TED@Cannes
Nicholas Christakis: How social networks predict epidemics
Nicholas Christakis: Jak sociální sítě předpovídají epidemie
Filmed:
Readability: 4.9
669,862 views
Nicholas Christakis a jeho kolega James Fowler nejdříve mapovali složité lidské sociální sítě, a pak začali zjišťovat, jak by tyto informace mohly zlepšit naše životy. Dnes zde odhalí, ještě teplé z tiskárny, své poznatky. Sociální sítě mohou posloužit k odhalení jakékoliv epidemie, od šíření inovativních idejí, riskantního chování až po šíření virů (např. H1N1), mnohem dříve než kdykoliv předtím.
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
Posledních 10 let trávím čas tím, že se snažím zjistit,
00:18
how and why human beings
1
3000
2000
jak a proč se lidé
00:20
assemble themselves into social networks.
2
5000
3000
sdružují v sociálních sítích.
00:23
And the kind of social network I'm talking about
3
8000
2000
Sociálními sítěmi, které mám na mysli,
00:25
is not the recent online variety,
4
10000
2000
nejsou současné online sítě,
00:27
but rather, the kind of social networks
5
12000
2000
ale ty sociální sítě,
00:29
that human beings have been assembling for hundreds of thousands of years,
6
14000
3000
ve kterých se lidé sdružují po stovky tisíc let,
00:32
ever since we emerged from the African savannah.
7
17000
3000
od té doby co jsme se objevili na afrických savanách.
00:35
So, I form friendships and co-worker
8
20000
2000
Takže, navazuji přátelství, vztahy s kolegy,
00:37
and sibling and relative relationships with other people
9
22000
3000
sourozenecké a příbuzenské vztahy s ostatními lidmi,
00:40
who in turn have similar relationships with other people.
10
25000
2000
kteří mají obdobné vztahy s dalšími lidmi.
00:42
And this spreads on out endlessly into a distance.
11
27000
3000
A to se jde dál a dál.
00:45
And you get a network that looks like this.
12
30000
2000
Získáme síť, která vypadá takto.
00:47
Every dot is a person.
13
32000
2000
Každý bod je jeden člověk.
00:49
Every line between them is a relationship between two people --
14
34000
2000
Každá čára představuje vztah mezi dvěma lidmi --
00:51
different kinds of relationships.
15
36000
2000
různé typy vztahů.
00:53
And you can get this kind of vast fabric of humanity,
16
38000
3000
Získáte tak rozsáhlou spleť lidstva,
00:56
in which we're all embedded.
17
41000
2000
jehož jsme všichni součástí.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
43000
3000
S kolegou Jamesem Fowlerem už delší dobu studujeme,
01:01
what are the mathematical, social,
19
46000
2000
jaká jsou matematická, společenská,
01:03
biological and psychological rules
20
48000
3000
biologická a psychologická pravidla,
01:06
that govern how these networks are assembled
21
51000
2000
která určují, jak jsou tyto sítě sestavovány,
01:08
and what are the similar rules
22
53000
2000
a stejně tak pravidla
01:10
that govern how they operate, how they affect our lives.
23
55000
3000
určující jak fungují a jak ovlivňují naše životy.
01:13
But recently, we've been wondering
24
58000
2000
Poslední dobou jsme přemýšleli,
01:15
whether it might be possible to take advantage of this insight,
25
60000
3000
jestli by bylo možné využít těchto poznatků
01:18
to actually find ways to improve the world,
26
63000
2000
při hledání způsobů jak zlepšit svět,
01:20
to do something better,
27
65000
2000
něco zlepšit,
01:22
to actually fix things, not just understand things.
28
67000
3000
něco opravdu vylepšit, nejen tomu porozumět.
01:25
So one of the first things we thought we would tackle
29
70000
3000
Jedna z prvních věcí, na které jsme se rozhodli zaměřit,
01:28
would be how we go about predicting epidemics.
30
73000
3000
je jak předpovídat epidemie.
01:31
And the current state of the art in predicting an epidemic --
31
76000
2000
Současný způsob předvídání epidemií --
01:33
if you're the CDC or some other national body --
32
78000
3000
jste-li CDC (Centrum kontroly a prevence chorob) či jiné národní centrum --
01:36
is to sit in the middle where you are
33
81000
2000
je být uprostřed
01:38
and collect data
34
83000
2000
a sbírat údaje
01:40
from physicians and laboratories in the field
35
85000
2000
od lékařů a laboratoří v dané oblasti,
01:42
that report the prevalence or the incidence of certain conditions.
36
87000
3000
kteří referují o rozšíření nebo výskytu určitých podmínek.
01:45
So, so and so patients have been diagnosed with something,
37
90000
3000
Ti a ti pacienti byli s něčím diagnostikováni,
01:48
or other patients have been diagnosed,
38
93000
2000
ti pacienti byli diagnostikováni [tady],
01:50
and all these data are fed into a central repository, with some delay.
39
95000
3000
a všechny tyto údaje se s jistým zpožděním shromažďují v centrálním archivu.
01:53
And if everything goes smoothly,
40
98000
2000
A jde-li vše hladce,
01:55
one to two weeks from now
41
100000
2000
budete ode dneška za týden či dva
01:57
you'll know where the epidemic was today.
42
102000
3000
vědět, kde byla epidemie dnes.
02:00
And actually, about a year or so ago,
43
105000
2000
Vlastně, asi tak před rokem
02:02
there was this promulgation
44
107000
2000
byl spuštěn
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
109000
3000
projekt Google Flu Trends (Google vývoj chřipky),
02:07
where by looking at people's searching behavior today,
46
112000
3000
kde na základě toho, jak a co dnes lidé vyhledávají,
02:10
we could know where the flu --
47
115000
2000
můžeme říct, že chřipka …
02:12
what the status of the epidemic was today,
48
117000
2000
jaký je dnešní stav epidemie,
02:14
what's the prevalence of the epidemic today.
49
119000
3000
jak je epidemie rozšířená právě dnes.
