TED@Cannes
Nicholas Christakis: How social networks predict epidemics
Νικόλας Χριστάκης: Πως τα κοινωνικά δίκτυα προβλέπουν επιδημίες
Filmed:
Readability: 4.9
669,862 views
Μετά τη χαρτογράφηση περίπλοκων κοινωνικών δικτύων των ανθρώπων, ο Νικόλας Χριστάκης και ο συνάδελφός του Τζέιμς Φάουλερ άρχισαν να ερευνούν πως αυτή η πληροφορία θα μπορούσε να βελτιώσει τις ζωές μας. Τώρα, αποκαλύπτει τα μόλις δημοσιεμένα ευρήματά του: Αυτά τα δίκτυα μπορούν να χρησιμοποιηθούν στην ανίχνευση επιδημικών φαινομένων νωρίτερα από ποτέ, από την εξάπλωση καινοτόμων ιδεών μέχρι τις επικίνδυνες συμπεριφορές και τους ιούς (όπως ο Η1Ν1).
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
Τα τελευταία δέκα χρόνια, περνάω τον καιρό μου προσπαθώντας να καταλάβω
00:18
how and why human beings
1
3000
2000
πώς και γιατί τα ανθρώπινα όντα
00:20
assemble themselves into social networks.
2
5000
3000
συναθροίζονται σε κοινωνικά δίκτυα.
00:23
And the kind of social network I'm talking about
3
8000
2000
Και το είδος των κοινωνικών δικτύων για το οποίο μιλάω
00:25
is not the recent online variety,
4
10000
2000
δεν είναι η πρόσφατη online ποικιλία,
00:27
but rather, the kind of social networks
5
12000
2000
αλλά περισσότερο, το είδος των κοινωνικών δικτύων
00:29
that human beings have been assembling for hundreds of thousands of years,
6
14000
3000
στα οποία τα ανθρώπινα όντα συναθροίζονται εδώ και εκατοντάδες χιλιάδες χρόνια,
00:32
ever since we emerged from the African savannah.
7
17000
3000
από τότε που εμφανιστήκαμε στην Αφρικανική σαβάνα.
00:35
So, I form friendships and co-worker
8
20000
2000
Λοιπόν, δημιουργώ φιλίες και συνεργατικές
00:37
and sibling and relative relationships with other people
9
22000
3000
και αδελφικές και συγγενικές σχέσεις με άλλους ανθρώπους
00:40
who in turn have similar relationships with other people.
10
25000
2000
που με τη σειρά τους έχουν παρόμοιες σχέσεις με άλλους ανθρώπους.
00:42
And this spreads on out endlessly into a distance.
11
27000
3000
Και αυτό εξαπλώνεται αδιάκοπα σε μεγάλη απόσταση.
00:45
And you get a network that looks like this.
12
30000
2000
Και παίρνετε ένα δίκτυο που μοιάζει με αυτό.
00:47
Every dot is a person.
13
32000
2000
Κάθε τελεία είναι ένα άτομο.
00:49
Every line between them is a relationship between two people --
14
34000
2000
Κάθε γραμμή ανάμεσά τους είναι μια σχέση μεταξύ δυο ανθρώπων --
00:51
different kinds of relationships.
15
36000
2000
διάφορα είδη σχέσεων.
00:53
And you can get this kind of vast fabric of humanity,
16
38000
3000
Και μπορείτε να πάρετε αυτό το είδος τεράστιου ιστού της ανθρωπότητας,
00:56
in which we're all embedded.
17
41000
2000
στον οποίο όλοι είμαστε ενσωματωμένοι.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
43000
3000
Και ο συνεργάτης μου, ο Τζέιμς Φάουλερ, κι εγώ μελετάμε εδώ και αρκετό καιρό
01:01
what are the mathematical, social,
19
46000
2000
ποιοι είναι οι μαθηματικοί, κοινωνικοί,
01:03
biological and psychological rules
20
48000
3000
βιολογικοί και ψυχολογικοί κανόνες
01:06
that govern how these networks are assembled
21
51000
2000
που καθορίζουν τον τρόπο με τον οποίο αυτά τα δίκτυα σχηματίζονται
01:08
and what are the similar rules
22
53000
2000
και ποιοι είναι οι παρόμοιοι κανόνες
01:10
that govern how they operate, how they affect our lives.
23
55000
3000
που καθορίζουν τον τρόπο που αυτά διευθύνουν, που επηρεάζουν τις ζωές μας.
01:13
But recently, we've been wondering
24
58000
2000
Και πρόσφατα, αναρωτιώμαστε
01:15
whether it might be possible to take advantage of this insight,
25
60000
3000
αν θα ήταν δυνατό να επωφεληθούμε από αυτή την επίγνωση,
01:18
to actually find ways to improve the world,
26
63000
2000
ώστε πράγματι να βρούμε τρόπους να βελτιώσουμε τον κόσμο,
01:20
to do something better,
27
65000
2000
να κάνουμε κάτι καλύτερο,
01:22
to actually fix things, not just understand things.
28
67000
3000
πράγματι να διορθώσουμε πράγματα, όχι απλά να καταλάβουμε πράγματα.
01:25
So one of the first things we thought we would tackle
29
70000
3000
Έτσι ένα από τα πρώτα πράγματα που σκεφτήκαμε να αντιμετωπίσουμε
01:28
would be how we go about predicting epidemics.
30
73000
3000
ήταν πώς προσεγγίζουμε την πρόβλεψη επιδημιών.
01:31
And the current state of the art in predicting an epidemic --
31
76000
2000
Και η τρέχουσα πρακτική στην πρόβλεψη μιας επιδημίας --
01:33
if you're the CDC or some other national body --
32
78000
3000
αν είστε το CDC (Κέντρα Ελέγχου και Πρόληψης Ασθενειών) ή κάποιο άλλο εθνικό σώμα --
01:36
is to sit in the middle where you are
33
81000
2000
είναι να καθήσεις στη μέση εκεί που είσαι
01:38
and collect data
34
83000
2000
και να συλλέγεις δεδομένα
01:40
from physicians and laboratories in the field
35
85000
2000
από γιατρούς και εργαστήρια του τομέα
01:42
that report the prevalence or the incidence of certain conditions.
36
87000
3000
που αναφέρουν την εξάπλωση ή τη συχνότητα συγκεκριμένων καταστάσεων.
01:45
So, so and so patients have been diagnosed with something,
37
90000
3000
Λοιπόν, ανώνυμοι ασθενείς έχουν διαγνωστεί με κάτι [εδώ]
01:48
or other patients have been diagnosed,
38
93000
2000
ή άλλοι ασθενείς έχουν διαγνωστεί [εδώ],
01:50
and all these data are fed into a central repository, with some delay.
39
95000
3000
και όλα αυτά τα δεδομένα τροφοδοτούν ένα κεντρικό αρχειοστάσιο, με κάποια καθυστέρηση.
01:53
And if everything goes smoothly,
40
98000
2000
Και αν όλα κυλήσουν ομαλά,
01:55
one to two weeks from now
41
100000
2000
σε μια με δυο βδομάδες από τώρα,
01:57
you'll know where the epidemic was today.
42
102000
3000
θα ξέρετε που ήταν η επιδημία σήμερα.
02:00
And actually, about a year or so ago,
43
105000
2000
Και πράγματι, πριν από περίπου ένα χρόνο,
02:02
there was this promulgation
44
107000
2000
υπήρξε αυτή η δημοσίευση
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
109000
3000
της ιδέας του Google Flu Trends, αναφορικά με τη γρίπη,
02:07
where by looking at people's searching behavior today,
46
112000
3000
όπου, παρατηρώντας τι αναζητούν οι άνθρωποι σήμερα,
02:10
we could know where the flu --
47
115000
2000
θα μπορούσαμε να ξέρουμε που η γρίπη ...
02:12
what the status of the epidemic was today,
48
117000
2000
ποια ήταν η κατάσταση της επιδημίας σήμερα,
02:14
what's the prevalence of the epidemic today.
49
119000
3000
ποια ήταν η εξάπλωση της επιδημίας σήμερα.
