could target to whom to give the interventions
345
819000
2000
يمكن لنا أن نستهدف لمن نعطي التدخلات
13:56
to foster these kinds of spreads.
346
821000
2000
لنعزز هذا النوع من الإنتشار
13:58
Or, frankly, for advertising with all kinds of products.
347
823000
3000
أو بصراحة ، للإعلان مع كافة أنواع السلع
14:01
If we could understand how to target,
348
826000
2000
إذا فهمنا كيف نستهدف
14:03
it could affect the efficiency
349
828000
2000
يمكن إن تؤثر على كفاءة
14:05
of what we're trying to achieve.
350
830000
2000
ما نحاول الوصول إليه
14:07
And in fact, we can use data
351
832000
2000
و في الواقع، يمكن لنا أن نستخدم بيانات
14:09
from all kinds of sources nowadays [to do this].
352
834000
2000
من جميع أنواع المصادر في الوقت الحاضر.
14:11
This is a map of eight million phone users
353
836000
2000
هذه خريطة لـ ٨ ملايين مستخدم هاتف
14:13
in a European country.
354
838000
2000
في بلد أوروبي
14:15
Every dot is a person, and every line represents
355
840000
2000
كل نقطة شخص ، و كل خط يمثل
14:17
a volume of calls between the people.
356
842000
2000
حجم المكالمات بين الأشخاص
14:19
And we can use such data, that's being passively obtained,
357
844000
3000
و يمكن لنا أن نستخدم البيانات التي تم الحصول عليها بشكل سلبي
14:22
to map these whole countries
358
847000
2000
لرسم خريطة كامل البلدان
14:24
and understand who is located where within the network.
359
849000
3000
و فهم من يقع داخل الشبكة
14:27
Without actually having to query them at all,
360
852000
2000
دون الحاجة للأستعلام منهم على الإطلاق
14:29
we can get this kind of a structural insight.
361
854000
2000
يمكن لنا الحصول على هذا النوع من الرؤية الهيكلية
14:31
And other sources of information, as you're no doubt aware
362
856000
3000
و مصادر أخرى للمعلومات ، أنت على دراية بها بلا شك
14:34
are available about such features, from email interactions,
363
859000
3000
متاحة كالمعلومات من تفاعلات البريد الإلكتروني
14:37
online interactions,
364
862000
2000
تفاعلات الإنترنت
14:39
online social networks and so forth.
365
864000
3000
الشبكات الاجتماعية على الانترنت وهكذا دواليك.
14:42
And in fact, we are in the era of what I would call
366
867000
2000
و في الواقع، نحن في حقبة يمكن أن أدعوها
14:44
"massive-passive" data collection efforts.
367
869000
3000
الجهود الضخمة السلبية لجمع البيانات
14:47
They're all kinds of ways we can use massively collected data
368
872000
3000
هنالك العديد من الطرق يمكن لنا إستخدامها بشكل ضخم لجمع البيانات
14:50
to create sensor networks
369
875000
3000
لخلق شبكات إستشعار
14:53
to follow the population,
370
878000
2000
لمتابعة السكان
14:55
understand what's happening in the population,
371
880000
2000
فهم ما يحصل داخل السكان
14:57
and intervene in the population for the better.
372
882000
3000
و التدخل في السكان للأفضل
15:00
Because these new technologies tell us
373
885000
2000
لأن هذه الوسائل تخبرنا
15:02
not just who is talking to whom,
374
887000
2000
ليس فقط من يحادث من
15:04
but where everyone is,
375
889000
2000
لكن أين الجميع
15:06
and what they're thinking based on what they're uploading on the Internet,
376
891000
3000
و ماذا يفكرون به بناء على ما يرفعونه على الإنترنت
15:09
and what they're buying based on their purchases.
377
894000
2000
و ما يشترونه بناء على مشترياتهم
15:11
And all this administrative data can be pulled together
378
896000
3000
و يمكن سحب كل هذه البيانات الإدارية معاً
15:14
and processed to understand human behavior
379
899000
2000
و معالجتها لفهم السلوك البشري
15:16
in a way we never could before.
