TED@Cannes
Nicholas Christakis: How social networks predict epidemics
نیکلاس چریستکیس: چطور شبکه‌های اجتماعی بیماری‌های همه گیر را پیش بینی میکنند؟
Filmed:
Readability: 4.9
669,862 views
بعد از به تصویر کشیدنِ شبکه‌های اجتماعی ، نیکلاس چریستکیس و دوستش جیمز فلاور شروع به تحقیق درباره اینکه چطور این اطلاعات میتواند سطح زندگی ما را بالاتر ببرد. در این جلسه ایشان یکی از تازه‌ترین اخبار در این مورد را به اطلاع میرسانند: امروزه میتوان از این شبکه‌ها استفاده کرد و بیماری‌های واگیر در را زود تر از همیشه تشخیص داد ، همچنین میتوان فهمید کجا‌ها ایدهای نوع متبلور خواهند شد تا حتّی ویروس هایی مثل H1N1 چه رفتاری از خودشان نشان خواهند داد.
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
در ۱۰ سال گذشته ، من وقتم را صرف پیدا کردن اینکه
00:18
how and why human beings
1
3000
2000
چطور و چرا انسانها
00:20
assemble themselves into social networks.
2
5000
3000
از خودشان شبکه‌های اجتماعی میسازند.
00:23
And the kind of social network I'm talking about
3
8000
2000
شبکه اجتماعی که من در مورد آن صحبت میکنم
00:25
is not the recent online variety,
4
10000
2000
از این شبکه‌های اجتماعی که جدیدا در اینترنت پیدا شده نیست
00:27
but rather, the kind of social networks
5
12000
2000
بلکه، نوعی از شبکه اجتماعی است
00:29
that human beings have been assembling for hundreds of thousands of years,
6
14000
3000
که انسانها از صدها هزار سال پیش در اطراف خود درست میکردند
00:32
ever since we emerged from the African savannah.
7
17000
3000
از زمانی که ما از قارهٔ آفریقا جدا شدیم.
00:35
So, I form friendships and co-worker
8
20000
2000
بنابراین من روابط بین دوستان ، همکاران
00:37
and sibling and relative relationships with other people
9
22000
3000
هم نژاد ها و خویشاوندان با سایر افراد را ترسیم میکنم.
00:40
who in turn have similar relationships with other people.
10
25000
2000
که هر یک از این افراد روابط مشابه ای با دیگران دارند
00:42
And this spreads on out endlessly into a distance.
11
27000
3000
و این روابط به صورت نامحدود در مسیری گسترش پیدا می کنند
00:45
And you get a network that looks like this.
12
30000
2000
و در نهایت شما شبکه ای نظیر این را میبینید
00:47
Every dot is a person.
13
32000
2000
هر نقطه یک فرد هست
00:49
Every line between them is a relationship between two people --
14
34000
2000
و هر خط بین آن ها نمایانگر روابط بین دو فرد است
00:51
different kinds of relationships.
15
36000
2000
انواع روابط مختلف
00:53
And you can get this kind of vast fabric of humanity,
16
38000
3000
و در نهایت جامعه وسیعی از انسان ها به این صورت خواهیم داشت
00:56
in which we're all embedded.
17
41000
2000
که همه ما در آن حضور داریم.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
43000
3000
من و همکارم، جیمز فلر برای مدتی است که در این رابطه مطالعه میکنیم
01:01
what are the mathematical, social,
19
46000
2000
تا ببینیم قوانین محاسباتی، اجتماعی
01:03
biological and psychological rules
20
48000
3000
بیولوژی و روانشناختی
01:06
that govern how these networks are assembled
21
51000
2000
حاکم بر این شبکه ها چه گونه شکل گرفته
01:08
and what are the similar rules
22
53000
2000
و قوانین مشترک برای شکل گیری این شبکه ها چیست
01:10
that govern how they operate, how they affect our lives.
23
55000
3000
و چگونه بر زندگی ما تاثیر میگذارند
01:13
But recently, we've been wondering
24
58000
2000
اما اخیرا به این فکر افتادیم
01:15
whether it might be possible to take advantage of this insight,
25
60000
3000
که ببینیم چطور می شود از این اطلاعات طور دیگری استفاده کرد،
01:18
to actually find ways to improve the world,
26
63000
2000
و راهی برای بهتر شدن دنیا پیدا کرد.
01:20
to do something better,
27
65000
2000
کارهای بهتر انجام داد
01:22
to actually fix things, not just understand things.
28
67000
3000
تا در عمل بتوان مسائل را حل کرد، نه اینکه فقط مسائل را درک کرد
01:25
So one of the first things we thought we would tackle
29
70000
3000
بنابراین اولین چیزی که فکر کردیم میتوان از عهده اش بر آمد
01:28
would be how we go about predicting epidemics.
30
73000
3000
مسئله چگونگی پیش بینی بیماری های همه گیر بود
01:31
And the current state of the art in predicting an epidemic --
31
76000
2000
در حال حاضر وضعیت پیش بینی بیماری های همه گیر
01:33
if you're the CDC or some other national body --
32
78000
3000
اگر عضو یک مرکز کنترل دارو و یا یکی از افراد ملی باشید
01:36
is to sit in the middle where you are
33
81000
2000
به گونه ای است که باید منتظربمانید
01:38
and collect data
34
83000
2000
و اطلاعات جمع کنید
01:40
from physicians and laboratories in the field
35
85000
2000
از پزشکان و آزمایشگاه ها ی مرتبط
01:42
that report the prevalence or the incidence of certain conditions.
36
87000
3000
که شیوع یا بروز مسئله خاصی را گزارش میکنند
01:45
So, so and so patients have been diagnosed with something,
37
90000
3000
تعداد بسیار زیادی به بیماری خاصی تشخیص داده می شوند
01:48
or other patients have been diagnosed,
38
93000
2000
یا بیماران دیگری تشخیص داده می شوند
01:50
and all these data are fed into a central repository, with some delay.
39
95000
3000
و همه این اطلاعات با کمی تاخیر در یک مکان جمع آوری می شوند
01:53
And if everything goes smoothly,
40
98000
2000
و اگر همه چیز خوب پیش برود
01:55
one to two weeks from now
41
100000
2000
یک تا دوهفته بعد
01:57
you'll know where the epidemic was today.
42
102000
3000
تازه می فهمید که بیماری همه گیر از کجا شروع شده
02:00
And actually, about a year or so ago,
43
105000
2000
حدودا یک سال پیش بود که
02:02
there was this promulgation
44
107000
2000
ایده ای رواج یافته بود
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
109000
3000
در رابطه با {روند آنفولانزای گوگل}، که با توجه به آنفولانزا
02:07
where by looking at people's searching behavior today,
46
112000
3000
و نحوه جست و جوی مردم
02:10
we could know where the flu --
47
115000
2000
میتوانیم بفهمیم که آنفولانزا کجا بوده
02:12
what the status of the epidemic was today,
48
117000
2000
و وضعیت همه گیری امروز چگونه بوده است
02:14
what's the prevalence of the epidemic today.