02:17
But what I'd like to show you today
50
122000
2000
Αλλά αυτό που θα ήθελα να σας δείξω σήμερα
02:19
is a means by which we might get
51
124000
2000
είναι ένα μέσο με το οποίο θα μπορούσαμε να πάρουμε
02:21
not just rapid warning about an epidemic,
52
126000
3000
όχι απλώς ταχεία προειδοποίηση για μια επιδημία,
02:24
but also actually
53
129000
2000
αλλά επίσης πραγματικά
02:26
early detection of an epidemic.
54
131000
2000
έγκαιρη ανίχνευση μιας επιδημίας.
02:28
And, in fact, this idea can be used
55
133000
2000
Και, στην πραγματικότητα, αυτή η ιδέα μπορεί να χρησιμοποιηθεί
02:30
not just to predict epidemics of germs,
56
135000
3000
όχι απλά στην πρόβλεψη επιδημιών από μικρόβια
02:33
but also to predict epidemics of all sorts of kinds.
57
138000
3000
αλλά επίσης στην πρόβλεψη επιδημιών κάθε είδους.
02:37
For example, anything that spreads by a form of social contagion
58
142000
3000
Για παράδειγμα, κάθε τι που εξαπλώνεται με μια μορφή κοινωνικής μετάδοσης
02:40
could be understood in this way,
59
145000
2000
θα μπορούσε να γίνει κατανοητό με αυτό τον τρόπο,
02:42
from abstract ideas on the left
60
147000
2000
από αφηρημένες ιδέες στα αριστερά
02:44
like patriotism, or altruism, or religion
61
149000
3000
όπως ο πατριωτισμός, ή ο αλτρουισμός, ή η θρησκεία,
02:47
to practices
62
152000
2000
μέχρι συνήθειες
02:49
like dieting behavior, or book purchasing,
63
154000
2000
όπως διατροφικές συνήθειες, ή αγορά βιβλίων,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
156000
3000
ή κατανάλωση αλκοόλ, ή κράνη ποδηλάτων [και] άλλα μέτρα ασφαλείας,
02:54
or products that people might buy,
65
159000
2000
ή προϊόντα που οι άνθρωποι ίσως αγόραζαν,
02:56
purchases of electronic goods,
66
161000
2000
αγορές ηλεκτρονικών αγαθών,
02:58
anything in which there's kind of an interpersonal spread.
67
163000
3000
οτιδήποτε στο οποίο ενυπάρχει ένα είδος διαπροσωπικής εξάπλωσης.
03:01
A kind of a diffusion of innovation
68
166000
2000
Ένα είδος διάχυσης καινοτομίας
03:03
could be understood and predicted
69
168000
2000
θα μπορούσε να γίνει κατανοητό και να προβλεφθεί
03:05
by the mechanism I'm going to show you now.
70
170000
3000
από το μηχανισμό τον οποίο πρόκειται να σας δείξω τώρα.
03:08
So, as all of you probably know,
71
173000
2000
Λοιπόν, όπως πιθανώς όλοι γνωρίζετε,
03:10
the classic way of thinking about this
72
175000
2000
ο κλασικός τρόπος να σκεφτόμαστε γι' αυτό
03:12
is the diffusion-of-innovation,
73
177000
2000
είναι η διάχυση καινοτομίας,
03:14
or the adoption curve.
74
179000
2000
ή η καμπύλη υιοθέτησης.
03:16
So here on the Y-axis, we have the percent of the people affected,
75
181000
2000
Έτσι εδώ στον άξονα Υ, έχουμε το ποσοστό των ανθρώπων που επηρεάζονται,
03:18
and on the X-axis, we have time.
76
183000
2000
και στον άξονα Χ, έχουμε το χρόνο.
03:20
And at the very beginning, not too many people are affected,
77
185000
3000
Και ακριβώς στην αρχή, δεν έχουν επηρεαστεί πάρα πολλοί άνθρωποι,
03:23
and you get this classic sigmoidal,
78
188000
2000
και παίρνετε αυτή την κλασική σιγμοειδή,
03:25
or S-shaped, curve.
79
190000
2000
ή σχήματος S, καμπύλη.
03:27
And the reason for this shape is that at the very beginning,
80
192000
2000
Και ο λόγος γι' αυτό το σχήμα είναι ότι ακριβώς στην αρχή,
03:29
let's say one or two people
81
194000
2000
ας πούμε ένας ή δυο άνθρωποι
03:31
are infected, or affected by the thing
82
196000
2000
έχουν επηρεαστεί, ή μολυνθεί, από τον παράγοντα,
03:33
and then they affect, or infect, two people,
83
198000
2000
και στη συνέχεια επηρεάζουν ή μολύνουν, δυο ανθρώπους,
03:35
who in turn affect four, eight, 16 and so forth,
84
200000
3000
που με τη σειρά τους επηρεάζουν τέσσερις, οκτώ, δεκαέξι κ.ο.κ.,
03:38
and you get the epidemic growth phase of the curve.
85
203000
3000
και έχετε την επιδημική φάση αύξησης της καμπύλης.
03:41
And eventually, you saturate the population.
86
206000
2000
Και τελικά, γεμίζετε όλο τον πληθυσμό.
03:43
There are fewer and fewer people
87
208000
2000
Υπάρχουν όλο και λιγότεροι άνθρωποι
03:45
who are still available that you might infect,
88
210000
2000
που ακόμα θα μπορούσατε να μολύνετε,
03:47
and then you get the plateau of the curve,
89
212000
2000
και τότε παίρνετε το πλατώ της καμπύλης,
03:49
and you get this classic sigmoidal curve.
90
214000
3000
και έχετε αυτή την κλασική σιγμοειδή καμπύλη.
03:52
And this holds for germs, ideas,
91
217000
2000
Και αυτό ισχύει για μικρόβια, ιδέες,
03:54
product adoption, behaviors,
92
219000
2000
υιοθέτηση προϊόντων, συμπεριφορές,
03:56
and the like.
93
221000
2000
και τα συναφή.
03:58
But things don't just diffuse in human populations at random.
94
223000
3000
Αλλά τα πράγματα δεν διαχέονται απλά στους ανθρώπινους πληθυσμούς τυχαία.
04:01
They actually diffuse through networks.
95
226000
2000
Στην πραγματικότητα διαχέονται μέσω δικτύων.
04:03
Because, as I said, we live our lives in networks,
96
228000
3000
Επειδή, όπως είπα, ζούμε τις ζωές μας σε δίκτυα,
04:06
and these networks have a particular kind of a structure.
97
231000
3000
και αυτά τα δίκτυα έχουν ένα συγκεκριμένο είδος δομής.
04:09
Now if you look at a network like this --
98
234000
2000
Τώτα αν κοιτάξετε ένα δίκτυο σαν αυτό ...
04:11
this is 105 people.
99
236000
2000
Αυτό είναι 105 άνθρωποι.
04:13
And the lines represent -- the dots are the people,
100
238000
2000
Και οι γραμμές απεικονίζουν ... οι τελείες είναι οι άνθρωποι,
04:15
and the lines represent friendship relationships.
101
240000
2000
και οι γραμμές απεικονίζουν φιλικές σχέσεις.
04:17
You might see that people occupy
102
242000
2000
Μπορεί να βλέπετε ότι οι άνθρωποι καταλαμβάνουν
04:19
different locations within the network.
103
244000
2000
διαφορετικές θέσεις μέσα στο δίκτυο.
04:21
And there are different kinds of relationships between the people.
104
246000
2000
Και υπάρχουν διαφορετικά είδη σχέσεων μεταξύ των ανθρώπων.
04:23
You could have friendship relationships, sibling relationships,
105
248000
3000
Θα μπορούσατε να έχετε φιλικές σχέσεις, αδελφικές σχέσεις,
04:26
spousal relationships, co-worker relationships,
106
251000
3000
συζυγικές σχέσεις, συναδελφικές σχέσεις,
04:29
neighbor relationships and the like.
107
254000
3000
γειτονικές σχέσεις και τα συναφή.
04:32
And different sorts of things
108
257000
2000
Και διαφορετικά είδη πραγμάτων
04:34
spread across different sorts of ties.