02:17
But what I'd like to show you today
50
122000
2000
Nyní bych vám však chtěl ukázat
02:19
is a means by which we might get
51
124000
2000
způsob, díky němuž bychom mohli získat
02:21
not just rapid warning about an epidemic,
52
126000
3000
nejen rychlé varování před epidemií,
02:24
but also actually
53
129000
2000
ale rovněž možnost odhalit
02:26
early detection of an epidemic.
54
131000
2000
nákazu v jejím začátku.
02:28
And, in fact, this idea can be used
55
133000
2000
Tento způsob může být použit
02:30
not just to predict epidemics of germs,
56
135000
3000
nejen k předvídání epidemií bacilů,
02:33
but also to predict epidemics of all sorts of kinds.
57
138000
3000
ale k předvídání nákaz nejrůznějšího druhu.
02:37
For example, anything that spreads by a form of social contagion
58
142000
3000
To znamená vše, co se může šířit mezi lidmi formou
02:40
could be understood in this way,
59
145000
2000
společenské nákazy,
02:42
from abstract ideas on the left
60
147000
2000
od abstraktních idejí, nalevo,
02:44
like patriotism, or altruism, or religion
61
149000
3000
jako je vlastenectví, altruismus nebo náboženství
02:47
to practices
62
152000
2000
k zvyklostem
02:49
like dieting behavior, or book purchasing,
63
154000
2000
jako jsou diety, nákup knih,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
156000
3000
pití alkoholu, používání cyklistické helmy a jiné bezpečnostní praktiky,
02:54
or products that people might buy,
65
159000
2000
nebo zboží, které si lidé mohou koupit,
02:56
purchases of electronic goods,
66
161000
2000
nákup elektroniky,
02:58
anything in which there's kind of an interpersonal spread.
67
163000
3000
cokoliv, co se může šířit mezilidskými vztahy.
03:01
A kind of a diffusion of innovation
68
166000
2000
Jakékoliv šíření inovací
03:03
could be understood and predicted
69
168000
2000
může být chápáno a předpovídáno
03:05
by the mechanism I'm going to show you now.
70
170000
3000
způsobem, který vám teď ukážu.
03:08
So, as all of you probably know,
71
173000
2000
Jak asi všichni víte,
03:10
the classic way of thinking about this
72
175000
2000
klasicky se používá
03:12
is the diffusion-of-innovation,
73
177000
2000
model "šíření inovací"
03:14
or the adoption curve.
74
179000
2000
neboli křivka osvojení.
03:16
So here on the Y-axis, we have the percent of the people affected,
75
181000
2000
Zde, osa Y znázorňuje procento ovlivněných lidí
03:18
and on the X-axis, we have time.
76
183000
2000
a na ose X máme čas.
03:20
And at the very beginning, not too many people are affected,
77
185000
3000
Na úplném začátku je jen velmi málo ovlivněných lidí,
03:23
and you get this classic sigmoidal,
78
188000
2000
získáme tuto klasickou sigmoidu,
03:25
or S-shaped, curve.
79
190000
2000
neboli křivku ve tvaru S.
03:27
And the reason for this shape is that at the very beginning,
80
192000
2000
Tento tvar má díky tomu, že na úplném začátku
03:29
let's say one or two people
81
194000
2000
je řekněme jeden nebo dva lidé,
03:31
are infected, or affected by the thing
82
196000
2000
kteří jsou tím něčím zasaženi nebo nakaženi,
03:33
and then they affect, or infect, two people,
83
198000
2000
ti pak to pak přenesou dál a nakazí další dva,
03:35
who in turn affect four, eight, 16 and so forth,
84
200000
3000
kteří pak následně nakazí 4, 8, 16 lidí, a tak dál,
03:38
and you get the epidemic growth phase of the curve.
85
203000
3000
a tak získáte vzrůstající fázi křivky epidemie.
03:41
And eventually, you saturate the population.
86
206000
2000
A nakonec nasytíte populaci.
03:43
There are fewer and fewer people
87
208000
2000
Je zde méně a méně lidí,
03:45
who are still available that you might infect,
88
210000
2000
které ještě stále můžete infikovat,
03:47
and then you get the plateau of the curve,
89
212000
2000
a to je moment, kdy je křivka opět rovná,
03:49
and you get this classic sigmoidal curve.
90
214000
3000
a vznikne tak tato klasická sigmoidní křivka.
03:52
And this holds for germs, ideas,
91
217000
2000
To platí po bacily, ideje,
03:54
product adoption, behaviors,
92
219000
2000
osvojení zboží, chování,
03:56
and the like.
93
221000
2000
a tak podobně.
03:58
But things don't just diffuse in human populations at random.
94
223000
3000
Ale věci se nešíří lidskou populací náhodně.
04:01
They actually diffuse through networks.
95
226000
2000
Ve skutečnosti se šíří skrze sítě.
04:03
Because, as I said, we live our lives in networks,
96
228000
3000
Jak jsem již řekl, žijeme v sítích
04:06
and these networks have a particular kind of a structure.
97
231000
3000
a tyto sítě mají určitou strukturu.
04:09
Now if you look at a network like this --
98
234000
2000
Teď, když se podíváte na síť jako je tato...
04:11
this is 105 people.
99
236000
2000
Toto je 105 lidí.
04:13
And the lines represent -- the dots are the people,
100
238000
2000
Ty čáry představují ... body jsou lidé
04:15
and the lines represent friendship relationships.
101
240000
2000
a čáry představují přátelské vztahy.
04:17
You might see that people occupy
102
242000
2000
Můžete vidět, že lidé se nachází
04:19
different locations within the network.
103
244000
2000
na různých místech v rámci sítě.
04:21
And there are different kinds of relationships between the people.
104
246000
2000
A vztahy mezi lidmi mají nejrůznější charakter.
04:23
You could have friendship relationships, sibling relationships,
105
248000
3000
Můžete mít přátelský či sourozenecký vztah,
04:26
spousal relationships, co-worker relationships,
106
251000
3000
manželský nebo pracovní vztah,
04:29
neighbor relationships and the like.