49
119000
3000
و شیوع این همه گیری به چه شکل بوده
02:17
But what I'd like to show you today
50
122000
2000
اما چیزی که من امروز قرار است به شما نشان دهم
02:19
is a means by which we might get
51
124000
2000
ابزاری است که از طریق آن
02:21
not just rapid warning about an epidemic,
52
126000
3000
نه تنها خیلی سریع در رابطه با یک بیماری همه گیر هشداردریافت میکنیم
02:24
but also actually
53
129000
2000
بلکه در حقیقت
02:26
early detection of an epidemic.
54
131000
2000
خیلی زود میتوان این بیماری همه گیر را شناسایی کرد
02:28
And, in fact, this idea can be used
55
133000
2000
و در واقع این ایده
02:30
not just to predict epidemics of germs,
56
135000
3000
فقط برای پیش بینی همه گیری میکروبها مناسب نیست
02:33
but also to predict epidemics of all sorts of kinds.
57
138000
3000
بلکه برای انواع همه گیری میتوان از آن استفاده کرد
02:37
For example, anything that spreads by a form of social contagion
58
142000
3000
برای مثال هر چیزی که از طریق اجتماع شیوع پیدا می کند
02:40
could be understood in this way,
59
145000
2000
میتواند از این طریق شناخته شود
02:42
from abstract ideas on the left
60
147000
2000
از موضوعات انتزاعی
02:44
like patriotism, or altruism, or religion
61
149000
3000
مانند وطن دوستی، نوع دوستی، یا مذهب گرفته
02:47
to practices
62
152000
2000
تا کارهایی مثل
02:49
like dieting behavior, or book purchasing,
63
154000
2000
رفتار غذایی، خرید کتاب
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
156000
3000
نوشیدن، کلاه ایمنی دوچرخه سواری و سایر کارهای ایمنی
02:54
or products that people might buy,
65
159000
2000
یا محصولاتی که مردم ممکن است بخرند
02:56
purchases of electronic goods,
66
161000
2000
خرید لوازم الکترونیکی
02:58
anything in which there's kind of an interpersonal spread.
67
163000
3000
یا هرچیزی که در آن نوعی گسترش بین فردی وجود دارد
03:01
A kind of a diffusion of innovation
68
166000
2000
نوعی انتشار نوع آوری
03:03
could be understood and predicted
69
168000
2000
که همه این ها با استفاده از مکانیزمی که توضیح خواهم داد
03:05
by the mechanism I'm going to show you now.
70
170000
3000
قابل درک و قابل پیش بینی هستند
03:08
So, as all of you probably know,
71
173000
2000
پس از آنجایی که احتمالا همه شما میدانید
03:10
the classic way of thinking about this
72
175000
2000
شیوه کلاسیک فکر در رابطه با این موضوع
03:12
is the diffusion-of-innovation,
73
177000
2000
را انتشار نوآوری
03:14
or the adoption curve.
74
179000
2000
یا منحنی تصویب می نامند
03:16
So here on the Y-axis, we have the percent of the people affected,
75
181000
2000
در محور عمودی افرادی که مبتلا به بیماری شده اند نمایش داده شده
03:18
and on the X-axis, we have time.
76
183000
2000
و در محور افقی زمان
03:20
And at the very beginning, not too many people are affected,
77
185000
3000
و در همان ابتدا افراد زیادی به بیماری آلوده نشده اند
03:23
and you get this classic sigmoidal,
78
188000
2000
و در اینجا یک منحنی هلالی شکل
03:25
or S-shaped, curve.
79
190000
2000
شبیه به حرف S داریم
03:27
And the reason for this shape is that at the very beginning,
80
192000
2000
و دلیل به وجود آمدن این شکل این است که در ابتدا
03:29
let's say one or two people
81
194000
2000
مثلا زمانی که یک یا دو نفر
03:31
are infected, or affected by the thing
82
196000
2000
آلوده یا مبتلا به بیماری شده اند
03:33
and then they affect, or infect, two people,
83
198000
2000
دو نفر دیگر را بیمار و مبتلا می کنند
03:35
who in turn affect four, eight, 16 and so forth,
84
200000
3000
و در عوض این دو نفر چهار، هشت، شانزده و همین طور افراد دیگر را مبتلا میسازند
03:38
and you get the epidemic growth phase of the curve.
85
203000
3000
و ما به مرحله رشد همه گیری منحنی خواهیم رسید
03:41
And eventually, you saturate the population.
86
206000
2000
و در نهایت یک جمعیت آلوده به بیماری می شود.
03:43
There are fewer and fewer people
87
208000
2000
با گذر زمان تعداد افرادی که قابل مبتلا کردن هستند
03:45
who are still available that you might infect,
88
210000
2000
کم تر و کم تر میشود
03:47
and then you get the plateau of the curve,
89
212000
2000
تا به پایان منحنی نزدیک می شویم
03:49
and you get this classic sigmoidal curve.
90
214000
3000
و به این منحنی هلالی شکل کلاسیک می رسیم
03:52
And this holds for germs, ideas,
91
217000
2000
و این منحنی برای میکروبها، ایده ها
03:54
product adoption, behaviors,
92
219000
2000
پذیرش محصول، رفتار
03:56
and the like.
93
221000
2000
و چیزهایی شبیه به این هم صادق است.
03:58
But things don't just diffuse in human populations at random.
94
223000
3000
اما این چیزها به صورت تصادفی بین جمعیت ها انتشار پیدا نمیکنند
04:01
They actually diffuse through networks.
95
226000
2000
آن ها از طریق شبکه ها انتشار پیدا می کنند
04:03
Because, as I said, we live our lives in networks,
96
228000
3000
زیرا همان طور که گفتم ما درون شبکه ها زندگی میکنیم
04:06
and these networks have a particular kind of a structure.
97
231000
3000
و این شبکه ها ویژگی های خاصی دارند
04:09
Now if you look at a network like this --
98
234000
2000
حالا اگر به شبکه ای مثل این نگاه کنید
04:11
this is 105 people.
99
236000
2000
۱۵۰ نفر میبینید
04:13
And the lines represent -- the dots are the people,
100
238000
2000
و یک سری خطوط... نقطه ها افراد هستند
04:15
and the lines represent friendship relationships.
101
240000
2000
و خطوط نماینگر روابط دوستانه
04:17
You might see that people occupy
102
242000
2000
ممکن است ببنید بعضی از افراد
04:19
different locations within the network.
103
244000
2000
نقاط مختلفی از شبکه را اشغال کردند
04:21
And there are different kinds of relationships between the people.
104
246000
2000
روابط مختلفی بین افراد وجود دارد
04:23
You could have friendship relationships, sibling relationships,
105
248000
3000
در اینجا روابط دوستی، خویشاوندی
04:26
spousal relationships, co-worker relationships,
106
251000
3000
روباط زناشوهری، روابط همکاری
04:29
neighbor relationships and the like.