109
259000
2000
εξαπλώνονται κατά μήκος διαφορετικών ειδών δεσμών.
04:36
For instance, sexually transmitted diseases
110
261000
2000
Για παράδειγμα, σεξουαλικώς μεταδιδόμενες ασθένειες
04:38
will spread across sexual ties.
111
263000
2000
θα εξαπλώνονται κατά μήκος σεξουαλικών δεσμών.
04:40
Or, for instance, people's smoking behavior
112
265000
2000
Ή, για παράδειγμα, η καπνιστική συμπεριφορά των ανθρώπων
04:42
might be influenced by their friends.
113
267000
2000
θα μπορούσε να επηρεαστεί από τους φίλους τους.
04:44
Or their altruistic or their charitable giving behavior
114
269000
2000
Ή η αλτρουιστική ή η φιλανθρωπική τους συμπεριφορά
04:46
might be influenced by their coworkers,
115
271000
2000
θα μπορούσε να επηρεαστεί από τους συνεργάτες τους,
04:48
or by their neighbors.
116
273000
2000
ή από τους γείτονές τους.
04:50
But not all positions in the network are the same.
117
275000
3000
Αλλά δεν είναι όλες οι θέσεις μέσα στο δίκτυο ίδιες.
04:53
So if you look at this, you might immediately grasp
118
278000
2000
Έτσι αν κοιτάξετε αυτό, θα μπορούσατε αμέσως να αντιληφθείτε
04:55
that different people have different numbers of connections.
119
280000
3000
ότι διαφορετικοί άνθρωποι έχουν διαφορετικούς αριθμούς συνδέσμων.
04:58
Some people have one connection, some have two,
120
283000
2000
Μερικοί άνθρωποι έχουν ένα σύνδεσμο, μερικοί έχουν δύο,
05:00
some have six, some have 10 connections.
121
285000
3000
μερικοί έχουν έξι, μερικοί έχουν δέκα συνδέσμους.
05:03
And this is called the "degree" of a node,
122
288000
2000
Και αυτό ονομάζεται "βαθμός" κόμβου,
05:05
or the number of connections that a node has.
123
290000
2000
ή ο αριθμός των συνδέσμων που έχει ένας κόμβος.
05:07
But in addition, there's something else.
124
292000
2000
Αλλά, επιπροσθέτως, υπάρχει κάτι άλλο.
05:09
So, if you look at nodes A and B,
125
294000
2000
Λοιπόν, αν κοιτάξετε τους κόμβους Α και Β,
05:11
they both have six connections.
126
296000
2000
και οι δυο έχουν έξι συνδέσμους
05:13
But if you can see this image [of the network] from a bird's eye view,
127
298000
3000
Αλλά αν μπορείτε να δείτε αυτή την εικόνα [του δικτύου] από ψηλά,
05:16
you can appreciate that there's something very different
128
301000
2000
μπορείτε να καταλάβετε ότι υπάρχει κάτι πολύ διαφορετικό
05:18
about nodes A and B.
129
303000
2000
σχετικά με τους κόμβους Α και Β.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
305000
3000
Λοιπον, επιτρέψτε μου να σας ρωτήσω το εξής -- Μπορώ να καλλιεργήσω αυτή τη διαίσθηση κάνοντας μια ερώτηση --
05:23
who would you rather be
131
308000
2000
ποιος θα προτιμούσατε να είστε
05:25
if a deadly germ was spreading through the network, A or B?
132
310000
3000
αν ένα θανατηφόρο μικρόβιο εξαπλωνόταν μέσω του δικτύου, ο Α ή ο Β;
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
313000
2000
(Κοινό: ο Β) Νικόλας Χριστάκης: ο Β, είναι προφανές.
05:30
B is located on the edge of the network.
134
315000
2000
Ο Β είναι τοποθετημένος στην άκρη του δκτύου.
05:32
Now, who would you rather be
135
317000
2000
Τώρα, ποιος θα προτιμούσατε να είστε
05:34
if a juicy piece of gossip were spreading through the network?
136
319000
3000
αν ένα ζουμερό κουτσομπολιό εξαπλωνόταν μέσω του δικτύου;
05:37
A. And you have an immediate appreciation
137
322000
3000
Ο Α. Και έχετε μια άμεση εκτίμηση
05:40
that A is going to be more likely
138
325000
2000
ότι ο Α είναι πιο πιθανό
05:42
to get the thing that's spreading and to get it sooner
139
327000
3000
να πάρει αυτό που εξαπλώνεται και να το πάρει γρηγορότερα
05:45
by virtue of their structural location within the network.
140
330000
3000
λόγω της δομικής του θέσης μέσα στο δίκτυο.
05:48
A, in fact, is more central,
141
333000
2000
Ο Α, στην πραγματικότητα, είναι πιο κεντρικός,
05:50
and this can be formalized mathematically.
142
335000
3000
και αυτό μπορεί να επικυρωθεί μαθηματικά.
05:53
So, if we want to track something
143
338000
2000
Έτσι, αν θέλαμε να εντοπίσουμε κάτι
05:55
that was spreading through a network,
144
340000
3000
που εξαπλωνόταν μέσω ενός δικτύου,
05:58
what we ideally would like to do is to set up sensors
145
343000
2000
το ιδανικό θα ήταν να βάλουμε αισθητήρες
06:00
on the central individuals within the network,
146
345000
2000
στα κεντρικά άτομα μέσα στο δίκτυο,
06:02
including node A,
147
347000
2000
συμπεριλαμβανομένου του κόμβου A,
06:04
monitor those people that are right there in the middle of the network,
148
349000
3000
να παρακολουθούμε εκείνους τους ανθρώπους που είναι ακριβώς εκεί στη μέση του δικτύου,
06:07
and somehow get an early detection
149
352000
2000
και με κάποιο τρόπο να έχουμε μια έγκαιρη ανίχνευση
06:09
of whatever it is that is spreading through the network.
150
354000
3000
από οτιδήποτε κι αν είναι αυτό που εξαπλώνεται μέσω του δικτύου.
06:12
So if you saw them contract a germ or a piece of information,
151
357000
3000
Με άλλα λόγια, αν τους βλέπατε να έρχονται σε επαφή με ένα μικρόβιο ή μια πληροφορία,
06:15
you would know that, soon enough,
152
360000
2000
θα γνωρίζατε ότι, αρκετά σύντομα,
06:17
everybody was about to contract this germ
153
362000
2000
ο καθένας θα επρόκειτο να έρθει σε επαφή με αυτό το μικρόβιο
06:19
or this piece of information.
154
364000
2000
ή με αυτή την πληροφορία.
06:21
And this would be much better
155
366000
2000
Και αυτό θα ήταν πολύ καλύτερο
06:23
than monitoring six randomly chosen people,
156
368000
2000
από το να παρακολουθείς έξι τυχαία επιλεγμένους ανθρώπους,
06:25
without reference to the structure of the population.
157
370000
3000
χωρίς αναφορά στη δομή του πληθυσμού.
06:28
And in fact, if you could do that,
158
373000
2000
Και στην πραγματικότητα, αν θα μπορούσατε να κάνετε αυτό,
06:30
what you would see is something like this.
159
375000
2000
αυτό που θα βλέπατε είναι κάτι σαν κι αυτό.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
377000
3000
Στον πίνακα στ' αριστερά, πάλι, έχουμε τη σιγμοειδή καμπύλη υιοθέτησης.
06:35
In the dotted red line, we show
161
380000
2000
Στη διακεκομμένη κόκκινη γραμμή, δείχνουμε
06:37
what the adoption would be in the random people,
162
382000
2000
πως θα ήταν η υιοθέτηση σε τυχαίους ανθρώπους,
06:39
and in the left-hand line, shifted to the left,
163
384000
3000
και στη γραμμή στ' αριστερά, μετατοπισμένη στ' αριστερά,
06:42
we show what the adoption would be
164
387000
2000
δείχνουμε πως θα ήταν η υιοθέτηση
06:44
in the central individuals within the network.
165
389000
2000
στα κεντρικά άτομα μέσα στο δίκτυο.