107
254000
3000
sousedský vztah, a tak dále.
04:32
And different sorts of things
108
257000
2000
A různé věci
04:34
spread across different sorts of ties.
109
259000
2000
se šíří prostřednictvím odlišných vazeb.
04:36
For instance, sexually transmitted diseases
110
261000
2000
Například, sexuálně přenosné choroby
04:38
will spread across sexual ties.
111
263000
2000
se budou šíří sexuálními vazbami.
04:40
Or, for instance, people's smoking behavior
112
265000
2000
Nebo třeba vztah lidí ke kouření
04:42
might be influenced by their friends.
113
267000
2000
může být ovlivněn jejich přáteli.
04:44
Or their altruistic or their charitable giving behavior
114
269000
2000
Jejich altruismus či ochota přispívat na charitu
04:46
might be influenced by their coworkers,
115
271000
2000
mohou být ovlivněny jejich spolupracovníky
04:48
or by their neighbors.
116
273000
2000
či sousedy.
04:50
But not all positions in the network are the same.
117
275000
3000
Ne všechna postavení v rámci sítě jsou totožná.
04:53
So if you look at this, you might immediately grasp
118
278000
2000
Podíváte-li se sem, okamžitě si všimnete,
04:55
that different people have different numbers of connections.
119
280000
3000
že různí lidé mají odlišný počet vazeb.
04:58
Some people have one connection, some have two,
120
283000
2000
Někteří mají jednu vazbu, jiní dvě,
05:00
some have six, some have 10 connections.
121
285000
3000
někteří šest a jiní deset.
05:03
And this is called the "degree" of a node,
122
288000
2000
Tomu se říká "stupeň" uzlového bodu,
05:05
or the number of connections that a node has.
123
290000
2000
čili množství vazeb, které daný uzel má.
05:07
But in addition, there's something else.
124
292000
2000
A pak je tu ještě jedna věc.
05:09
So, if you look at nodes A and B,
125
294000
2000
Když se podíváte na uzel A a B,
05:11
they both have six connections.
126
296000
2000
oba mají šest vazeb.
05:13
But if you can see this image [of the network] from a bird's eye view,
127
298000
3000
Ale podíváte-li se na tento obrázek z ptačího pohledu,
05:16
you can appreciate that there's something very different
128
301000
2000
uvědomíte si, že mezi uzlem A a B
05:18
about nodes A and B.
129
303000
2000
je velký rozdíl.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
305000
3000
Takže se vás zeptám -- trochu to tou otázkou rozvinu --
05:23
who would you rather be
131
308000
2000
kým byste chtěli být,
05:25
if a deadly germ was spreading through the network, A or B?
132
310000
3000
kdyby se sítí šířila smrtelná bakterie, A nebo B?
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
313000
2000
(Publikum: B) Nicholas Christakis: B, samozřejmě.
05:30
B is located on the edge of the network.
134
315000
2000
B se nachází na okraji sítě.
05:32
Now, who would you rather be
135
317000
2000
Teď, kým byste chtěli být,
05:34
if a juicy piece of gossip were spreading through the network?
136
319000
3000
kdyby se sítí šířil šťavnatý drb?
05:37
A. And you have an immediate appreciation
137
322000
3000
A. Okamžitě vám je jasné,
05:40
that A is going to be more likely
138
325000
2000
že A má mnohem větší šanci
05:42
to get the thing that's spreading and to get it sooner
139
327000
3000
dostat to, co se šíří, a že to dostane rychleji
05:45
by virtue of their structural location within the network.
140
330000
3000
díky své pozici v rámci dané struktury sítě.
05:48
A, in fact, is more central,
141
333000
2000
Ve skutečnosti je 'A' mnohem více v centru,
05:50
and this can be formalized mathematically.
142
335000
3000
což může být vyjádřeno matematicky.
05:53
So, if we want to track something
143
338000
2000
Takže pokud chceme sledovat to,
05:55
that was spreading through a network,
144
340000
3000
co se šíří sítí,
05:58
what we ideally would like to do is to set up sensors
145
343000
2000
ideálně bychom měli umístit senzory
06:00
on the central individuals within the network,
146
345000
2000
na jedince, kteří jsou v centru sítě,
06:02
including node A,
147
347000
2000
včetně uzlu A,
06:04
monitor those people that are right there in the middle of the network,
148
349000
3000
sledovat tyto osoby, jež jsou v centru sítě,
06:07
and somehow get an early detection
149
352000
2000
a tím nějak včasně odhalit to,
06:09
of whatever it is that is spreading through the network.
150
354000
3000
ať už je to cokoliv, co se šíří sítí.
06:12
So if you saw them contract a germ or a piece of information,
151
357000
3000
Takže, kdybyste viděli, že mají nějaký bacil nebo informaci,
06:15
you would know that, soon enough,
152
360000
2000
věděli byste, že časem
06:17
everybody was about to contract this germ
153
362000
2000
ten bacil nebo tu informaci
06:19
or this piece of information.
154
364000
2000
budou mít i všichni ostatní.
06:21
And this would be much better
155
366000
2000
Tohle by bylo mnohem lepší
06:23
than monitoring six randomly chosen people,
156
368000
2000
než sledovat šest náhodně vybraných jedinců
06:25
without reference to the structure of the population.
157
370000
3000
bez ohledu na strukturu dané populace.
06:28
And in fact, if you could do that,
158
373000
2000
Takže pokud byste to udělali,
06:30
what you would see is something like this.
159
375000
2000
uviděli byste něco takovéhoto.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
377000
3000
Nalevo máme opět esovitou křivku osvojení.
06:35
In the dotted red line, we show
161
380000
2000
Červeně tečkovaná linie ukazuje,
06:37
what the adoption would be in the random people,
162
382000
2000
jaké by bylo osvojení u náhodného vzorku,
06:39
and in the left-hand line, shifted to the left,
163
384000
3000
a křivka nalevo, posunutá doleva,
06:42
we show what the adoption would be
164
387000
2000
ukazuje, jaké by bylo osvojení
06:44
in the central individuals within the network.