380
901000
3000
بطريقة لم تسبق من قبل
15:19
So, for example, we could use truckers' purchases of fuel.
381
904000
3000
على سبيل المثال ، يمكن لنا إستخدام شراء سائقي الشاحنات للوقود
15:22
So the truckers are just going about their business,
382
907000
2000
لذا سائقي الشاحنات فقط يذهبون لعملهم
15:24
and they're buying fuel.
383
909000
2000
و هم يبتاعون الوقود
15:26
And we see a blip up in the truckers' purchases of fuel,
384
911000
3000
و نرى وميض في شراء سائقي الشاحنات للوقود
15:29
and we know that a recession is about to end.
385
914000
2000
و نعلم أن الكساد أوشك على الإنتهاء
15:31
Or we can monitor the velocity
386
916000
2000
أو يمكن لنا مراقبة السرعة
15:33
with which people are moving with their phones on a highway,
387
918000
3000
من خلال الأشخاص المتحركون مع هواتفهم في الطرق السريعة
15:36
and the phone company can see,
388
921000
2000
و يمكن لشركة الهاتف أن ترى
15:38
as the velocity is slowing down,
389
923000
2000
عندما تنخفض السرعة
15:40
that there's a traffic jam.
390
925000
2000
أن هنالك إزدحام مروري
15:42
And they can feed that information back to their subscribers,
391
927000
3000
و يمكن تزويد تلك المعلومات مرة أخرى إلى مشتركيها
15:45
but only to their subscribers on the same highway
392
930000
2000
لكن فقط لمشتركيها على نفس الطريق السريع
15:47
located behind the traffic jam!
393
932000
2000
الواقعين خلف الإزدحام المروري
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
934000
3000
أو يمكننا مراقبة سوكيات وصف الأطباء ، بشكل سلبي
15:52
and see how the diffusion of innovation with pharmaceuticals
395
937000
3000
كمشاهدت نشر الإبتكار مع المستحضرات الصيدلانية
15:55
occurs within [networks of] doctors.
396
940000
2000
تحدث داخل الأطباء
15:57
Or again, we can monitor purchasing behavior in people
397
942000
2000
أو مرة أخرى، يمكننا مراقبة سلوكيات الشراء لدى الناس
15:59
and watch how these types of phenomena
398
944000
2000
و مشاهدة كيف لهذه الأنواع من الظواهر
16:01
can diffuse within human populations.
399
946000
3000
أن تنتشر داخل الناس
16:04
And there are three ways, I think,
400
949000
2000
و هنالك ثلاثة طرق، أعتقد ذلك
16:06
that these massive-passive data can be used.
401
951000
2000
و هذه البيانات الضخمة السلبية يمكن إستخدامها
16:08
One is fully passive,
402
953000
2000
واحدة هي سلبية بالكامل
16:10
like I just described --
403
955000
2000
مثل ما وصفته للتو
16:12
as in, for instance, the trucker example,
404
957000
2000
على سبيل المثال، مثال سائقي الشاحنات
16:14
where we don't actually intervene in the population in any way.
405
959000
2000
في حين لم نتدخل في السكان بأي طريقة
16:16
One is quasi-active,
406
961000
2000
واحدة هي شبه نشطة
16:18
like the flu example I gave,
407
963000
2000
كمثال الإنفلونزا الذي أعطيته
16:20
where we get some people to nominate their friends
408
965000
3000
حيث نجعل بعض الناس يرشحون أصدقائهم
16:23
and then passively monitor their friends --
409
968000
2000
ثم يتم مراقبة أصدقائهم بشكل سلبي
16:25
do they have the flu, or not? -- and then get warning.
410
970000
2000
هل لديهم إنفلونزا أم لا ؟ ثم الحصول على تحذير
16:27
Or another example would be,
411
972000
2000
أو مثال آخر سيكون
16:29
if you're a phone company, you figure out who's central in the network
412
974000
3000
إذا كنت شركة هاتف، يمكنك معرفة من هو مركزي في الشبكة
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
977000
3000
و تسأل هؤلاء الأشخاص، " هل يمكنك أن ترسل لنا حماك يومياً؟
16:35
Just text us your temperature."