06:46
On the Y-axis is the cumulative instances of contagion,
166
391000
2000
Στον άξονα Υ είναι οι αθροιστικές περιπτώσεις μετάδοσης,
06:48
and on the X-axis is the time.
167
393000
2000
και στον άξονα των Χ είναι ο χρόνος.
06:50
And on the right-hand side, we show the same data,
168
395000
2000
Και στη δεξιά πλευρά, δείχνουμε τα ίδια δεδομένα,
06:52
but here with daily incidence.
169
397000
2000
αλλά εδώ με ημερήσια συχνότητα.
06:54
And what we show here is -- like, here --
170
399000
2000
Και αυτό που δείχνουμε εδώ είναι -- όπως εδώ --
06:56
very few people are affected, more and more and more and up to here,
171
401000
2000
πολύ λίγοι άνθρωποι επηρεάζονται, περισσότεροι και περισσότεροι και περισσότεροι και ως εδώ,
06:58
and here's the peak of the epidemic.
172
403000
2000
και εδώ είναι η κορυφή της επιδημίας.
07:00
But shifted to the left is what's occurring in the central individuals.
173
405000
2000
Αλλά μετατοπισμένο στ' αριστερά είναι αυτό που συμβαίνει στα κεντρικά άτομα.
07:02
And this difference in time between the two
174
407000
3000
Και αυτή η διαφορά στο χρόνο μεταξύ των δυο
07:05
is the early detection, the early warning we can get,
175
410000
3000
είναι η έγκαιρη ανίχνευση, η έγκαιρη προειδοποίηση που μπορούμε να έχουμε,
07:08
about an impending epidemic
176
413000
2000
για μια επικείμενη επιδημία
07:10
in the human population.
177
415000
2000
στον ανθρώπινο πληθυσμό.
07:12
The problem, however,
178
417000
2000
Το πρόβλημα, πάντως,
07:14
is that mapping human social networks
179
419000
2000
είναι ότι η χαρτογράφηση των ανθρώπινων κοινωνικών δικτύων
07:16
is not always possible.
180
421000
2000
δεν είναι πάντα δυνατή.
07:18
It can be expensive, not feasible,
181
423000
2000
Μπορεί να είναι ακριβή, [πολύ δύσκολη],
07:20
unethical,
182
425000
2000
ανήθικη,
07:22
or, frankly, just not possible to do such a thing.
183
427000
3000
ή, ειλικρινά, απλά μη δυνατό να κάνεις κάτι τέτοιο.
07:25
So, how can we figure out
184
430000
2000
Λοιπόν, πώς μπορούμε να καταλάβουμε
07:27
who the central people are in a network
185
432000
2000
ποιοι είναι οι κεντρικοί άνθρωποι σε ένα δίκτυο
07:29
without actually mapping the network?
186
434000
3000
χωρίς στην πραγματικότητα να χαρτογραφήσουμε το δίκτυο;
07:32
What we came up with
187
437000
2000
Αυτό που σκεφτήκαμε
07:34
was an idea to exploit an old fact,
188
439000
2000
ήταν μια ιδέα να εκμεταλλευτούμε ένα παλιό δεδομένο,
07:36
or a known fact, about social networks,
189
441000
2000
ή ένα γνωστό δεδομένο, για τα κοινωνικά δίκτυα,
07:38
which goes like this:
190
443000
2000
που πηγαίνει κάπως έτσι:
07:40
Do you know that your friends
191
445000
2000
Γνωρίζετε ότι οι φίλοι σας
07:42
have more friends than you do?
192
447000
3000
έχουν περισσότερους φίλους από ότι εσείς;
07:45
Your friends have more friends than you do,
193
450000
3000
Οι φίλοι σας έχουν περισσότερους φίλους από εσάς.
07:48
and this is known as the friendship paradox.
194
453000
2000
Και αυτό είναι γνωστό ως το παράδοξο της φιλίας.
07:50
Imagine a very popular person in the social network --
195
455000
2000
Φανταστείτε ένα πολύ δημοφιλές άτομο στο κοινωνικό δίκτυο --
07:52
like a party host who has hundreds of friends --
196
457000
3000
όπως έναν οικοδεσπότη πάρτυ που έχει εκατοντάδες φίλους --
07:55
and a misanthrope who has just one friend,
197
460000
2000
και έναν μισάνθρωπο που έχει μόνο ένα φίλο,
07:57
and you pick someone at random from the population;
198
462000
3000
και διαλέγετε τυχαία κάποιους από τον πληθυσμό,
08:00
they were much more likely to know the party host.
199
465000
2000
θα ήταν πολύ πιο πιθανό να γνωρίζουν τον οικοδεσπότη του πάρτυ.
08:02
And if they nominate the party host as their friend,
200
467000
2000
Και αν ονομάσουν τον οικοδεσπότη του πάρτυ φίλο τους,
08:04
that party host has a hundred friends,
201
469000
2000
εκείνος ο οικοδεσπότης του πάρτυ έχει εκατό φίλους,
08:06
therefore, has more friends than they do.
202
471000
3000
συνεπώς, έχει περισσότερους φίλους από όσους έχουν αυτοί.
08:09
And this, in essence, is what's known as the friendship paradox.
203
474000
3000
Και αυτό, κατ' ουσίαν, είναι γνωστό ως το παράδοξο της φιλίας.
08:12
The friends of randomly chosen people
204
477000
3000
Οι φίλοι τυχαία επιλεγμένων ανθρώπων
08:15
have higher degree, and are more central
205
480000
2000
έχουν υψηλότερο βαθμό, και είναι πιο κεντρικοί,
08:17
than the random people themselves.
206
482000
2000
από τους ίδιους τους τυχαίους ανθρώπους.
08:19
And you can get an intuitive appreciation for this
207
484000
2000
Και μπορείτε να έχετε μια διαισθητική εκτίμηση γι' αυτό
08:21
if you imagine just the people at the perimeter of the network.
208
486000
3000
αν φανταστείτε απλώς τους ανθρώπους στην περίμετρο του δικτύου.
08:24
If you pick this person,
209
489000
2000
Αν διαλέξετε αυτό το άτομο,
08:26
the only friend they have to nominate is this person,
210
491000
3000
ο μόνος φίλος που έχουν να κατονομάσουν είναι αυτό το άτομο,
08:29
who, by construction, must have at least two
211
494000
2000
ο οποίος, λόγω κατασκευής, πρέπει να έχει τουλάχιστον δύο,
08:31
and typically more friends.
212
496000
2000
και τυπικά περισσότερους, φίλους.
08:33
And that happens at every peripheral node.
213
498000
2000
Και αυτό συμβαίνει σε κάθε περιφερειακό κόμβο.
08:35
And in fact, it happens throughout the network as you move in,
214
500000
3000
Και στην πραγματικότητα, αυτό συμβαίνει σε όλο το δίκτυο καθώς κινείσαι μέσα σ'αυτό,
08:38
everyone you pick, when they nominate a random --
215
503000
2000
καθένας που διαλέγεις, όταν ονομάζουν έναν τυχαίο ...
08:40
when a random person nominates a friend of theirs,
216
505000
3000
όταν ένα τυχαίο άτομο ονομάζει ένα φίλο του,
08:43
you move closer to the center of the network.
217
508000
3000
κινείσαι πλησιέστερα προς το κέντρο του δικτύου.
08:46
So, we thought we would exploit this idea
218
511000
3000
Λοιπόν, σκεφτήκαμε να εξερευνήσουμε αυτή την ιδέα
08:49
in order to study whether we could predict phenomena within networks.
219
514000
3000
με σκοπό να μελετήσουμε αν θα μπορούσαμε να προβλέψουμε φαινόμενα μέσα σε δίκτυα.
08:52
Because now, with this idea
220
517000
2000
Επειδή τώρα, με αυτή την ιδέα,
08:54
we can take a random sample of people,
221
519000
2000
μπορούμε να πάρουμε ένα τυχαίο δείγμα ανθρώπων,
08:56
have them nominate their friends,
222
521000
2000
να τους ζητήσουμε να ονομάσουν τους φίλους τους,
08:58
those friends would be more central,
223
523000
2000
εκείνοι οι φίλοι θα ήταν πιο κεντρικοί,
09:00
and we could do this without having to map the network.