107
254000
3000
روابط همسایه ای و شبیه به آن وجود دارد
04:32
And different sorts of things
108
257000
2000
و چیزهای مختلفی که
04:34
spread across different sorts of ties.
109
259000
2000
از طریق گره های مختلفی گسترش می یابد
04:36
For instance, sexually transmitted diseases
110
261000
2000
به عنوان مثال، بیماریهایی که از طریق روابط جنسی منتقل می شوند
04:38
will spread across sexual ties.
111
263000
2000
از طریق گره های روابط جنسی منتقل خواهند شد
04:40
Or, for instance, people's smoking behavior
112
265000
2000
یا مثلا رفتار سیگار کشیدن افراد
04:42
might be influenced by their friends.
113
267000
2000
ممکن است از دوستانشان تاثیر گرفته باشد
04:44
Or their altruistic or their charitable giving behavior
114
269000
2000
و یا رفتار هم نوع دوستی و کمک به خیریه
04:46
might be influenced by their coworkers,
115
271000
2000
از همکارانشان تاثیر گرفته باشد
04:48
or by their neighbors.
116
273000
2000
یا همسایه هایشان
04:50
But not all positions in the network are the same.
117
275000
3000
اما همه جایگاه های شبکه مثل هم نیستند
04:53
So if you look at this, you might immediately grasp
118
278000
2000
پس اگر به این نگاه کنید سریع متوجه می شوید که
04:55
that different people have different numbers of connections.
119
280000
3000
تعداد روابط افراد با یکدیگر متفاوت است.
04:58
Some people have one connection, some have two,
120
283000
2000
برخی افراد با یک نفر در ارتباط هستند برخی دیگر با دو نفر
05:00
some have six, some have 10 connections.
121
285000
3000
برخی با ۶ نفر و دیگری با ۱۰ نفر
05:03
And this is called the "degree" of a node,
122
288000
2000
و این تعداد روابط را " درجه گره "
05:05
or the number of connections that a node has.
123
290000
2000
یا " تعداد روابط گره " می گویند.
05:07
But in addition, there's something else.
124
292000
2000
اما نکته دیگری هم وجود دارد
05:09
So, if you look at nodes A and B,
125
294000
2000
اگر به گره های A و B نگاه کنید
05:11
they both have six connections.
126
296000
2000
هر دو با ۶ نفر در ارتباط هستند
05:13
But if you can see this image [of the network] from a bird's eye view,
127
298000
3000
اما اگر به این عکس شبکه به طور کلی از بالا نگاه کنید
05:16
you can appreciate that there's something very different
128
301000
2000
احساس میکنید چیزی متفاوت
05:18
about nodes A and B.
129
303000
2000
در رابطه با نقطه A و B وجود دارد.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
305000
3000
پس بگذارید یک سوال بپرسم. با این سوال موضوع را بهتر میتوانم منتقل کنم.
05:23
who would you rather be
131
308000
2000
ترجیح می دهید کدام یک از این افراد باشید؟
05:25
if a deadly germ was spreading through the network, A or B?
132
310000
3000
اگر یک میکروب کشنده در حال گسترش در این شبکه بود؟ A یا B
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
313000
2000
شنونده ها: B نیکولاس چریستکیس: بله B، کاملا واضح است.
05:30
B is located on the edge of the network.
134
315000
2000
B در گوشه این شبکه قرار دارد.
05:32
Now, who would you rather be
135
317000
2000
حالا ترجیح می دهید کدام یک از این افراد باشید؟
05:34
if a juicy piece of gossip were spreading through the network?
136
319000
3000
وقتی یک شایعه داغ در حال گسترش در شبکه است.
05:37
A. And you have an immediate appreciation
137
322000
3000
A. شما نزدیک ترین فردی هستید که از او قدردانی می شود.
05:40
that A is going to be more likely
138
325000
2000
احتمال شنیدن خبر توسط A
05:42
to get the thing that's spreading and to get it sooner
139
327000
3000
بیش تر از بقیه است و خیلی زود متوجه خبر ها در شبکه می شود
05:45
by virtue of their structural location within the network.
140
330000
3000
به علت جای ساختاری اش درون شبکه
05:48
A, in fact, is more central,
141
333000
2000
A در واقع فردی مرکزی است.
05:50
and this can be formalized mathematically.
142
335000
3000
و این می تواند فرمول ریاضی داشته باشد.
05:53
So, if we want to track something
143
338000
2000
بنابراین اگر بخواهیم رد چیزی را بگیریم
05:55
that was spreading through a network,
144
340000
3000
که در شبکه در حال گسترش است
05:58
what we ideally would like to do is to set up sensors
145
343000
2000
ایده الش این است که یک سری گیرنده
06:00
on the central individuals within the network,
146
345000
2000
به افراد مرکزی شبکه متصل کنیم.
06:02
including node A,
147
347000
2000
همچنین گره A
06:04
monitor those people that are right there in the middle of the network,
148
349000
3000
نظارت بر افرادی که در مرکز شبکه قرار دارند
06:07
and somehow get an early detection
149
352000
2000
و تا حدودی ردیابی به موقع
06:09
of whatever it is that is spreading through the network.
150
354000
3000
هر چیزی که درون شبکه در حال گسترش است.
06:12
So if you saw them contract a germ or a piece of information,
151
357000
3000
بنابراین اگر دیدید که این افراد میکروب یا اطلاعاتی را دریافت کردند،
06:15
you would know that, soon enough,
152
360000
2000
متوجه خواهید شد که به زودی
06:17
everybody was about to contract this germ
153
362000
2000
همه افراد میکروب یا اطلاعات را
06:19
or this piece of information.
154
364000
2000
دریافت خواهند کرد
06:21
And this would be much better
155
366000
2000
و مسلما این کار خیلی بهتر از این است که
06:23
than monitoring six randomly chosen people,
156
368000
2000
روی ۶ نفر به صورت تصادفی و بدون رجوع به ساختار جمعیت
06:25
without reference to the structure of the population.
157
370000
3000
نظارت داشته باشیم.
06:28
And in fact, if you could do that,
158
373000
2000
نظارت داشته باشیم
06:30
what you would see is something like this.
159
375000
2000
چیزی که خواهید دید شبیه به این خواهد بود
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
377000
3000
در پنل سمت چپ دوباره منحنی جذبی شبیه به حرف S داریم
06:35
In the dotted red line, we show
161
380000
2000
خط قرمز نقطه نقطه نشان می دهد که
06:37
what the adoption would be in the random people,
162
382000
2000
جذب در انتخاب تصادفی افراد چگونه شکل می گیرد
06:39
and in the left-hand line, shifted to the left,
163
384000
3000
و خط سمت راست که به سمت چپ حرکت کرده
06:42
we show what the adoption would be
164
387000
2000
نشان می دهد که جذب در مرکز افراد
06:44
in the central individuals within the network.
165
389000
2000
داخل شبکه چگونه صورت میگیرد
06:46
On the Y-axis is the cumulative instances of contagion,
166
391000
2000
روی محور عمودی تجمع افرادی است که مورد سرایت قرار گرفته اند
06:48
and on the X-axis is the time.