165
389000
2000
v případě jedinců uprostřed sítě.
06:46
On the Y-axis is the cumulative instances of contagion,
166
391000
2000
Osa Y ukazuje narůstající případy nákazy
06:48
and on the X-axis is the time.
167
393000
2000
a osa X znázorňuje čas.
06:50
And on the right-hand side, we show the same data,
168
395000
2000
Napravo máme ty samé údaje,
06:52
but here with daily incidence.
169
397000
2000
které tentokrát ukazují výskyt podle dní.
06:54
And what we show here is -- like, here --
170
399000
2000
Zde vidíte -- třeba tady --
06:56
very few people are affected, more and more and more and up to here,
171
401000
2000
jen několik málo lidí je zasaženo, víc, víc a víc až sem,
06:58
and here's the peak of the epidemic.
172
403000
2000
a toto je vrchol epidemie.
07:00
But shifted to the left is what's occurring in the central individuals.
173
405000
2000
Křivka posunutá doleva ukazuje situaci u jedinců v centru.
07:02
And this difference in time between the two
174
407000
3000
A tento rozdíl v čase mezi těmito dvěma křivkami
07:05
is the early detection, the early warning we can get,
175
410000
3000
říká, jak včasné odhalení či upozornění můžeme
07:08
about an impending epidemic
176
413000
2000
získat o epidemii šířící se
07:10
in the human population.
177
415000
2000
populací.
07:12
The problem, however,
178
417000
2000
Problémem ovšem je,
07:14
is that mapping human social networks
179
419000
2000
že ne vždy je možné mapovat
07:16
is not always possible.
180
421000
2000
lidské společenské sítě.
07:18
It can be expensive, not feasible,
181
423000
2000
Může to být drahé, obtížné,
07:20
unethical,
182
425000
2000
neetické,
07:22
or, frankly, just not possible to do such a thing.
183
427000
3000
nebo to prostě není proveditelné.
07:25
So, how can we figure out
184
430000
2000
Takže, jak můžeme zjistit,
07:27
who the central people are in a network
185
432000
2000
kdo jsou lidé ve středu sítě,
07:29
without actually mapping the network?
186
434000
3000
aniž bychom tu síť mapovali?
07:32
What we came up with
187
437000
2000
Napadalo nás
07:34
was an idea to exploit an old fact,
188
439000
2000
využít starou známou skutečnost,
07:36
or a known fact, about social networks,
189
441000
2000
známý fakt o společenských sítích,
07:38
which goes like this:
190
443000
2000
který říká:
07:40
Do you know that your friends
191
445000
2000
Víte, že vaši přátelé
07:42
have more friends than you do?
192
447000
3000
mají více přátel než vy?
07:45
Your friends have more friends than you do,
193
450000
3000
Vaši přátelé mají více přátel než vy.
07:48
and this is known as the friendship paradox.
194
453000
2000
To je označováno jako paradox přátelství.
07:50
Imagine a very popular person in the social network --
195
455000
2000
Představte si velmi oblíbeného člena společenské sítě --
07:52
like a party host who has hundreds of friends --
196
457000
3000
třeba hostitele party, který má stovky přátel --
07:55
and a misanthrope who has just one friend,
197
460000
2000
a misantropa, který má jen jednoho přítele,
07:57
and you pick someone at random from the population;
198
462000
3000
a náhodně vyberte několik lidí z populace.
08:00
they were much more likely to know the party host.
199
465000
2000
Je mnohem větší šance, že budou znát daného organizátora party.
08:02
And if they nominate the party host as their friend,
200
467000
2000
Pokud oni označí tohoto hostitele jako svého přítele,
08:04
that party host has a hundred friends,
201
469000
2000
tento hostitel má stovky přátel,
08:06
therefore, has more friends than they do.
202
471000
3000
takže má více přátel než oni sami.
08:09
And this, in essence, is what's known as the friendship paradox.
203
474000
3000
A to je v podstatě to, čemu se říká paradox přátelství.
08:12
The friends of randomly chosen people
204
477000
3000
Přátelé náhodně vybraného vzorku
08:15
have higher degree, and are more central
205
480000
2000
mají vyšší stupeň a jsou více v centru,
08:17
than the random people themselves.
206
482000
2000
než jedinci z náhodného vzorku samotní.
08:19
And you can get an intuitive appreciation for this
207
484000
2000
Což je zřejmé ve chvíli, kdy si
08:21
if you imagine just the people at the perimeter of the network.
208
486000
3000
představíte pouze lidi na obvodu dané sítě.
08:24
If you pick this person,
209
489000
2000
Pokud vyberete tuto osobu,
08:26
the only friend they have to nominate is this person,
210
491000
3000
ta může jako svého přítele označit pouze tuto osobu,
08:29
who, by construction, must have at least two
211
494000
2000
která musí mít, vzhledem ke struktuře, alespoň dva,
08:31
and typically more friends.
212
496000
2000
ale většinou více přátel.
08:33
And that happens at every peripheral node.
213
498000
2000
K tomu dochází na každém okrajovém uzlu.
08:35
And in fact, it happens throughout the network as you move in,
214
500000
3000
To se děje v celé sítí, jak se pohybujete směrem ke středu,
08:38
everyone you pick, when they nominate a random --
215
503000
2000
když náhodně vybraný člověk
08:40
when a random person nominates a friend of theirs,
216
505000
3000
označí svého přítele,
08:43
you move closer to the center of the network.
217
508000
3000
dostanete se blíže ke středu sítě.
08:46
So, we thought we would exploit this idea
218
511000
3000
Tak jsme si řekli, že využijeme tuto teorii,
08:49
in order to study whether we could predict phenomena within networks.
219
514000
3000
abychom zjistili, jestli můžeme předvídat jevy v rámci sítí.
08:52
Because now, with this idea
220
517000
2000
Na základě této ideje totiž
08:54
we can take a random sample of people,
221
519000
2000
můžeme vzít náhodný vzorek,
08:56
have them nominate their friends,
222
521000
2000
který označí své přátele,
08:58
those friends would be more central,
223
523000
2000
a ti budou blíže středu,
09:00
and we could do this without having to map the network.
