TED2010
Nicholas Christakis: The hidden influence of social networks
Nicholas Christakis: A társadalmi kapcsolathálók rejtett befolyása
Filmed:
Readability: 4.3
1,674,218 views
Mindannyian a barátok, a család, a munkatársak és mások hatalmas társadalmi kapcsolatrendszerébe ágyazódunk. Nicholas Christakis azt követi nyomon, ahogy a tulajdonságok, a boldogságtól az elhízásig, emberről emberre terjednek, és megmutatja, hogy a hálózatban elfoglalt helyed számodra ismeretlen módokon hat az életedre.
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.
00:16
For me, this story begins about 15 years ago,
0
1000
3000
Számomra ez a történet 15 évvel ezelőtt kezdődik,
00:19
when I was a hospice doctor at the University of Chicago.
1
4000
3000
amikor a Chicago-i Egyetem hospice orvosa voltam.
00:22
And I was taking care of people who were dying and their families
2
7000
3000
És olyan embereket és rokonaikat gondoztam, akik haldokoltak,
00:25
in the South Side of Chicago.
3
10000
2000
Chicago déli részén.
00:27
And I was observing what happened to people and their families
4
12000
3000
Megfigyeltem, hogy mi történik az emberekkel és családjukkal,
00:30
over the course of their terminal illness.
5
15000
3000
egy halálos betegség folyamán.
00:33
And in my lab, I was studying the widower effect,
6
18000
2000
A laboromban az özvegy hatást tanulmányoztam,
00:35
which is a very old idea in the social sciences,
7
20000
2000
ami egy nagyon régi társadalomtudományi gondolat,
00:37
going back 150 years,
8
22000
2000
mely 150 éves,
00:39
known as "dying of a broken heart."
9
24000
2000
és úgy ismerik, hogy a "megtört szív általi halál".
00:41
So, when I die, my wife's risk of death can double,
10
26000
3000
Szóval, ha meghalok, a feleségem halálozási rizikója megduplázódhat,
00:44
for instance, in the first year.
11
29000
2000
például, az első évben.
00:46
And I had gone to take care of one particular patient,
12
31000
3000
Éppen egy konkrét beteghez indultam,
00:49
a woman who was dying of dementia.
13
34000
2000
aki demenciája következtében haldoklott.
00:51
And in this case, unlike this couple,
14
36000
2000
És a képen látható párral ellentétben,
00:53
she was being cared for
15
38000
2000
a lánya
00:55
by her daughter.
16
40000
2000
ápolta.
00:57
And the daughter was exhausted from caring for her mother.
17
42000
3000
A lány ki volt merülve az anyja ápolásától.
01:00
And the daughter's husband,
18
45000
2000
És a lány férje,
01:02
he also was sick
19
47000
3000
szintén betege volt
01:05
from his wife's exhaustion.
20
50000
2000
a felesége kimerültségének.
01:07
And I was driving home one day,
21
52000
2000
És egyik nap hazafelé vezettem,
01:09
and I get a phone call from the husband's friend,
22
54000
3000
amikor a férj barátja fölhívott,
01:12
calling me because he was depressed
23
57000
2000
azért keresett, mert depressziós volt
01:14
about what was happening to his friend.
24
59000
2000
amiatt, ami a barátjával történt.
01:16
So here I get this call from this random guy
25
61000
2000
Szóval, egyszer csak jön ez a hívás, ettől a random pasastól,
01:18
that's having an experience
26
63000
2000
akinek egy olyan tapasztalata van,
01:20
that's being influenced by people
27
65000
2000
melyet emberek befolyásolnak,
01:22
at some social distance.
28
67000
2000
tőle némi társadalmi távolságra.
01:24
And so I suddenly realized two very simple things:
29
69000
3000
Két gyors felismerésre jutottam.
01:27
First, the widowhood effect
30
72000
2000
Először is, az özvegy hatás
01:29
was not restricted to husbands and wives.
31
74000
3000
nem korlátozódott férjekre és feleségekre.
01:32
And second, it was not restricted to pairs of people.
32
77000
3000
Másodszor, nem emberpárokra korlátozódott.
01:35
And I started to see the world
33
80000
2000
És teljesen új módon
01:37
in a whole new way,
34
82000
2000
kezdtem látni a világot,
01:39
like pairs of people connected to each other.
35
84000
3000
úgy, mint egymáshoz kapcsolódó párokat.
01:42
And then I realized that these individuals
36
87000
2000
Aztán realizáltam, hogy ezek a személyek,
01:44
would be connected into foursomes with other pairs of people nearby.
37
89000
3000
négyesekbe kapcsolódtak más, közeli emberpárokkal.
01:47
And then, in fact, these people
38
92000
2000
Aztán, az a helyzet, hogy ezek az emberek
01:49
were embedded in other sorts of relationships:
39
94000
2000
egyéb kapcsolatokba ágyazódtak,
01:51
marriage and spousal
40
96000
2000
házassági, testvéri,
01:53
and friendship and other sorts of ties.
41
98000
2000
baráti és más jellegű kapcsolatokba.