167
393000
2000
و محور افقی زمان است
06:50
And on the right-hand side, we show the same data,
168
395000
2000
و در سمت راست اطلاعات مشابه ای میبینید
06:52
but here with daily incidence.
169
397000
2000
اما در اینجا همراه شیوع روزانه
06:54
And what we show here is -- like, here --
170
399000
2000
و چیزی که اینجا میبینید مثل اینجاست
06:56
very few people are affected, more and more and more and up to here,
171
401000
2000
تعداد کمی مبتلا شده اند و بعد زیاد و زیادتر می شوند تا به اینجا می رسند
06:58
and here's the peak of the epidemic.
172
403000
2000
و اینجا نقطه اوج همه گیری است
07:00
But shifted to the left is what's occurring in the central individuals.
173
405000
2000
اما سمت چپ اتفاقی است که برای افراد مرکزی می افتد
07:02
And this difference in time between the two
174
407000
3000
و این تفاوت زمان بین این دو
07:05
is the early detection, the early warning we can get,
175
410000
3000
شناسایی و هشدار سریع تر را در رابطه با همه گیری احتمالی
07:08
about an impending epidemic
176
413000
2000
در یک جمعیت انسانی را
07:10
in the human population.
177
415000
2000
برای ما مهیا می سازد.
07:12
The problem, however,
178
417000
2000
با این وجود مشکل اینجاست که
07:14
is that mapping human social networks
179
419000
2000
ترسیم نقشه شبکه
07:16
is not always possible.
180
421000
2000
همیشه امکان پذیر نیست
07:18
It can be expensive, not feasible,
181
423000
2000
این کار بسیار پر هزینه است و عملی نیست.
07:20
unethical,
182
425000
2000
غیر اخلاقی است
07:22
or, frankly, just not possible to do such a thing.
183
427000
3000
یا اگر بخواهم رک بگویم اصلا امکان پذیر نیست.
07:25
So, how can we figure out
184
430000
2000
بنابراین چگونه می توانیم بفهمیم
07:27
who the central people are in a network
185
432000
2000
که چه کسانی در مرکز شبکه قرار دارند
07:29
without actually mapping the network?
186
434000
3000
آن هم بدون ترسیم نقشه شبکه
07:32
What we came up with
187
437000
2000
نتیجه ای که ما گرفتیم
07:34
was an idea to exploit an old fact,
188
439000
2000
این بود که از واقعیتی قدیمی
07:36
or a known fact, about social networks,
189
441000
2000
و حقیقتی شناخته شده در رابطه با شبکه های اجتماعی استفاده کنیم
07:38
which goes like this:
190
443000
2000
که این گونه مطرح می شود
07:40
Do you know that your friends
191
445000
2000
آیا میدانستید که
07:42
have more friends than you do?
192
447000
3000
دوستانتان از شما دوستان بیش تری دارند؟
07:45
Your friends have more friends than you do,
193
450000
3000
دوستانتان از شما دوستان بیش تری دارند،
07:48
and this is known as the friendship paradox.
194
453000
2000
این به عنوان پارادکس دوستی شناخته می شود
07:50
Imagine a very popular person in the social network --
195
455000
2000
فردی بسیار اجتماعی را در یک شبکه اجتماعی در نظر بگیرید
07:52
like a party host who has hundreds of friends --
196
457000
3000
مثل یک میزبانی که صد نفر مهمان دارد
07:55
and a misanthrope who has just one friend,
197
460000
2000
و یک مردم گریز که فقط یک دوست دارد
07:57
and you pick someone at random from the population;
198
462000
3000
و شما یک فرد را به صورت تصادفی از جمعیت انتخاب میکنید
08:00
they were much more likely to know the party host.
199
465000
2000
احتمال اینکه میزبان را بشناسند خیلی بیش تر است
08:02
And if they nominate the party host as their friend,
200
467000
2000
و اگر میزبان مهمانی را به عنوان دوست خود انتخاب کنند
08:04
that party host has a hundred friends,
201
469000
2000
آن میزبان صد دوست خواهد داشت
08:06
therefore, has more friends than they do.
202
471000
3000
بنابراین او دوستان بیش تری نسبت به سایر افراد خواهد داشت
08:09
And this, in essence, is what's known as the friendship paradox.
203
474000
3000
و در اصل این چیزی است که به عنوان پارادکس دوستی شناخته میشود
08:12
The friends of randomly chosen people
204
477000
3000
دوستان افرادی که به طور تصادفی انتخاب شده اند
08:15
have higher degree, and are more central
205
480000
2000
درجه بیش تری دارند و نسبت به خود افرادی که تصادفی انتخاب شده اند
08:17
than the random people themselves.
206
482000
2000
مرکزی تر هستند
08:19
And you can get an intuitive appreciation for this
207
484000
2000
اگر تنها افراد پیرامون شبکه را تصور کنید
08:21
if you imagine just the people at the perimeter of the network.
208
486000
3000
میتوانید درک بصری نسبت به این موضوع داشته باشید
08:24
If you pick this person,
209
489000
2000
اگر این فرد را انتخاب کنید
08:26
the only friend they have to nominate is this person,
210
491000
3000
تنها فردی که او می تواند به عنوان دوستش انتخاب کند این فرد است
08:29
who, by construction, must have at least two
211
494000
2000
که از نظر ساختاری باید حداقل به طور معمول دو دوست
08:31
and typically more friends.
212
496000
2000
یا تعداد بیش تری دوست داشته باشد
08:33
And that happens at every peripheral node.
213
498000
2000
و این روند پیرامون هر گره رخ می دهد
08:35
And in fact, it happens throughout the network as you move in,
214
500000
3000
و در واقع این روند در تمام شبکه ها رخ می دهد.
08:38
everyone you pick, when they nominate a random --
215
503000
2000
وقتی داخل شبکه می شوید هر فردی که انتخاب میکنید
08:40
when a random person nominates a friend of theirs,
216
505000
3000
وقتی یک فرد تصادفی، یکی از دوستانش را انتخاب میکند
08:43
you move closer to the center of the network.
217
508000
3000
به مرکز شبکه نزدیک تر می شوید
08:46
So, we thought we would exploit this idea
218
511000
3000
بنابراین فکر کردیم می توانیم این ایده را به کار گیریم
08:49
in order to study whether we could predict phenomena within networks.
219
514000
3000
تا ببینیم آیا می شود پدیده ها را داخل شبکه ها پیش بینی کرد
08:52
Because now, with this idea
220
517000
2000
زیرا الان با این ایده
08:54
we can take a random sample of people,
221
519000
2000
می توانیم یک نمونه تصادفی از مردم را انتخاب کنیم
08:56
have them nominate their friends,
222
521000
2000
و از آن ها بخواهیم که دوستانشان را مشخص کنند
08:58
those friends would be more central,
223
523000
2000
دوستانشان مرکزی تر خواهند بود
09:00
and we could do this without having to map the network.