224
525000
3000
και θα μπορούσαμε να το κάνουμε χωρίς να χρειάζεται να χαρτογραφήσουμε το δίκτυο.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
528000
3000
Και τεστάραμε αυτή την ιδέα με μια έξαρση της γρίπης Η1Ν1
09:06
at Harvard College
226
531000
2000
στο Κολλέγιο Χάρβαρντ
09:08
in the fall and winter of 2009, just a few months ago.
227
533000
3000
το φθινόπωρο και το χειμώνα του 2009, μόλις λίγους μήνες πριν.
09:11
We took 1,300 randomly selected undergraduates,
228
536000
3000
Πήραμε 1300 τυχαία επιλεγμένους φοιτητές,
09:14
we had them nominate their friends,
229
539000
2000
τους ζητήσαμε να ονομάσουν τους φίλους τους,
09:16
and we followed both the random students and their friends
230
541000
2000
και ακολουθήσαμε και τους τυχαίους φοιτητές και τους φίλους τους
09:18
daily in time
231
543000
2000
καθημερινά
09:20
to see whether or not they had the flu epidemic.
232
545000
3000
για να δούμε αν είχαν ή όχι την επιδημία γρίπης.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
548000
3000
Και το κάναμε αυτό παθητικά εξετάζοντας αν είχαν πάει ή όχι στις υπηρεσίες υγείας του πανεπιστημίου.
09:26
And also, we had them [actively] email us a couple of times a week.
234
551000
3000
Και επίσης, τους ζητήσαμε [ενεργητικά] να μας στέλνουν ένα ηλεκτρονικό μήνυμα δυο φορές την εβδομάδα.
09:29
Exactly what we predicted happened.
235
554000
3000
Ακριβώς αυτό που προβλέψαμε συνέβη.
09:32
So the random group is in the red line.
236
557000
3000
Λοιπόν η τυχαία ομάδα είναι στην κόκκινη γραμμή.
09:35
The epidemic in the friends group has shifted to the left, over here.
237
560000
3000
Η επιδημία στην ομάδα των φίλων έχει μετατοπιστεί στα αριστερά, εδώ.
09:38
And the difference in the two is 16 days.
238
563000
3000
Και η διαφορά ανάμεσα στα δυο είναι 16 μέρες.
09:41
By monitoring the friends group,
239
566000
2000
Παρακολουθώντας την ομάδα των φίλων,
09:43
we could get 16 days advance warning
240
568000
2000
θα μπορούσαμε να έχουμε προειδοποίηση 16 μέρες πριν
09:45
of an impending epidemic in this human population.
241
570000
3000
από μια επικείμενη επιδημία σε αυτό τον ανθρώπινο πληθυσμό.
09:48
Now, in addition to that,
242
573000
2000
Λοιπόν, επιπροσθέτως,
09:50
if you were an analyst who was trying to study an epidemic
243
575000
3000
αν ήσασταν ένας αναλυτής που προσπαθούσε να μελετήσει μια επιδημία
09:53
or to predict the adoption of a product, for example,
244
578000
3000
ή να προβλέψει την υιοθέτηση ενός προϊόντος, για παράδειγμα,
09:56
what you could do is you could pick a random sample of the population,
245
581000
3000
αυτό που να μπορούσατε να κάνετε είναι να διαλέξετε ένα τυχαίο δείγμα του πληθυσμού
09:59
also have them nominate their friends and follow the friends
246
584000
3000
να τους ζητήσετε να ονομάσουν τους φίλους τους και να ακολουθήσουν τους φίλους τους,
10:02
and follow both the randoms and the friends.
247
587000
3000
και να ακολουθήσετε και τους τυχαίους και τους φίλους.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
590000
3000
Ανάμεσα στους φίλους, η πρώτη ένδειξη που θα βλέπατε μιας μικρής μεταβολής πάνω από το μηδέν
10:08
in adoption of the innovation, for example,
249
593000
3000
στην υιοθέτηση καινοτομίας, για παράδειγμα,
10:11
would be evidence of an impending epidemic.
250
596000
2000
θα ήταν στοιχείο για μια επικείμενη επιδημία.
10:13
Or you could see the first time the two curves diverged,
251
598000
3000
Ή θα μπορούσατε να δείτε την πρώτη φορά που οι δυο καμπύλες απέκλιναν,
10:16
as shown on the left.
252
601000
2000
όπως φαίνεται στ' αριστερά.
10:18
When did the randoms -- when did the friends take off
253
603000
3000
Πότε οι τυχαίοι ... πότε οι φίλοι απομακρύνθηκαν
10:21
and leave the randoms,
254
606000
2000
και άφησαν τους τυχαίους,
10:23
and [when did] their curve start shifting?
255
608000
2000
και [πότε] οι καμπύλες άρχισαν να μετατοπίζονται;
10:25
And that, as indicated by the white line,
256
610000
2000
Και αυτό, όπως φαίνεται από τη λευκή γραμμή,
10:27
occurred 46 days
257
612000
2000
συνέβη 46 μέρες
10:29
before the peak of the epidemic.
258
614000
2000
πριν την έξαρση της επιδημίας.
10:31
So this would be a technique
259
616000
2000
Έτσι αυτό θα μπορούσε να είναι μια τεχνική
10:33
whereby we could get more than a month-and-a-half warning
260
618000
2000
όπου θα μπορούσαμε να πάρουμε προειδοποίηση ενάμιση μήνα νωρίτερα
10:35
about a flu epidemic in a particular population.
261
620000
3000
για μια επιδημία γρίπης σε ένα συγκεκριμένο πληθυσμό.
10:38
I should say that
262
623000
2000
Θα έλεγα ότι
10:40
how far advanced a notice one might get about something
263
625000
2000
το πόσο νωρίς θα μπορούσε κάποιος να έχει μια προειδοποίηση για κάτι
10:42
depends on a host of factors.
264
627000
2000
εξαρτάται από διάφορους παράγοντες.
10:44
It could depend on the nature of the pathogen --
265
629000
2000
Θα μπορούσε να εξαρτηθεί από τη φύση του παθογόνου --
10:46
different pathogens,
266
631000
2000
διαφορετικά παθογόνα,
10:48
using this technique, you'd get different warning --
267
633000
2000
με αυτή την τεχνική, θα παίρνατε διαφορετικές προειδοποιήσεις --
10:50
or other phenomena that are spreading,
268
635000
2000
ή από άλλα φαινόμενα που εξαπλώνονται,
10:52
or frankly, on the structure of the human network.
269
637000
3000
ή, ειλικρινά, από τη δομή του ανθρώπινου δικτύου.
10:55
Now in our case, although it wasn't necessary,
270
640000
3000
Τώρα, στην περίπτωσή μας, αν και δεν ήταν απαραίτητο,
10:58
we could also actually map the network of the students.
271
643000
2000
θα μπορούσαμε στην πραγματικότητα να χαρτογραφήσουμε το δίκτυο των φοιτητών.
11:00
So, this is a map of 714 students
272
645000
2000
Αυτός, λοιπόν, είναι ένας χάρτης 714 φοιτητών
11:02
and their friendship ties.
273
647000
2000
και των φιλικών δεσμών τους.
11:04
And in a minute now, I'm going to put this map into motion.
274
649000
2000
Και σε ένα λεπτό, πρόκειται να θέσω αυτό το χάρτη σε κίνηση.
11:06
We're going to take daily cuts through the network
275
651000
2000
Πρόκειται να πάρουμε καθημερινές τομές μέσα στο δίκτυο
11:08
for 120 days.
276
653000
2000
για 120 μέρες.
11:10
The red dots are going to be cases of the flu,
277
655000
3000
Οι κόκκινες τελείες θα είναι περιπτώσεις γρίπης,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
658000
3000
και οι κίτρινες τελείες θα είναι φίλοι των ανθρώπων με γρίπη.
11:16
And the size of the dots is going to be proportional
279
661000
2000
Και το μέγεθος των τελειών θα είναι ανάλογο
11:18
to how many of their friends have the flu.