224
525000
3000
to můžeme dělat, aniž bychom tu síť museli mapovat.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
528000
3000
Rozhodli jsme se to otestovat, když propukla chřipka H1N1
09:06
at Harvard College
226
531000
2000
na harvardské koleji
09:08
in the fall and winter of 2009, just a few months ago.
227
533000
3000
na podzim a v zimě 2009, což je před pár měsíci.
09:11
We took 1,300 randomly selected undergraduates,
228
536000
3000
Náhodně jsme vybrali 1300 vysokoškoláků,
09:14
we had them nominate their friends,
229
539000
2000
nechali jsme je označit své přátele
09:16
and we followed both the random students and their friends
230
541000
2000
a denně jsme sledovali jak náhodně vybrané studenty
09:18
daily in time
231
543000
2000
tak jejich přátele,
09:20
to see whether or not they had the flu epidemic.
232
545000
3000
abychom viděli, jestli tu chřipku mají nebo nemají.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
548000
3000
Pasivně jsme sledovali, zda byli či nebyli v univerzitním zdravotnickém středisku.
09:26
And also, we had them [actively] email us a couple of times a week.
234
551000
3000
Také jsme je požádali, aby nám několikrát za týden poslali email.
09:29
Exactly what we predicted happened.
235
554000
3000
Stalo se přesně to, co jsme předpověděli.
09:32
So the random group is in the red line.
236
557000
3000
Náhodný vzorek je červená linka.
09:35
The epidemic in the friends group has shifted to the left, over here.
237
560000
3000
Epidemie u skupiny 'přátelé' se posunula doleva, zde.
09:38
And the difference in the two is 16 days.
238
563000
3000
Rozdíl mezi těmito dvěma skupinami je 16 dní.
09:41
By monitoring the friends group,
239
566000
2000
Sledováním skupiny 'přátelé'
09:43
we could get 16 days advance warning
240
568000
2000
bychom získali varování před blížící se
09:45
of an impending epidemic in this human population.
241
570000
3000
epidemii v lidské populaci o 16 dní dříve.
09:48
Now, in addition to that,
242
573000
2000
Navíc, jste-li
09:50
if you were an analyst who was trying to study an epidemic
243
575000
3000
analytik, který se snaží studovat nějakou nákazu,
09:53
or to predict the adoption of a product, for example,
244
578000
3000
nebo například předvídat osvojení produktu,
09:56
what you could do is you could pick a random sample of the population,
245
581000
3000
můžete vzít náhodný vzorek populace,
09:59
also have them nominate their friends and follow the friends
246
584000
3000
nechat je vybrat své přátele a sledovat tyto přátele,
10:02
and follow both the randoms and the friends.
247
587000
3000
sledovat jak náhodný vzorek, tak skupinu 'přátelé'.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
590000
3000
Jakmile by v případě 'přátel' vzskočila křivka
10:08
in adoption of the innovation, for example,
249
593000
3000
osvojení inovace nad nulu
10:11
would be evidence of an impending epidemic.
250
596000
2000
znamenalo by to, že nastupuje epidemie.
10:13
Or you could see the first time the two curves diverged,
251
598000
3000
Nalevo můžete vidět, kdy se ty dvě křivky
10:16
as shown on the left.
252
601000
2000
poprvé rozchází.
10:18
When did the randoms -- when did the friends take off
253
603000
3000
Kdy se přátelé odtrhnou
10:21
and leave the randoms,
254
606000
2000
a nechají náhodný vzorek za sebou
10:23
and [when did] their curve start shifting?
255
608000
2000
a kdy se jejich křivka začne posouvat?
10:25
And that, as indicated by the white line,
256
610000
2000
To, což ukazuje bílá linka,
10:27
occurred 46 days
257
612000
2000
nastalo 46 dní
10:29
before the peak of the epidemic.
258
614000
2000
před vyvrcholením epidemie.
10:31
So this would be a technique
259
616000
2000
Takže tímto způsobem
10:33
whereby we could get more than a month-and-a-half warning
260
618000
2000
můžeme získat upozornění na epidemii chřipky
10:35
about a flu epidemic in a particular population.
261
620000
3000
v konkrétní populaci víc než měsíc a půl předem.
10:38
I should say that
262
623000
2000
Měl bych říct, že to jak
10:40
how far advanced a notice one might get about something
263
625000
2000
moc dopředu dostaneme na něco upozornění,
10:42
depends on a host of factors.
264
627000
2000
záleží na množství faktorů.
10:44
It could depend on the nature of the pathogen --
265
629000
2000
Může to záležet na povaze patogenu --
10:46
different pathogens,
266
631000
2000
u různých patogenů,
10:48
using this technique, you'd get different warning --
267
633000
2000
použitím této techniky, můžete dostat různá varování --
10:50
or other phenomena that are spreading,
268
635000
2000
nebo dalších jevech, které se šíří,
10:52
or frankly, on the structure of the human network.
269
637000
3000
strukturou lidské sítě.
10:55
Now in our case, although it wasn't necessary,
270
640000
3000
V našem případě, i přestože to nebylo nutné,
10:58
we could also actually map the network of the students.
271
643000
2000
jsme mohli rovněž mapovat síť studentů.
11:00
So, this is a map of 714 students
272
645000
2000
Tahle mapa zobrazuje 714 studentů
11:02
and their friendship ties.
273
647000
2000
a jejich přátelské vztahy.
11:04
And in a minute now, I'm going to put this map into motion.
274
649000
2000
Za dám tu mapu do pohybu.
11:06
We're going to take daily cuts through the network
275
651000
2000
Uvidíte situaci den po dni,
11:08
for 120 days.
276
653000
2000
po dobu 120 dní.
11:10
The red dots are going to be cases of the flu,
277
655000
3000
Červené body budou případy chřipky,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
658000
3000
a žluté body budou přátelé lidí s chřipkou.
11:16
And the size of the dots is going to be proportional
279
661000
2000
Velikost každého bodu je úměrná
11:18
to how many of their friends have the flu.