224
525000
3000
و می توانیم این کار را بدون ترسیم نقشه شبکه انجام دهیم
09:03
And we tested this idea with an outbreak of H1N1 flu
225
528000
3000
این ایده را در مورد شیوع آنفولانزای H1N1 در یکی از دانشکده های هاروارد
09:06
at Harvard College
226
531000
2000
مورد آزمایش قرار دادیم.
09:08
in the fall and winter of 2009, just a few months ago.
227
533000
3000
زمستان سال ۲۰۰۹ یعنی چند ماه پیش
09:11
We took 1,300 randomly selected undergraduates,
228
536000
3000
هزارو سیصد دانشجو را به صورت تصادفی انتخاب کردیم
09:14
we had them nominate their friends,
229
539000
2000
از آن ها خواستیم تا دوستانشان را معرفی کنند
09:16
and we followed both the random students and their friends
230
541000
2000
و هر روز هم افراد تصادفی و هم دوستانشان را
09:18
daily in time
231
543000
2000
دنبال کردیم.
09:20
to see whether or not they had the flu epidemic.
232
545000
3000
تا ببینیم که آیا مبتلا به همه گیری آنفولانزا شده اند یا خیر.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
548000
3000
و با توجه به اینکه آیا دانشجویان به خدمات درمانی دانشگاه مراجعه کرده بودند یا خیر این کار را به صورت غیر مستقیم انجام دادیم
09:26
And also, we had them [actively] email us a couple of times a week.
234
551000
3000
و همچنین از آن ها خواستیم چند بار در هفته تا به صورت مستقیم از طریق ایمیل با ما در ارتباط باشند
09:29
Exactly what we predicted happened.
235
554000
3000
درست همان چیزی اتفاق افتاد که انتظار داشتیم.
09:32
So the random group is in the red line.
236
557000
3000
گروه تصادفی روی خط قرمز نشان داده شده
09:35
The epidemic in the friends group has shifted to the left, over here.
237
560000
3000
و همه گیری در گروه دوستان به سمت چپ حرکت کرده
09:38
And the difference in the two is 16 days.
238
563000
3000
و تفاوت بین این دو شانزده روز است
09:41
By monitoring the friends group,
239
566000
2000
با مشاهده گروه دوستان
09:43
we could get 16 days advance warning
240
568000
2000
میتوانیم شانزده روز زودتر
09:45
of an impending epidemic in this human population.
241
570000
3000
از یک همه گیری که در شرف وقوع در یک جمعیت انسانی است با خبر شویم.
09:48
Now, in addition to that,
242
573000
2000
علاوه بر این
09:50
if you were an analyst who was trying to study an epidemic
243
575000
3000
اگر شما یک تحلیل گری بودید که در مورد همه گیری مطالعه می کردید
09:53
or to predict the adoption of a product, for example,
244
578000
3000
یا حتی در مورد پیش بینی جذب یک محصول تحقیق می کردید
09:56
what you could do is you could pick a random sample of the population,
245
581000
3000
کاری که می توانید انجام دهید این است که یک نمونه تصادفی از جمعیت را انتخاب کنید
09:59
also have them nominate their friends and follow the friends
246
584000
3000
و از آن ها بخواهید که دوستانشان را معرفی کنند و سپس آن ها را دنبال کنید
10:02
and follow both the randoms and the friends.
247
587000
3000
هم افراد تصادفی را دنبال کنید و هم دوستانشان را
10:05
Among the friends, the first evidence you saw of a blip above zero
248
590000
3000
در بین دوستان اولین مدرک بالای صفری که روی صفحه نمودار مشاهده کردید
10:08
in adoption of the innovation, for example,
249
593000
3000
مثلا در جذب نوآوری
10:11
would be evidence of an impending epidemic.
250
596000
2000
مدرکی است از یک همه گیری قریب الوقوع
10:13
Or you could see the first time the two curves diverged,
251
598000
3000
یا اولین باری که دیدید دو منحنی از هم دور می شوند
10:16
as shown on the left.
252
601000
2000
همان طور که سمت چپ نشان داده شده
10:18
When did the randoms -- when did the friends take off
253
603000
3000
زمانی که نمونه های تصادفی -- زمانی که دوستان افزایش می بایند
10:21
and leave the randoms,
254
606000
2000
و از نمونه تصادفی بالاتر می روند
10:23
and [when did] their curve start shifting?
255
608000
2000
و منحنی آن ها شروع به حرکت میکند
10:25
And that, as indicated by the white line,
256
610000
2000
که اینجا با خط سفید نشان داده شده
10:27
occurred 46 days
257
612000
2000
چهل و شش روز
10:29
before the peak of the epidemic.
258
614000
2000
قبل از اینکه به اوج همه گیری برسیم این اتفاق افتاده
10:31
So this would be a technique
259
616000
2000
پس این تکنیکی است که توسط آن
10:33
whereby we could get more than a month-and-a-half warning
260
618000
2000
می توانیم از شیوع یک آنفولانزای همه گیر
10:35
about a flu epidemic in a particular population.
261
620000
3000
در یک جمعیت جلوگیری کنیم
10:38
I should say that
262
623000
2000
باید بگویم که
10:40
how far advanced a notice one might get about something
263
625000
2000
میزان پیشرفته بودن اخطاری که یک نفر در مورد چیزی می تواند دریافت کند
10:42
depends on a host of factors.
264
627000
2000
بستگی به عوامل زیادی دارد.
10:44
It could depend on the nature of the pathogen --
265
629000
2000
ممکن است با توجه به نوع بیماری
10:46
different pathogens,
266
631000
2000
بیماری های متفاوت
10:48
using this technique, you'd get different warning --
267
633000
2000
با استفاده از این تکنیک هشدار های متفاوتی اعلام کنند،
10:50
or other phenomena that are spreading,
268
635000
2000
یا حتی اتفاقات دیگری که در حال وقوع است یا
10:52
or frankly, on the structure of the human network.
269
637000
3000
اگر بخواهمم رک بگویم در ساختار یک شبکه انسانی.
10:55
Now in our case, although it wasn't necessary,
270
640000
3000
حالا در مورد ما با وجود اینکه لازم نبود اما
10:58
we could also actually map the network of the students.
271
643000
2000
نقشه شبکه دانشجویان را ترسیم کردیم.
11:00
So, this is a map of 714 students
272
645000
2000
این نقشه ۷۱۴ دانشجو و
11:02
and their friendship ties.
273
647000
2000
گره های دوستانشان است.
11:04
And in a minute now, I'm going to put this map into motion.
274
649000
2000
حالا در یک دقیقه میخواهم این نقشه را به حرکت در آورم
11:06
We're going to take daily cuts through the network
275
651000
2000
و تغییرات روزانه شبکه را
11:08
for 120 days.
276
653000
2000
در ۱۲۰ روز نشان دهم.
11:10
The red dots are going to be cases of the flu,
277
655000
3000
نقاط قرمز نمایانگر افرادی مبتلا به آنفولانزا هستند
11:13
and the yellow dots are going to be friends of the people with the flu.