280
663000
2000
με το πόσοι από τους φίλους τους έχουν γρίπη.
11:20
So bigger dots mean more of your friends have the flu.
281
665000
3000
Έτσι μεγαλύτερες τελείες σημαίνει ότι περισσότεροι από τους φίλους σου έχουν γρίπη.
11:23
And if you look at this image -- here we are now in September the 13th --
282
668000
3000
Και αν κοιτάξετε αυτή την εικόνα -- εδώ είμαστε τώρα στις 13 Σεπτεμβρίου --
11:26
you're going to see a few cases light up.
283
671000
2000
θα δείτε λίγες περιπτώσεις να φωτίζονται.
11:28
You're going to see kind of blooming of the flu in the middle.
284
673000
2000
Πρόκειται να δείτε κάτι σαν έξαρση της γρίπης στη μέση.
11:30
Here we are on October the 19th.
285
675000
3000
Εδώ είμαστε στις 19 Οκτωβρίου.
11:33
The slope of the epidemic curve is approaching now, in November.
286
678000
2000
Η κλίση της επιδημικής καμπύλης πλησιάζει εδώ, στο Νοέμβριο.
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
680000
3000
Μπανγκ, μπανγκ, μπανγκ, μπανγκ, μπανγκ, πρόκειται να δείτε πολλές εξάρσεις στη μέση,
11:38
and then you're going to see a sort of leveling off,
288
683000
2000
και πρόκειται να δείτε ένα είδος ύφεσης,
11:40
fewer and fewer cases towards the end of December.
289
685000
3000
όλο και λιγότερες περιπτώσεις προς τα τέλη Δεκεμβρίου.
11:43
And this type of a visualization
290
688000
2000
Και αυτός ο τύπος οπτικοποίησης
11:45
can show that epidemics like this take root
291
690000
2000
μπορεί να δείξει ότι επιδημίες σαν κι αυτή ξεκινούν
11:47
and affect central individuals first,
292
692000
2000
και επηρεάζουν τα κεντρικά άτομα πρώτα,
11:49
before they affect others.
293
694000
2000
πριν επηρεάσουν άλλους.
11:51
Now, as I've been suggesting,
294
696000
2000
Λοιπόν, όπως προτείνω,
11:53
this method is not restricted to germs,
295
698000
3000
αυτή η μέθοδος δεν περιορίζεται σε μικρόβια,
11:56
but actually to anything that spreads in populations.
296
701000
2000
αλλά στην πραγματικότητα σε οτιδήποτε εξαπλώνεται σε πληθυσμούς.
11:58
Information spreads in populations,
297
703000
2000
Οι πληροφορίες εξαπλώνονται σε πληθυσμούς.
12:00
norms can spread in populations,
298
705000
2000
Τα πρότυπα μπορούν να εξαπλώνονται σε πληθυσμούς.
12:02
behaviors can spread in populations.
299
707000
2000
Οι συμπεριφορές μπορούν να εξαπλώνονται σε πληθυσμούς.
12:04
And by behaviors, I can mean things like criminal behavior,
300
709000
3000
Και λέγοντας συμπεριφορές, μπορώ να εννοώ πράγματα όπως η εγκληματική συμπεριφορά,
12:07
or voting behavior, or health care behavior,
301
712000
3000
ή η εκλογική συμπεριφορά, ή η συμπεριφορά σχετικά με την υγεία,
12:10
like smoking, or vaccination,
302
715000
2000
όπως το κάπνισμα, ή ο εμβολιασμός,
12:12
or product adoption, or other kinds of behaviors
303
717000
2000
ή η υιοθέτηση προϊόντος, ή άλλα είδη συμπεριφοράς
12:14
that relate to interpersonal influence.
304
719000
2000
που σχετίζονται με διαπροσωπική επιρροή.
12:16
If I'm likely to do something that affects others around me,
305
721000
3000
Αν είναι πιθανό να κάνω κάτι που επηρεάζει άλλους γύρω μου,
12:19
this technique can get early warning or early detection
306
724000
3000
αυτή η τεχνική μπορεί να δώσει έγκαιρη προειδοποίηση, ή έγκαιρη ανίχνευση,
12:22
about the adoption within the population.
307
727000
3000
γύρω από την υιοθέτηση μέσα στον πληθυσμό.
12:25
The key thing is that for it to work,
308
730000
2000
Το σημείο κλειδί είναι, ότι για να δουλέψει,
12:27
there has to be interpersonal influence.
309
732000
2000
θα πρέπει να υπάρχει διαπροσωπική επιρροή.
12:29
It cannot be because of some broadcast mechanism
310
734000
2000
Δε μπορεί να είναι λόγω κάποιου μηχανισμού μετάδοσης
12:31
affecting everyone uniformly.
311
736000
3000
που επηρεάζει όλους ομοιόμορφα.
12:35
Now the same insights
312
740000
2000
Τώρα τις ίδιες επιγνώσεις
12:37
can also be exploited -- with respect to networks --
313
742000
3000
μπορούμε επίσης να τις εκμεταλλευτούμε - αντίστοιχα με τα δίκτυα --
12:40
can also be exploited in other ways,
314
745000
3000
μπορούν επίσης να χρησιμοποιηθούν με άλλους τρόπους,
12:43
for example, in the use of targeting
315
748000
2000
για παράδειγμα, στη στοχοποίηση
12:45
specific people for interventions.
316
750000
2000
συγκεκριμένων ανθρώπων για παρεμβάσεις.
12:47
So, for example, most of you are probably familiar
317
752000
2000
Λοιπόν, για παράδειγμα, οι περισσότεροι από εσάς πιθανώς γνωρίζετε
12:49
with the notion of herd immunity.
318
754000
2000
την έννοια της ανοσίας της αγέλης.
12:51
So, if we have a population of a thousand people,
319
756000
3000
Λοιπόν, αν έχουμε ένα πληθυσμό χιλίων ανθρώπων,
12:54
and we want to make the population immune to a pathogen,
320
759000
3000
και θέλουμε να ανοσοποιήσουμε τον πληθυσμό σε ένα παθογόνο,
12:57
we don't have to immunize every single person.
321
762000
2000
δε χρειάζεται να ανοσοποιήσουμε κάθε ένα άτομο.
12:59
If we immunize 960 of them,
322
764000
2000
Αν ανοσοποιήσουμε 960 απ' αυτούς,
13:01
it's as if we had immunized a hundred [percent] of them.
323
766000
3000
είναι σα να είχαμε ανοσοποιήσει το 100% αυτών.
13:04
Because even if one or two of the non-immune people gets infected,
324
769000
3000
Επειδή ακόμα κι αν ένας ή δύο από τους μη ανοσοποιημένους ανθρώπους μολυνθούν,
13:07
there's no one for them to infect.
325
772000
2000
δεν υπάρχει κανένας που να μπορούν να μολύνουν.
13:09
They are surrounded by immunized people.
326
774000
2000
Περιβάλλονται από ανοσοποιημένους ανθρώπους.
13:11
So 96 percent is as good as 100 percent.
327
776000
3000
Έτσι το 96% είναι τόσο καλό όσο και το 100%.
13:14
Well, some other scientists have estimated
328
779000
2000
Λοιπόν, κάποιοι άλλοι επιστήμονες έχουν υπολογίσει
13:16
what would happen if you took a 30 percent random sample
329
781000
2000
τι θα συνέβαινε αν παίρνατε ένα τυχαίο δείγμα του 30%
13:18
of these 1000 people, 300 people and immunized them.
330
783000
3000
από αυτούς τους 1000 ανθρώπους, 300 ανθρώπους και τους ανοσοποιούσατε.
13:21
Would you get any population-level immunity?
331
786000
2000
Θα είχατε ανοσία σε επίπεδο πληθυσμού;
13:23
And the answer is no.
332
788000
3000
Και η απάντηση είναι όχι.