414
980000
2000
فقط أرسل درجة حرارتك"
16:37
And collect vast amounts of information about people's temperature,
415
982000
3000
وجمع كميات هائلة من المعلومات حول درجة حرارة الناس ،
16:40
but from centrally located individuals.
416
985000
2000
لكن من أشخاص مركزيين الموقع
16:42
And be able, on a large scale,
417
987000
2000
و تكون قادر بشكل كبير
16:44
to monitor an impending epidemic
418
989000
2000
على مراقبة تفشي الوباء
16:46
with very minimal input from people.
419
991000
2000
مع الحد الأدنى من المدخلات من الناس
16:48
Or, finally, it can be more fully active --
420
993000
2000
أو يمكن أن يكون أكثر نشاطاً بشكل كامل
16:50
as I know subsequent speakers will also talk about today --
421
995000
2000
مثل ما أعرف المتحدثين اللاحقين سيتحدثون عنه اليوم
16:52
where people might globally participate in wikis,
422
997000
2000
حيث يمكن أن يشارك الناس عالمياً في الموسوعات
16:54
or photographing, or monitoring elections,
423
999000
3000
أو التصوير ، أو مراقبة الإنتخابات
16:57
and upload information in a way that allows us to pool
424
1002000
2000
و رفع المعلومات بطريقة يمكننا جمعها
16:59
information in order to understand social processes
425
1004000
2000
لفهم العمليات الاجتماعية
17:01
and social phenomena.
426
1006000
2000
و الظواهر الإجتماعية
17:03
In fact, the availability of these data, I think,
427
1008000
2000
في الواقع ، توفر هذه البيانات ، أعتقد
17:05
heralds a kind of new era
428
1010000
2000
تبشر بحقبة جديدة
17:07
of what I and others would like to call
429
1012000
2000
لما أود أنا و آخرون أن ندعوه
17:09
"computational social science."
430
1014000
2000
العلوم الاجتماعية الحسابية
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1016000
3000
إنه نوع عندما أخترعه "جاليليو" - أو لم يخترعه
17:14
came to use a telescope
432
1019000
2000
جاء لإستخدام المنظار
17:16
and could see the heavens in a new way,
433
1021000
2000
و أمكنه مشاهدة السماء بطريقة جديدة
17:18
or Leeuwenhoek became aware of the microscope --
434
1023000
2000
أو "يوينهويك" أصبح على دراية بالمجهر
17:20
or actually invented --
435
1025000
2000
أو في الواقع أخترعه
17:22
and could see biology in a new way.
436
1027000
2000
و أصبح قادراً على مشاهدة علم الأحياء بطريقة جديدة
17:24
But now we have access to these kinds of data
437
1029000
2000
لكن الآن لدينا القدرة على الوصل إلى هذا النوع من البيانات
17:26
that allow us to understand social processes
438
1031000
2000
التي تتيح لنا فهم العمليات الاجتماعية
17:28
and social phenomena
439
1033000
2000
والظواهر الاجتماعية
17:30
in an entirely new way that was never before possible.
440
1035000
3000
و طريقة جديدة بالكامل لم تكن من قبل ممكنة
17:33
And with this science, we can
441
1038000
2000
و مع هذا العلم ، نستطيع
17:35
understand how exactly
442
1040000
2000
بالظبط فهم كيف
17:37
the whole comes to be greater
443
1042000
2000
يكون الجزء الكامل أكبر
17:39
than the sum of its parts.
444
1044000
2000
من مجموع أجزائه
17:41
And actually, we can use these insights
445
1046000
2000
و في الوقع، يمكن إستخدام هذه الرؤى
17:43
to improve society and improve human well-being.
446
1048000
3000
لتحسين المجتمع وتحسين رفاه الإنسان
17:46
Thank you.
447
1051000
2000
شكراً
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