278
658000
3000
و نقاط زرد نمایانگر دوستان افرادی است که مبتلا به آنفولانزا هستند
11:16
And the size of the dots is going to be proportional
279
661000
2000
سایز نقطه ها متناسب با
11:18
to how many of their friends have the flu.
280
663000
2000
تعداد دوستانی است که از یک نفر آنفولانزا گرفته اند.
11:20
So bigger dots mean more of your friends have the flu.
281
665000
3000
پس هر چه نقطه بزرگتر باشد نشان دهنده این است که تعداد بیش تری از دوستانتان به آنفولاتزا مبتلا هستند.
11:23
And if you look at this image -- here we are now in September the 13th --
282
668000
3000
و اگر به این تصویر نگاه کنید، اینجا در سیزدهم سپتامبر هستیم
11:26
you're going to see a few cases light up.
283
671000
2000
تعداد کسانی که مبتلا به آنفولانزا هستند کم است
11:28
You're going to see kind of blooming of the flu in the middle.
284
673000
2000
اینجا گسترش آنفولانزا را در میانه شبکه میبینید
11:30
Here we are on October the 19th.
285
675000
3000
اینجا ۱۹ اکتبر است.
11:33
The slope of the epidemic curve is approaching now, in November.
286
678000
2000
در نوامبر به شیب منحنی همه گیری نزدیک می شویم.
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
680000
3000
بنگ بنگ بنگ ، حالا تعداد زیادی نقطه در مرکز شبکه میبینید
11:38
and then you're going to see a sort of leveling off,
288
683000
2000
و در اینحا مقداری کاهش در شیوع آنفولانزا میبینید
11:40
fewer and fewer cases towards the end of December.
289
685000
3000
و تا پایان دسامبر روز به روز تعداد کم تر می شود
11:43
And this type of a visualization
290
688000
2000
و این نوع تصویر سازی
11:45
can show that epidemics like this take root
291
690000
2000
نشان می دهد که این نوع همه گیری ها مرکز را نشانه میگیرند
11:47
and affect central individuals first,
292
692000
2000
و افراد مرکزی را
11:49
before they affect others.
293
694000
2000
قبل از دیگران تحت تاثیر قرار می دهند
11:51
Now, as I've been suggesting,
294
696000
2000
حالا همان طور که پیشنهاد دادم
11:53
this method is not restricted to germs,
295
698000
3000
این روش تنها به میکروب ها محدود نمیشود.
11:56
but actually to anything that spreads in populations.
296
701000
2000
و روی هر چیزی که در یک جمعیت پخش می شود تاثیر گذار است
11:58
Information spreads in populations,
297
703000
2000
اطلاعات در جمعیت پخش می شود
12:00
norms can spread in populations,
298
705000
2000
هنجار ها در جمعیت پخش می شوند
12:02
behaviors can spread in populations.
299
707000
2000
رفتار ها در جمعیت پخش می شوند
12:04
And by behaviors, I can mean things like criminal behavior,
300
709000
3000
و منظور من از رفتار می تواند چیزهایی مثل اخلاق مجرمانه
12:07
or voting behavior, or health care behavior,
301
712000
3000
رفتار انتخاباتی، یا رفتار های مربوط به سلامتی
12:10
like smoking, or vaccination,
302
715000
2000
مثل سیگار کشیدن یا واکسیناسیون
12:12
or product adoption, or other kinds of behaviors
303
717000
2000
جذب محصول یا هر نوع رفتار دیگری
12:14
that relate to interpersonal influence.
304
719000
2000
که مربوط به تاثیرات درون فردی می شود.
12:16
If I'm likely to do something that affects others around me,
305
721000
3000
اگر من قرار است کاری انجام دهم که افراد کنار من را تحت تاثیر قرار دهد
12:19
this technique can get early warning or early detection
306
724000
3000
این تکنیک می تواند زودتر هشدار دهد
12:22
about the adoption within the population.
307
727000
3000
و جذب در یک جکعیت را زودتر شناسایی کند
12:25
The key thing is that for it to work,
308
730000
2000
نکته اصلی برای این کار این است که
12:27
there has to be interpersonal influence.
309
732000
2000
باید تاثیرات درون فردی حتما وجود داشته باشد
12:29
It cannot be because of some broadcast mechanism
310
734000
2000
صرفا با یک مکانیزم انتشاری نمی توان همه را
12:31
affecting everyone uniformly.
311
736000
3000
به طور یکسان تحت تاثیر قرار داد
12:35
Now the same insights
312
740000
2000
حالا برداشتی مشابه
12:37
can also be exploited -- with respect to networks --
313
742000
3000
با توجه به شبکه می توان داشت
12:40
can also be exploited in other ways,
314
745000
3000
البته برداشتی متفاوت نیز می توان داشت.
12:43
for example, in the use of targeting
315
748000
2000
برای مثال،در مورد مداخله های گروهی
12:45
specific people for interventions.
316
750000
2000
برای تغییر یک نفر خاص
12:47
So, for example, most of you are probably familiar
317
752000
2000
برای مثال اکثر شما با
12:49
with the notion of herd immunity.
318
754000
2000
شعار ایمنی جامعه آشنا هستید
12:51
So, if we have a population of a thousand people,
319
756000
3000
و اگر بخواهیم این جمعیت را
12:54
and we want to make the population immune to a pathogen,
320
759000
3000
از یک بیماری محفوظ کنیم
12:57
we don't have to immunize every single person.
321
762000
2000
لازم نیست که همه افراد را در برابر بیماری مقاوم سازیم
12:59
If we immunize 960 of them,
322
764000
2000
اگر ۹۶۰ نفر را واکسینه کنیم
13:01
it's as if we had immunized a hundred [percent] of them.
323
766000
3000
انگار صد در صد افراد را مقاوم کردیم
13:04
Because even if one or two of the non-immune people gets infected,
324
769000
3000
زیرا اگر حتی یک یا دو نفر از افراد واکسینه نشده مبتلا به بیماری شوند
13:07
there's no one for them to infect.
325
772000
2000
دیگر کسی نیست که به بیماری مبتلا شود
13:09
They are surrounded by immunized people.
326
774000
2000
آنها توسط افراد واکسینه شده احاطه شده اند
13:11
So 96 percent is as good as 100 percent.
327
776000
3000
بنابراین ۹۶ درصد به خوبی ۱۰۰ درصد عمل میکند
13:14
Well, some other scientists have estimated
328
779000
2000
برخی از دانشمندان تخمین زده اند
13:16
what would happen if you took a 30 percent random sample
329
781000
2000
اگر ۳۰ درصد از جمعیت ۱۰۰۰ تایی را تصادفی انتخاب کنید
13:18
of these 1000 people, 300 people and immunized them.
330
783000
3000
و این ۳۰۰ نفر را واکسینه کنیم چه اتفاقی خواهد افتاد
13:21
Would you get any population-level immunity?
331
786000
2000
آیا ایمن سازی سطحی جمعیت خواهیم داشت؟
13:23
And the answer is no.