13:26
But if you took this 30 percent, these 300 people
333
791000
2000
Αλλά αν παίρνατε αυτό το 30%, αυτούς τους 300 ανθρώπους,
13:28
and had them nominate their friends
334
793000
2000
και τους ζητούσατε να ονομάσουν τους φίλους τους
13:30
and took the same number of vaccine doses
335
795000
3000
και παίρνατε τον ίδιο αριθμό δόσεων εμβολίων
13:33
and vaccinated the friends of the 300 --
336
798000
2000
και εμβολιάζατε τους φίλους των 300,
13:35
the 300 friends --
337
800000
2000
τους φίλους των 300,
13:37
you can get the same level of herd immunity
338
802000
2000
θα μπορέσετε να έχετε το ίδιο επίπεδο ανοσίας της αγέλης
13:39
as if you had vaccinated 96 percent of the population
339
804000
3000
σα να είχατε εμβολιάσει το 96% του πληθυσμού
13:42
at a much greater efficiency, with a strict budget constraint.
340
807000
3000
με πολύ μεγαλύτερη αποτελεσματικότητα, με αυστηρά περιορισμένο προϋπολογισμό.
13:45
And similar ideas can be used, for instance,
341
810000
2000
Και παρόμοιες ιδέες μπορούν να χρησιμοποιηθούν, για παράδειγμα,
13:47
to target distribution of things like bed nets
342
812000
2000
για να κατευθύνετε την κατανομή αντικειμένων όπως οι κουνουπιέρες
13:49
in the developing world.
343
814000
2000
στον αναπτυσσόμενο κόσμο.
13:51
If we could understand the structure of networks in villages,
344
816000
3000
Αν μπορούσαμε να καταλάβουμε τη δομή των δικτύων στα χωριά,
13:54
we could target to whom to give the interventions
345
819000
2000
θα μπορούσαμε να εστιάσουμε σε ποιον θα αναθέταμε τη μεσολάβηση
13:56
to foster these kinds of spreads.
346
821000
2000
για να προωθήσει αυτά τα είδη των εξαπλώσεων.
13:58
Or, frankly, for advertising with all kinds of products.
347
823000
3000
Ή, ειλικρινά, για να διαφημίσουμε προϊόντα κάθε είδους.
14:01
If we could understand how to target,
348
826000
2000
Αν μπορούσαμε να καταλάβουμε πως να στοχεύσουμε,
14:03
it could affect the efficiency
349
828000
2000
αυτό θα μπορούσε να επηρεάσει την αποτελεσματικότητα
14:05
of what we're trying to achieve.
350
830000
2000
αυτού που προσπαθούμε να επιτύχουμε.
14:07
And in fact, we can use data
351
832000
2000
Και στην πραγματικότητα, μπορούμε να χρησιμοποήσουμε δεδομένα
14:09
from all kinds of sources nowadays [to do this].
352
834000
2000
από πηγές κάθε είδους στις μέρες μας [για να το κάνουμε].
14:11
This is a map of eight million phone users
353
836000
2000
Αυτός είναι ένας χάρτης οκτώ εκατομμυρίων χρηστών τηλεφώνου
14:13
in a European country.
354
838000
2000
σε μια Ευρωπαϊκή χώρα.
14:15
Every dot is a person, and every line represents
355
840000
2000
Κάθε τελεία είναι ένα άτομο, και κάθε γραμμή απεικονίζει
14:17
a volume of calls between the people.
356
842000
2000
έναν όγκο κλήσεων μεταξύ των ανθρώπων.
14:19
And we can use such data, that's being passively obtained,
357
844000
3000
Και μπορούμε να χρησιμοποιήσουμε τέτοια στοιχεία, που συλλέγονται παθητικά,
14:22
to map these whole countries
358
847000
2000
για να χαρτογραφήσουμε ολόκληρες χώρες
14:24
and understand who is located where within the network.
359
849000
3000
και να καταλάβουμε ποιος είναι τοποθετημένος πού μέσα στο δίκτυο.
14:27
Without actually having to query them at all,
360
852000
2000
Πράγματι, χωρίς καθόλου να χρειαστεί να τους ρωτήσουμε,
14:29
we can get this kind of a structural insight.
361
854000
2000
μπορούμε να έχουμε αυτό το είδος δομικής επίγνωσης.
14:31
And other sources of information, as you're no doubt aware
362
856000
3000
Και άλλες πηγές πληροφοριών, όπως χωρίς αμφιβολία γνωρίζετε,
14:34
are available about such features, from email interactions,
363
859000
3000
είναι διαθέσιμες για τέτοια χαρακτηριστικά, από την επικοινωνία με ηλεκτρονικά μηνύματα,
14:37
online interactions,
364
862000
2000
on line επικοινωνία,
14:39
online social networks and so forth.
365
864000
3000
online κοινωνικά δίκτυα, κ.ο.κ.
14:42
And in fact, we are in the era of what I would call
366
867000
2000
Και στην πραγματικότητα, είμαστε στην εποχή αυτού που θα αποκαλούσα
14:44
"massive-passive" data collection efforts.
367
869000
3000
"μαζικές-παθητικές" προσπάθειες συλλογής δεδομένων.
14:47
They're all kinds of ways we can use massively collected data
368
872000
3000
Υπάρχουν κάθε είδους τρόποι που μπορούμε να χρησιμοποιήσουμε μαζικώς συλλεγμένα δεδομένα
14:50
to create sensor networks
369
875000
3000
να δημιουργήσουμε δίκτυα αισθητήρων
14:53
to follow the population,
370
878000
2000
να ακολουθήσουμε τον πληθυσμό,
14:55
understand what's happening in the population,
371
880000
2000
να καταλάβουμε τι συμβαίνει στον πληθυσμό,
14:57
and intervene in the population for the better.
372
882000
3000
και να παρέμβουμε στον πληθυσμό προς το καλύτερο.
15:00
Because these new technologies tell us
373
885000
2000
Επειδή αυτές οι νέες τεχνολογίες μας λένε
15:02
not just who is talking to whom,
374
887000
2000
όχι μόνο ποιος μιλά σε ποιον,
15:04
but where everyone is,
375
889000
2000
αλλά πού είναι ο καθένας,
15:06
and what they're thinking based on what they're uploading on the Internet,
376
891000
3000
και τι σκέφτονται με βάση τι ανεβάζουν στο ίντερνετ,
15:09
and what they're buying based on their purchases.
377
894000
2000
και τι αγοράζουν με βάση τα ψώνια τους.
15:11
And all this administrative data can be pulled together
378
896000
3000
Και όλα αυτά τα διαχειριστικά δεδομένα μπορούν να συγκεντρωθούν
15:14
and processed to understand human behavior
379
899000
2000
και να επεξεργαστούν για να καταλάβουμε την ανθρώπινη συμπεριφορά
15:16
in a way we never could before.
380
901000
3000
με ένα τρόπο που ποτέ πριν δεν μπορούσαμε.
15:19
So, for example, we could use truckers' purchases of fuel.
381
904000
3000
Έτσι, για παράδειγμα θα μπορούσαμε να χρησιμοποιήσουμε τις αγορές καυσίμων των φορτηγατζήδων.
15:22
So the truckers are just going about their business,
382
907000
2000
Έτσι οι φορτηγατζήδες απλώς κάνουν την δουλειά τους,
15:24
and they're buying fuel.
383
909000
2000
και αγοράζουν καύσιμα.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
911000
3000
Και εμείς βλέπουμε μια μικρή άνοδο στις αγορές καυσίμων των φορτηγατζήδων,
15:29
and we know that a recession is about to end.
385
914000
2000
και ξέρουμε ότι μια ύφεση βρίσκεται στο τέλος της.
15:31
Or we can monitor the velocity
386
916000
2000
Ή μπορούμε να καταγράψουμε την ταχύτητα
15:33
with which people are moving with their phones on a highway,
387
918000
3000
με την οποία οι άνθρωποι κινούνται με τα τηλέφωνά τους σε μια λεωφόρο,
15:36
and the phone company can see,
388
921000
2000
και η τηλεφωνική εταιρία μπορεί να δει,
15:38
as the velocity is slowing down,
389
923000
2000
καθώς η ταχύτητα μειώνεται,
15:40
that there's a traffic jam.
390
925000
2000
ότι υπάρχει ένα μποτιλιάρισμα.