280
663000
2000
počtu přátel s chřipkou.
11:20
So bigger dots mean more of your friends have the flu.
281
665000
3000
Je-li bod větší, znamená to, že máte více přátel, kteří mají chřipku.
11:23
And if you look at this image -- here we are now in September the 13th --
282
668000
3000
Když se podíváte na tento obrázek -- 13. září --
11:26
you're going to see a few cases light up.
283
671000
2000
uvidíte, že se rozzáří několik případů.
11:28
You're going to see kind of blooming of the flu in the middle.
284
673000
2000
Uprostřed uvidíte jakýsi rozkvět chřipky.
11:30
Here we are on October the 19th.
285
675000
3000
Toto je 19. října.
11:33
The slope of the epidemic curve is approaching now, in November.
286
678000
2000
Svažování křivky epidemie se blíží, tady, v listopadu.
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
680000
3000
bum, bum, bum, bum, bum, uvidíte velký rozkvět uprostřed,
11:38
and then you're going to see a sort of leveling off,
288
683000
2000
a pak uvidíte jakousi stabilizaci,
11:40
fewer and fewer cases towards the end of December.
289
685000
3000
méně a méně případů ke konci prosince.
11:43
And this type of a visualization
290
688000
2000
Tento typ vizualizace
11:45
can show that epidemics like this take root
291
690000
2000
může ukázat, že epidemie, jako je tato, mají základy
11:47
and affect central individuals first,
292
692000
2000
a působí jako první na osoby uprostřed,
11:49
before they affect others.
293
694000
2000
předtím než zasáhnou ostatní.
11:51
Now, as I've been suggesting,
294
696000
2000
Jak jsem již naznačoval,
11:53
this method is not restricted to germs,
295
698000
3000
tato metoda neplatí pouze na bacily,
11:56
but actually to anything that spreads in populations.
296
701000
2000
ale na vše, co se šíří populací.
11:58
Information spreads in populations,
297
703000
2000
Informace se šíří populací.
12:00
norms can spread in populations,
298
705000
2000
Normy se mohou šíří populací.
12:02
behaviors can spread in populations.
299
707000
2000
Chování se může šířit populací.
12:04
And by behaviors, I can mean things like criminal behavior,
300
709000
3000
Chováním mám na mysli, například kriminální jednání,
12:07
or voting behavior, or health care behavior,
301
712000
3000
nebo jak lidé volí, jak se starají o své zdraví
12:10
like smoking, or vaccination,
302
715000
2000
například vztah ke kouření, očkování,
12:12
or product adoption, or other kinds of behaviors
303
717000
2000
nebo osvojování produktů, či jiná jednání,
12:14
that relate to interpersonal influence.
304
719000
2000
která souvisí s tím, jak se lidé ovlivňují mezi sebou.
12:16
If I'm likely to do something that affects others around me,
305
721000
3000
Chci-li udělat něco, co bude mít vliv na lidi kolem mě,
12:19
this technique can get early warning or early detection
306
724000
3000
tato metoda mě může upozornit nebo včasně odhalit
12:22
about the adoption within the population.
307
727000
3000
osvojení v rámci populace.
12:25
The key thing is that for it to work,
308
730000
2000
Má-li to fungovat, klíčovým faktorem je
12:27
there has to be interpersonal influence.
309
732000
2000
přítomnost mezilidského vlivu.
12:29
It cannot be because of some broadcast mechanism
310
734000
2000
Nemůže to být postaveno na nějakém vysílání,
12:31
affecting everyone uniformly.
311
736000
3000
které působí na všechny jednotně.
12:35
Now the same insights
312
740000
2000
Tato zjištění
12:37
can also be exploited -- with respect to networks --
313
742000
3000
můžeme použít -- s ohledem na síť --
12:40
can also be exploited in other ways,
314
745000
3000
můžeme použít i jinými způsoby,
12:43
for example, in the use of targeting
315
748000
2000
například pro zacílení těch,
12:45
specific people for interventions.
316
750000
2000
kteří by měli být zasaženi či vybráni.
12:47
So, for example, most of you are probably familiar
317
752000
2000
Například, většina z vás je nejspíše obeznámena
12:49
with the notion of herd immunity.
318
754000
2000
s pojmem imunita stáda.
12:51
So, if we have a population of a thousand people,
319
756000
3000
Takže, máme-li skupinu čítající tisíc obyvatel.
12:54
and we want to make the population immune to a pathogen,
320
759000
3000
a chceme, aby tito obyvatelé byli imunní vůči určitému patogenu,
12:57
we don't have to immunize every single person.
321
762000
2000
nemusíme očkovat všechny jedince v dané skupině.
12:59
If we immunize 960 of them,
322
764000
2000
Oočkujeme-li 960 z nich,
13:01
it's as if we had immunized a hundred [percent] of them.
323
766000
3000
je to, jako bychom oočkovali sto [procent].
13:04
Because even if one or two of the non-immune people gets infected,
324
769000
3000
I kdyby se jeden nebo dva z těch, kteří nebyli očkování, nakazili,
13:07
there's no one for them to infect.
325
772000
2000
oni sami nemají koho nakazit.
13:09
They are surrounded by immunized people.
326
774000
2000
Jsou obklopeni oočkovanými.
13:11
So 96 percent is as good as 100 percent.
327
776000
3000
Takže 96 procent je stejně dobrých jako 100 procent.
13:14
Well, some other scientists have estimated
328
779000
2000
Jiní vědci odhadli,
13:16
what would happen if you took a 30 percent random sample
329
781000
2000
co by se stalo, kdybyste vzali náhodný vzorek 30%
13:18
of these 1000 people, 300 people and immunized them.
330
783000
3000
z 1000 lidí, tedy 300 lidí a oočkovali je.
13:21
Would you get any population-level immunity?
331
786000
2000
Je možné, aby pak daná skupina byla imunní?
13:23
And the answer is no.
332
788000
3000
Odpověď je ne.