332
788000
3000
جواب خیر است
13:26
But if you took this 30 percent, these 300 people
333
791000
2000
اما اگر شما این ۳۰۰ نفر را انتخاب کنید
13:28
and had them nominate their friends
334
793000
2000
و از آن ها بخواهید که دوستانشان را معرفی کنند
13:30
and took the same number of vaccine doses
335
795000
3000
و از آن ها بخواهید که دوستانشان را معرفی کنند
13:33
and vaccinated the friends of the 300 --
336
798000
2000
و دوستان این ۳۰۰ نفر را نیز
13:35
the 300 friends --
337
800000
2000
واکسینه کنید
13:37
you can get the same level of herd immunity
338
802000
2000
همان میزان ایمنی جامعه را خواهیم داشت
13:39
as if you had vaccinated 96 percent of the population
339
804000
3000
انگار که ۹۶ درصد جمعیت را با همان تاثیر
13:42
at a much greater efficiency, with a strict budget constraint.
340
807000
3000
واکسینه کرده اید به علاوه بودجه نیز به مقدار زیادی کاهش می یابد.
13:45
And similar ideas can be used, for instance,
341
810000
2000
ایده های مشابهی میتواند مورد استفاده قرار گیرد، مثلا
13:47
to target distribution of things like bed nets
342
812000
2000
هدف قرار دادن توزیع پشه بند
13:49
in the developing world.
343
814000
2000
هدف قرار دادن توزیع پشه بند
13:51
If we could understand the structure of networks in villages,
344
816000
3000
اگر بتوانیم ساختار شبکه های روستاها را درک کنیم
13:54
we could target to whom to give the interventions
345
819000
2000
متوجه خواهیم شد در کار چه کسی می توانیم مداخله کنیم
13:56
to foster these kinds of spreads.
346
821000
2000
تا این نوع شیوع را پرورش دهیم.
13:58
Or, frankly, for advertising with all kinds of products.
347
823000
3000
یا اگر رک بخواهم بگویم برای تبلیغ هر نوع محصولی
14:01
If we could understand how to target,
348
826000
2000
اگر بفهمیم که چه طور باید مورد هدف قرار دهیم
14:03
it could affect the efficiency
349
828000
2000
روی کارایی آنچه سعی در به دست آوردنش داریم
14:05
of what we're trying to achieve.
350
830000
2000
اثر خواهد گذاشت
14:07
And in fact, we can use data
351
832000
2000
در واقع می توانیم از همه داده های
14:09
from all kinds of sources nowadays [to do this].
352
834000
2000
منابع امروز برای انجام این کار استفاده کنیم
14:11
This is a map of eight million phone users
353
836000
2000
این نقشه 8 میلیون از کاربران موبایل
14:13
in a European country.
354
838000
2000
در کشورهای اروپایی است
14:15
Every dot is a person, and every line represents
355
840000
2000
هر نقطه نشانگر یک فرد است و هر خط نمایانگر
14:17
a volume of calls between the people.
356
842000
2000
میزان تماس های برقرار شده بین افراد
14:19
And we can use such data, that's being passively obtained,
357
844000
3000
می توانیم از چنین داده هایی که به صورت غیر مستقیم به دست آمده است استفاده کنیم
14:22
to map these whole countries
358
847000
2000
تا نقشه همه کشور را ترسیم کنیم
14:24
and understand who is located where within the network.
359
849000
3000
و بفهمیم که هر فردی بدون نیاز به تحقیق و پرس و جوی مستقیم
14:27
Without actually having to query them at all,
360
852000
2000
کجای این شبکه قرار گرفته است
14:29
we can get this kind of a structural insight.
361
854000
2000
و نوع ساختار درونی این ارتباطات را کشف خواهیم کرد
14:31
And other sources of information, as you're no doubt aware
362
856000
3000
سایر منابع اطلاعاتی که در این رابطه موجود است
14:34
are available about such features, from email interactions,
363
859000
3000
از تعاملات ایمیلی گرفته تا
14:37
online interactions,
364
862000
2000
تعاملات آنلاین،
14:39
online social networks and so forth.
365
864000
3000
شبکه های اجتماعی آنلاین و غیره.
14:42
And in fact, we are in the era of what I would call
366
867000
2000
در واقع در دوره ای قرار داریم که من آن را
14:44
"massive-passive" data collection efforts.
367
869000
3000
تلاش برای جمع آوری داده عظیم و غیر مستقیم می نامم.
14:47
They're all kinds of ways we can use massively collected data
368
872000
3000
همه این ها روش هایی غیر مستقیم برای جمع آوری داده هستند
14:50
to create sensor networks
369
875000
3000
تا شبکه ای حساس بسازیم
14:53
to follow the population,
370
878000
2000
که به وسیله آن بتوان جمعیت را دنبال کرد
14:55
understand what's happening in the population,
371
880000
2000
و فهمید که چه اتفاقی در جمعیت در حال رخ دادن است
14:57
and intervene in the population for the better.
372
882000
3000
و بتوان در جمعیت مداخله و وضعیت را بهبود بخشید
15:00
Because these new technologies tell us
373
885000
2000
زیرا این تکنولوژی های جدید نه تنها می گوید
15:02
not just who is talking to whom,
374
887000
2000
چه کسی با چه کسی صحبت میکند
15:04
but where everyone is,
375
889000
2000
بلکه میگوید که هرنفر دقیقا کجاست
15:06
and what they're thinking based on what they're uploading on the Internet,
376
891000
3000
و با توجه به مطالبی که آپلود می کنند متوجه میشویم که به چه چیزی فکر می کنند
15:09
and what they're buying based on their purchases.
377
894000
2000
و چه خرید هایی انجام می دهند
15:11
And all this administrative data can be pulled together
378
896000
3000
و می تواند همه این داده های اداری را یک جا جمع
15:14
and processed to understand human behavior
379
899000
2000
و پردازش کرد تا بتوان رفتار های انسانی را طوری فهمید
15:16
in a way we never could before.
380
901000
3000
که تا کنون نمیتوانستیم
15:19
So, for example, we could use truckers' purchases of fuel.
381
904000
3000
بنابراین می توانیم به عنوان مثال از خرید سوخت راننده های کامیون استفاده کنیم
15:22
So the truckers are just going about their business,
382
907000
2000
راننده های کامیون در کارشان
15:24
and they're buying fuel.
383
909000
2000
سوخت می خرند
15:26
And we see a blip up in the truckers' purchases of fuel,
384
911000
3000
و وقتی روی نمودار خرید سوخت راننده های کامیون افزایشی دیدیم
15:29
and we know that a recession is about to end.
385
914000
2000
می فهمیم که بحران اقتصادی در حال از بین رفتن است
15:31
Or we can monitor the velocity
386
916000
2000
یا می توانیم سرعت مردم در بزرگراه ها را
15:33
with which people are moving with their phones on a highway,
387
918000
3000
با استفاده از تلفن همراهشان نظارت کنیم
15:36
and the phone company can see,
388
921000
2000
و شرکت تلفن همراه می تواند ببیند
15:38
as the velocity is slowing down,
389
923000
2000
که به محض اینکه سرعت پایین می آید
15:40
that there's a traffic jam.