15:42
And they can feed that information back to their subscribers,
391
927000
3000
Και μπορούν να προωθήσουν την πληροφορία στους συνδρομητές τους,
15:45
but only to their subscribers on the same highway
392
930000
2000
αλλά μόνο στους συνδρομητές αυτούς που βρίσκονται στον ίδιο αυτοκινητόδρομο
15:47
located behind the traffic jam!
393
932000
2000
και μάλιστα πίσω από το μποτιλιάρισμα!
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
934000
3000
Ή μπορούμε να παρακολουθήσουμε τις συμπεριφορές συνταγογράφησης των γιατρών, παθητικά,
15:52
and see how the diffusion of innovation with pharmaceuticals
395
937000
3000
και να δούμε πώς η διάχυση καινοτομίας με τα φάρμακα
15:55
occurs within [networks of] doctors.
396
940000
2000
συμβαίνει μέσα στα [δίκτυα των] γιατρών.
15:57
Or again, we can monitor purchasing behavior in people
397
942000
2000
Ή πάλι, μπορούμε να καταγράψουμε την αγοραστική συμπεριφορά σε ανθρώπους,
15:59
and watch how these types of phenomena
398
944000
2000
και να παρακολουθήσουμε πώς αυτοί οι τύποι φαινομένων
16:01
can diffuse within human populations.
399
946000
3000
μπορούν να διαχυθούν μέσα στους ανθρώπινους πληθυσμούς.
16:04
And there are three ways, I think,
400
949000
2000
Και υπάρχουν τρεις τρόποι, νομίζω,
16:06
that these massive-passive data can be used.
401
951000
2000
που μπορούν να χρησιμοποιηθούν αυτά τα μαζικά-παθητικά δεδομένα.
16:08
One is fully passive,
402
953000
2000
Ο ένας είναι εντελώς παθητικά,
16:10
like I just described --
403
955000
2000
όπως μόλις περιέγραψα --
16:12
as in, for instance, the trucker example,
404
957000
2000
όπως, για παράδειγμα, στο παράδειγμα των φορτηγατζήδων,
16:14
where we don't actually intervene in the population in any way.
405
959000
2000
όπου στην πραγματικότητα δεν παρεμβαίνουμε στον πληθυσμό με κανένα τρόπο.
16:16
One is quasi-active,
406
961000
2000
Ένας είναι ημι-ενεργητικός,
16:18
like the flu example I gave,
407
963000
2000
όπως το παράδειγμα της γρίπης που παρουσίασα,
16:20
where we get some people to nominate their friends
408
965000
3000
όπου πείθουμε κάποιους ανθρώπους να ονομάσουν τους φίλους τους
16:23
and then passively monitor their friends --
409
968000
2000
και μετά παθητικά παρακολουθούμε τους φίλους τους --
16:25
do they have the flu, or not? -- and then get warning.
410
970000
2000
έχουν τη γρίπη, ή όχι - και μετά παίρνουμε την προειδοποίηση.
16:27
Or another example would be,
411
972000
2000
Ή ένα άλλο παράδειγμα θα ήταν,
16:29
if you're a phone company, you figure out who's central in the network
412
974000
3000
αν ήσασταν μια εταιρεία τηλεφωνίας, θα καταλαβαίνατε ποιοι είναι κεντρικοί στο δίκτυο,
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
977000
3000
και θα ρωτούσατε αυτούς τους ανθρώπους, "Κοιτάξτε, θα μας στέλνετε ένα μήνυμα για τη θερμοκρασία σας κάθε μέρα;
16:35
Just text us your temperature."
414
980000
2000
Απλώς στείλτε μας τη θερμοκρασία σας.'
16:37
And collect vast amounts of information about people's temperature,
415
982000
3000
Και θα συγκεντρώνατε τεράστιες ποσότητες πληροφοριών για τη θερμοκρασία των ανθρώπων,
16:40
but from centrally located individuals.
416
985000
2000
αλλά από κεντρικά τοποθετημένα άτομα.
16:42
And be able, on a large scale,
417
987000
2000
Και θα μπορούσατε, σε μεγάλη κλίμακα,
16:44
to monitor an impending epidemic
418
989000
2000
να παρακολουθείσετε μια επικείμενη επιδημία
16:46
with very minimal input from people.
419
991000
2000
με πολύ λιγες καταχωρήσεις από ανθρώπους.
16:48
Or, finally, it can be more fully active --
420
993000
2000
Ή, τέλος, μπορεί να είναι εντελώς ενεργητικά --
16:50
as I know subsequent speakers will also talk about today --
421
995000
2000
όπως γνωρίζω οι επόμενοι ομιλητές θα μιλήσουν επίσης γι' αυτό σήμερα --
16:52
where people might globally participate in wikis,
422
997000
2000
όπου άνθρωποι θα μπορούσαν παγκοσμίως να συμμετέχουν σε wikis,
16:54
or photographing, or monitoring elections,
423
999000
3000
ή φωτογραφίζοντας ή καταγράφοντας εκλογές,
16:57
and upload information in a way that allows us to pool
424
1002000
2000
και να ανεβάζουν πληροφορίες με ένα τρόπο που μας επιτρέπει να συγκεντρώσουμε
16:59
information in order to understand social processes
425
1004000
2000
πληροφορίες για να καταλάβουμε κοινωνικές διαδικασίες
17:01
and social phenomena.
426
1006000
2000
και κοινωνικά φαινόμενα.
17:03
In fact, the availability of these data, I think,
427
1008000
2000
Στην πραγματικότητα, η διαθεσιμότητα αυτών των δεδομένων, νομίζω,
17:05
heralds a kind of new era
428
1010000
2000
κηρύττει ένα είδος νέας εποχής
17:07
of what I and others would like to call
429
1012000
2000
αυτού που εγώ και άλλοι θα θέλαμε να αποκαλέσουμε
17:09
"computational social science."
430
1014000
2000
"υπολογιστική κοινωνική επιστήμη."
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1016000
3000
Είναι κάπως όπως όταν ο Γαλιλαίος εφήυρε - ή, δεν εφήυρε --
17:14
came to use a telescope
432
1019000
2000
χρησιμοποίησε το τηλεσκόπιο
17:16
and could see the heavens in a new way,
433
1021000
2000
και μπορούσε να δει τους ουρανούς με ένα καινούργιο τρόπο,
17:18
or Leeuwenhoek became aware of the microscope --
434
1023000
2000
ή ο Λέβενχουκ έμαθε για το μικροσκόπιο --
17:20
or actually invented --
435
1025000
2000
ή στην πραγματικότητα το εφήυρε --
17:22
and could see biology in a new way.
436
1027000
2000
και μπορούσε να δει τη βιολογία με ένα νέο τρόπο.
17:24
But now we have access to these kinds of data
437
1029000
2000
Αλλά τώρα έχουμε πρόσβαση σε αυτά τα είδη πληροφοριών
17:26
that allow us to understand social processes
438
1031000
2000
που μας επιτρέπει να κατανοούμε κοινωνικές διαδικασίες
17:28
and social phenomena
439
1033000
2000
και κοινωνικά φαινόμενα
17:30
in an entirely new way that was never before possible.
440
1035000
3000
με έναν εντελώς νέο τρόπο που ποτέ πριν δεν ήταν δυνατό.
17:33
And with this science, we can
441
1038000
2000
Και με αυτή την επιστήμη, μπορούμε
17:35
understand how exactly
442
1040000
2000
να κατανοήσουμε πώς ακριβώς
17:37
the whole comes to be greater
443
1042000
2000
το όλον καταλήγει να γίνει σπουδαιότερο
17:39
than the sum of its parts.
444
1044000
2000
από το σύνολο των μερών του.
17:41
And actually, we can use these insights
445
1046000
2000
Και στην πραγματικότητα, μπορούμε να χρησιμοποιήσουμε αυτή την επίγνωση
17:43
to improve society and improve human well-being.
446
1048000
3000
για να βελτιώσουμε την κοινωνία και να βελτιώσουμε την ανθρώπινη ευημερία.
17:46
Thank you.
447
1051000
2000
Σας ευχαριστώ.
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