13:26
But if you took this 30 percent, these 300 people
333
791000
2000
Ale pokud vezmete těchto 300 lidí,
13:28
and had them nominate their friends
334
793000
2000
a necháte je nominovat své přátele,
13:30
and took the same number of vaccine doses
335
795000
3000
budete mít stejné množství vakcín jako předtím,
13:33
and vaccinated the friends of the 300 --
336
798000
2000
a oočkujete jen přátele těch náhodných 300 lidí,
13:35
the 300 friends --
337
800000
2000
tedy 300 přátel,
13:37
you can get the same level of herd immunity
338
802000
2000
získáte stejnou úroveň stádové imunity,
13:39
as if you had vaccinated 96 percent of the population
339
804000
3000
jako byste oočkovali 96 procent dané populace,
13:42
at a much greater efficiency, with a strict budget constraint.
340
807000
3000
s větší účinností a s omezeným rozpočtem.
13:45
And similar ideas can be used, for instance,
341
810000
2000
Podobně lze například určit,
13:47
to target distribution of things like bed nets
342
812000
2000
jak distribuovat například moskytiéry
13:49
in the developing world.
343
814000
2000
v rozvojových zemích.
13:51
If we could understand the structure of networks in villages,
344
816000
3000
Když porozumíme struktuře vztahů ve vesnicích
13:54
we could target to whom to give the interventions
345
819000
2000
můžeme určit jedince, které zplnomocníme,
13:56
to foster these kinds of spreads.
346
821000
2000
aby měli dané šíření na starosti.
13:58
Or, frankly, for advertising with all kinds of products.
347
823000
3000
Nebo pro reklamu a různé produkty.
14:01
If we could understand how to target,
348
826000
2000
Pochopíme-li, jak určit cíl,
14:03
it could affect the efficiency
349
828000
2000
můžeme ovlivnit účinnost
14:05
of what we're trying to achieve.
350
830000
2000
toho, čeho se snažíme dosáhnout.
14:07
And in fact, we can use data
351
832000
2000
Takto, můžeme použít údaje
14:09
from all kinds of sources nowadays [to do this].
352
834000
2000
z nejrůznějších zdrojů.
14:11
This is a map of eight million phone users
353
836000
2000
Toto je mapa 8 milionů uživatelů mobilů
14:13
in a European country.
354
838000
2000
v jedné z evropských zemí.
14:15
Every dot is a person, and every line represents
355
840000
2000
Každý bod je osoba a každá linka představuje
14:17
a volume of calls between the people.
356
842000
2000
množství hovorů mezi těmito lidmi.
14:19
And we can use such data, that's being passively obtained,
357
844000
3000
Tyto údaje, které jsme získali pasivně, můžeme použít
14:22
to map these whole countries
358
847000
2000
k zmapování těchto zemí
14:24
and understand who is located where within the network.
359
849000
3000
a k pochopení, kdo se nachází kde v rámci této sítě.
14:27
Without actually having to query them at all,
360
852000
2000
Aniž bychom museli s kýmkoliv mluvit,
14:29
we can get this kind of a structural insight.
361
854000
2000
můžeme zjistit, jaká je struktura dané sítě.
14:31
And other sources of information, as you're no doubt aware
362
856000
3000
Dalším zdrojem takovýchto informací,
14:34
are available about such features, from email interactions,
363
859000
3000
což si určitě uvědomujete, je výměna emailů,
14:37
online interactions,
364
862000
2000
online interakce,
14:39
online social networks and so forth.
365
864000
3000
online sociální sítě, a tak dále.
14:42
And in fact, we are in the era of what I would call
366
867000
2000
Nacházíme se v době, kterou bych mohl nazvat
14:44
"massive-passive" data collection efforts.
367
869000
3000
"masivně pasivní" snahou o sběr dat.
14:47
They're all kinds of ways we can use massively collected data
368
872000
3000
Jsou zde různé způsoby, jak můžeme použít masově získaná data
14:50
to create sensor networks
369
875000
3000
k vytvoření senzorů v síti,
14:53
to follow the population,
370
878000
2000
abychom sledovali danou populaci
14:55
understand what's happening in the population,
371
880000
2000
a pochopili, k čemu v této populaci dochází,
14:57
and intervene in the population for the better.
372
882000
3000
a mohli tak zasáhnout a přispět ke zlepšení.
15:00
Because these new technologies tell us
373
885000
2000
Protože nové technologie nám nejen
15:02
not just who is talking to whom,
374
887000
2000
řeknou, kdo mluví s kým,
15:04
but where everyone is,
375
889000
2000
ale také kde se kdo nachází,
15:06
and what they're thinking based on what they're uploading on the Internet,
376
891000
3000
a podle toho, co zveřejňují na internetu, co si myslí,
15:09
and what they're buying based on their purchases.
377
894000
2000
a podle toho co kupují, podle jejich předešlých nákupů.
15:11
And all this administrative data can be pulled together
378
896000
3000
Všechny takovéto informace mohou být shromážděny
15:14
and processed to understand human behavior
379
899000
2000
a použity k pochopili lidského jednání
15:16
in a way we never could before.
380
901000
3000
způsobem, jaký do té doby nebyl možný.
15:19
So, for example, we could use truckers' purchases of fuel.
381
904000
3000
Mohli bychom například použít údaje o nákupu paliva autodopravci.
15:22
So the truckers are just going about their business,
382
907000
2000
Takže autodopravce dělá svou práci,
15:24
and they're buying fuel.
383
909000
2000
a kupuje palivo.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
911000
3000
My vidíme, že autodopravcův nákup paliva vyskočil nahoru,
15:29
and we know that a recession is about to end.
385
914000
2000
a víme, že recese brzo skončí.
15:31
Or we can monitor the velocity
386
916000
2000
Nebo můžeme monitorovat rychlost,
15:33
with which people are moving with their phones on a highway,
387
918000
3000
s jakou se lidé s telefony pohybují na dálnici,
15:36
and the phone company can see,
388
921000
2000
takže telefonní společnost může vidět,
15:38
as the velocity is slowing down,
389
923000
2000
že se rychlost snižuje, takže
15:40
that there's a traffic jam.