390
925000
2000
راننده به ترافیک رسیده است
15:42
And they can feed that information back to their subscribers,
391
927000
3000
و می توانند از این اطلاعات مشترکین خود استفاده کنند
15:45
but only to their subscribers on the same highway
392
930000
2000
البته فقط مشترکینی که در همان بزرگراه هستند
15:47
located behind the traffic jam!
393
932000
2000
و پشت ترافیک قرار دارند
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
934000
3000
یا حتی می توانیم نحوه نسخه نوشتن پزشکان را به طور غیر مستقیم نظارت کنیم
15:52
and see how the diffusion of innovation with pharmaceuticals
395
937000
3000
و ببینیم که انتشار نوآوری در مورد داروها
15:55
occurs within [networks of] doctors.
396
940000
2000
در شبکه پزشکان چگونه رخ می دهد
15:57
Or again, we can monitor purchasing behavior in people
397
942000
2000
همین طور می توانیم رفتار خرید مردم را نظارت کنیم
15:59
and watch how these types of phenomena
398
944000
2000
و ببینیم این نوع پدیده ها چگونه
16:01
can diffuse within human populations.
399
946000
3000
در بین جمعیت پخش می شود
16:04
And there are three ways, I think,
400
949000
2000
و به نظر من سه راه برای
16:06
that these massive-passive data can be used.
401
951000
2000
استفاده از این داده های عظیم و غیرمستقیم وجود دارد
16:08
One is fully passive,
402
953000
2000
یکی از این مثال ها
16:10
like I just described --
403
955000
2000
کاملا غیر مستقیم بود
16:12
as in, for instance, the trucker example,
404
957000
2000
مثل نمونه راننده های کامیون
16:14
where we don't actually intervene in the population in any way.
405
959000
2000
که ما در حقیقت هیچ ارتباطی با جمعیت نداریم
16:16
One is quasi-active,
406
961000
2000
یکی از این مثال ها نیمه مستقیم بود
16:18
like the flu example I gave,
407
963000
2000
مثل مثال آنفولانزا
16:20
where we get some people to nominate their friends
408
965000
3000
که از برخی افراد می خواهیم که دوستانشان را معرفی کنند
16:23
and then passively monitor their friends --
409
968000
2000
و غیر مستقیم دوستانشان را نظارت می کنیم
16:25
do they have the flu, or not? -- and then get warning.
410
970000
2000
آیا آنفولانزا گرفته اند یا خیر؟ سپس هشدار می دهیم
16:27
Or another example would be,
411
972000
2000
یا مثلا
16:29
if you're a phone company, you figure out who's central in the network
412
974000
3000
اگر یک شرکت مخابراتی هستید، میفهمید که چه افرادی در مرکز این شبکه قرار دارند
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
977000
3000
و به آن افراد می گویید: ممکن است هر روز درجه حرارت بدنتان را برایمان بفرستید؟
16:35
Just text us your temperature."
414
980000
2000
فقط کافیه دما را برایمان پیامک کنید
16:37
And collect vast amounts of information about people's temperature,
415
982000
3000
و اطلاعات وسیعی در رابطه با درجه حرارت بدن افراد کسب خواهید کرد
16:40
but from centrally located individuals.
416
985000
2000
اما تنها از طریق افرادی که در مرکز شبکه قرار دارند
16:42
And be able, on a large scale,
417
987000
2000
و می توانید درمقیاس وسیعی
16:44
to monitor an impending epidemic
418
989000
2000
با استفاد از کم ترین میزان دریافتی از مردم
16:46
with very minimal input from people.
419
991000
2000
گسترش همه گیری یک بیماری رانظارت کنید
16:48
Or, finally, it can be more fully active --
420
993000
2000
یا در نهایت می تواند کاملا مستقیم باشد
16:50
as I know subsequent speakers will also talk about today --
421
995000
2000
مثلا من می دانم که امروز سخنران های بعدی راجع به امروز صحبت خواهند کرد
16:52
where people might globally participate in wikis,
422
997000
2000
و همان طور که مردم ممکن است به طور جهانی در اموری مثل ویکی ها
16:54
or photographing, or monitoring elections,
423
999000
3000
عکاسی و نظارت بر انتخابات شرکت کنند
16:57
and upload information in a way that allows us to pool
424
1002000
2000
و اطلاعاتی را آپلود کنند که به ما اجازه دهد
16:59
information in order to understand social processes
425
1004000
2000
اطلاعات را یک جا جمع کنیم تا روند اجتماعی و
17:01
and social phenomena.
426
1006000
2000
پدیده های اجتماعی را بفهمیم
17:03
In fact, the availability of these data, I think,
427
1008000
2000
در واقع من فکر می کنم که در دسترس بودن این داده ها
17:05
heralds a kind of new era
428
1010000
2000
خبر از یک عصر جدید در
17:07
of what I and others would like to call
429
1012000
2000
در چیزی دارد که من و دیگران آن را
17:09
"computational social science."
430
1014000
2000
علوم اجتماعی محاسباتی می نامیم
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1016000
3000
این تقریبا شبیه به وقتی است که گالیله اختراع کرد -- یا اختراع نکرد
17:14
came to use a telescope
432
1019000
2000
بلکه تصمیم گرفت از تلسکوپ استفاده کند
17:16
and could see the heavens in a new way,
433
1021000
2000
و توانست آسمان را طور دیگری نگاه کند
17:18
or Leeuwenhoek became aware of the microscope --
434
1023000
2000
یا لئوهنوک از وجود میکروسکوپ باخبر شد
17:20
or actually invented --
435
1025000
2000
یا در واقع میکروسکوپ را اختراع کرد
17:22
and could see biology in a new way.
436
1027000
2000
تا توانست زیست شناسی را طور دیگری نگاه کند
17:24
But now we have access to these kinds of data
437
1029000
2000
اما حالا ما به همه این نوع داده ها دسترسی داریم
17:26
that allow us to understand social processes
438
1031000
2000
که به ما این امکان را می دهد که روند اجتماعی
17:28
and social phenomena
439
1033000
2000
و پدیده های اجتماعی را درک کنیم
17:30
in an entirely new way that was never before possible.
440
1035000
3000
طوری که هیچ وقت برای ما امکان پذیر نبود
17:33
And with this science, we can
441
1038000
2000
و با استفاده از این علم
17:35
understand how exactly
442
1040000
2000
می توانیم بفهمیم که
17:37
the whole comes to be greater
443
1042000
2000
دقیقا چطور کل بهتر است از
17:39
than the sum of its parts.
444
1044000
2000
جمع همه تکه ها
17:41
And actually, we can use these insights
445
1046000
2000
و در واقع می توانیم از این بینش استفاده کنیم
17:43
to improve society and improve human well-being.
446
1048000
3000
تا شرایط جامعه و انسان ها را بهبود بخشیم
17:46
Thank you.
447
1051000
2000
متشکرم
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