390
925000
2000
je tam dopravní zácpa.
15:42
And they can feed that information back to their subscribers,
391
927000
3000
Tyto informace pak mohou zpět poskytnout svým klientům,
15:45
but only to their subscribers on the same highway
392
930000
2000
ale pouze těm, kteří jsou na té samé dálnici
15:47
located behind the traffic jam!
393
932000
2000
mířící k té dopravní zácpě!
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
934000
3000
Můžeme pasivně sledovat, jak doktoři předepisují léky,
15:52
and see how the diffusion of innovation with pharmaceuticals
395
937000
3000
a uvidíme, jak se nové farmaceutické produkty
15:55
occurs within [networks of] doctors.
396
940000
2000
šíří v rámci [sítě] doktorů.
15:57
Or again, we can monitor purchasing behavior in people
397
942000
2000
Opět, můžeme monitorovat, jak lidé nakupují
15:59
and watch how these types of phenomena
398
944000
2000
a sledovat jak se takové jevy
16:01
can diffuse within human populations.
399
946000
3000
mohou šířit v rámci populace.
16:04
And there are three ways, I think,
400
949000
2000
Zde jsou tři způsoby,
16:06
that these massive-passive data can be used.
401
951000
2000
jak tato masivně pasivní data mohou být použita.
16:08
One is fully passive,
402
953000
2000
První je zcela pasivní,
16:10
like I just described --
403
955000
2000
jak jsem již popsal --
16:12
as in, for instance, the trucker example,
404
957000
2000
třeba ten příklad autodopravců,
16:14
where we don't actually intervene in the population in any way.
405
959000
2000
kde vlastně vůbec nezasahujeme do dané populace.
16:16
One is quasi-active,
406
961000
2000
Druhý je napůl aktivní,
16:18
like the flu example I gave,
407
963000
2000
jako příklad chřipky, který jsem uvedl,
16:20
where we get some people to nominate their friends
408
965000
3000
kde necháme určité lidi nominovat své přátele,
16:23
and then passively monitor their friends --
409
968000
2000
a pak pasivně sledujeme tyto přátele --
16:25
do they have the flu, or not? -- and then get warning.
410
970000
2000
mají chřipku, nebo ne? -- až dostaneme varování.
16:27
Or another example would be,
411
972000
2000
Další příklad by byl,
16:29
if you're a phone company, you figure out who's central in the network
412
974000
3000
jste-li telefonní společnost, zjistíte, kdo je v centru sítě,
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
977000
3000
a zeptáte se jich: "Můžete nám každý den poslat SMS se svou tělesnou teplotou?
16:35
Just text us your temperature."
414
980000
2000
Jen nám pošlete svou teplotu."
16:37
And collect vast amounts of information about people's temperature,
415
982000
3000
Sbíráte rozsáhlé informace o teplotě lidí,
16:40
but from centrally located individuals.
416
985000
2000
ale od lidí, kteří jsou ve středu.
16:42
And be able, on a large scale,
417
987000
2000
A jste schopni, ve velkém měřítku,
16:44
to monitor an impending epidemic
418
989000
2000
monitorovat hrozící epidemii
16:46
with very minimal input from people.
419
991000
2000
s jen minimálním vkladem informací od lidí.
16:48
Or, finally, it can be more fully active --
420
993000
2000
A nakonec třetí, který je aktivní --
16:50
as I know subsequent speakers will also talk about today --
421
995000
2000
následující řečník o tom dnes bude rovněž mluvit --
16:52
where people might globally participate in wikis,
422
997000
2000
kde se lidé mohou globálně účastnit ve wiki systémech,
16:54
or photographing, or monitoring elections,
423
999000
3000
nebo fotografování, monitorování voleb,
16:57
and upload information in a way that allows us to pool
424
1002000
2000
a nahrávání údajů způsobem, který nám umožňuje sdílet
16:59
information in order to understand social processes
425
1004000
2000
informace za účelem porozumět sociálním procesům
17:01
and social phenomena.
426
1006000
2000
a společenským jevům.
17:03
In fact, the availability of these data, I think,
427
1008000
2000
Myslím, že dostupnost těchto údajů,
17:05
heralds a kind of new era
428
1010000
2000
ohlašuje určitou novou éru,
17:07
of what I and others would like to call
429
1012000
2000
něčeho, co bych spolu s ostatními chtěl označit jako
17:09
"computational social science."
430
1014000
2000
"výpočetní společenské vědy".
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1016000
3000
To je jako když Galileo vynalezl -- nevynalezl --
17:14
came to use a telescope
432
1019000
2000
začal používat telescop
17:16
and could see the heavens in a new way,
433
1021000
2000
a uviděl nebe novým způsobem,
17:18
or Leeuwenhoek became aware of the microscope --
434
1023000
2000
nebo Leeuwenhoek, který začal používat mikroskop --
17:20
or actually invented --
435
1025000
2000
-- vlastně vynalezl --
17:22
and could see biology in a new way.
436
1027000
2000
pohlédl na biologii novým způsobem.
17:24
But now we have access to these kinds of data
437
1029000
2000
Nyní máme přístup k těmto údajům,
17:26
that allow us to understand social processes
438
1031000
2000
které nám umožňují pochopit společenské procesy
17:28
and social phenomena
439
1033000
2000
a společenské jevy
17:30
in an entirely new way that was never before possible.
440
1035000
3000
zcela novým způsobem, který do té doby nebyl možný.
17:33
And with this science, we can
441
1038000
2000
S touto znalostí můžeme
17:35
understand how exactly
442
1040000
2000
pochopit, jak přesně
17:37
the whole comes to be greater
443
1042000
2000
celek může být větší
17:39
than the sum of its parts.
444
1044000
2000
než součet jeho částí.
17:41
And actually, we can use these insights
445
1046000
2000
Dokonce můžeme použít tyto zjištění
17:43
to improve society and improve human well-being.
446
1048000
3000
ke zlepšení společnosti a lidského blahobytu.
17:46
Thank you.
447
1051000
2000
Děkuji.
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