01:55
And that, in fact, these connections were vast
42
100000
3000
Ezek a kapcsolatrendszerek hatalmasak voltak,
01:58
and that we were all embedded in this
43
103000
2000
és mi mind beágyazva létezünk
02:00
broad set of connections with each other.
44
105000
3000
egymással, ezekben a kiterjedt kapcsolatokban.
02:03
So I started to see the world in a completely new way
45
108000
3000
Tehát teljesen új módon kezdtem látni a világot,
02:06
and I became obsessed with this.
46
111000
2000
és ennek a megszállottja lettem.
02:08
I became obsessed with how it might be
47
113000
2000
Mániámmá vált, hogy milyen módon
02:10
that we're embedded in these social networks,
48
115000
2000
illeszkedünk ezekbe a társas hálózatokba,
02:12
and how they affect our lives.
49
117000
2000
és hogyan hatnak az életünkre.
02:14
So, social networks are these intricate things of beauty,
50
119000
3000
Szóval, a társas hálózatok, a szépség komplikált megnyilvánulásai,
02:17
and they're so elaborate and so complex
51
122000
2000
és olyan alaposan kidolgozottak,
02:19
and so ubiquitous, in fact,
52
124000
2000
és ténylegesen mindenütt jelenlévők,
02:21
that one has to ask what purpose they serve.
53
126000
3000
hogy az embernek meg kell kérdeznie, mi a céljuk.
02:24
Why are we embedded in social networks?
54
129000
2000
Miért ágyazódunk társadalmi kapcsolathálókba?
02:26
I mean, how do they form? How do they operate?
55
131000
2000
Hogyan jönnek létre? Hogyan működnek?
02:28
And how do they effect us?
56
133000
2000
És hogyan hatnak ránk?
02:30
So my first topic with respect to this,
57
135000
3000
Az első témám, ezzel kapcsolatban,
02:33
was not death, but obesity.
58
138000
3000
nem a halál volt, hanem az elhízás.
02:36
It had become trendy
59
141000
2000
És hirtelen divatos lett
02:38
to speak about the "obesity epidemic."
60
143000
2000
az elhízásról beszélni,
02:40
And, along with my collaborator, James Fowler,
61
145000
3000
Együttműködő partneremmel, James Fowlerrel,
02:43
we began to wonder whether obesity really was epidemic
62
148000
3000
azon morfondíroztunk, hogy az elhízás (társadalmilag) fertőző-e,
02:46
and could it spread from person to person
63
151000
2000
terjedhet-e emberről emberre,
02:48
like the four people I discussed earlier.
64
153000
3000
mint a korábban tárgyalt négy ember esetében.
02:51
So this is a slide of some of our initial results.
65
156000
3000
Ezen a képen a korai eredményeink vannak.
02:54
It's 2,200 people in the year 2000.
66
159000
3000
2200 ember, a kétezres évben.
02:57
Every dot is a person. We make the dot size
67
162000
2000
Minden pötty egy ember. A pontok mérete
02:59
proportional to people's body size;
68
164000
2000
az emberi testek méterével arányos.
03:01
so bigger dots are bigger people.
69
166000
3000
A nagyobb pöttyök, nagyobb emberek.
03:04
In addition, if your body size,
70
169000
2000
Ráadásul, ha
03:06
if your BMI, your body mass index, is above 30 --
71
171000
2000
a test tömeg indexed (BMI) 30 felett van,
03:08
if you're clinically obese --
72
173000
2000
vagyis klinikai értelemben elhízott vagy,
03:10
we also colored the dots yellow.
73
175000
2000
akkor a pöttyöket sárgára színeztük.
03:12
So, if you look at this image, right away you might be able to see
74
177000
2000
Ha ránéztek erre a képre, azonnal látjátok,
03:14
that there are clusters of obese and
75
179000
2000
hogy vannak itt klaszterek, melyek elhízott és
03:16
non-obese people in the image.
76
181000
2000
nem elhízott emberekből állnak, a képen.
03:18
But the visual complexity is still very high.
77
183000
3000
De a vizuális komplexitás még midig túl nagy.
03:21
It's not obvious exactly what's going on.
78
186000
3000
Nem teljesen nyilvánvaló, hogy mi történik.
03:24
In addition, some questions are immediately raised:
79
189000
2000
Továbbá azonnal kérdések merülnek fel.
03:26
How much clustering is there?
80
191000
2000
Mennyi a klaszterek aránya?
03:28
Is there more clustering than would be due to chance alone?
81
193000
3000
Több a klaszter, mint amit a vakszerencse indokolna?
03:31
How big are the clusters? How far do they reach?
82
196000
2000
Milyen nagyok a klaszterek? Milyen messzire érnek el?
03:33
And, most importantly,
83
198000
2000
De legfőképpen,
03:35
what causes the clusters?
84
200000
2000
mi okozza a klaszteresedést?
03:37
So we did some mathematics to study the size of these clusters.
85
202000
3000
Némi matematikára van szükségünk, hogy a klaszterek méretét tanulmányozzuk.
03:40
This here shows, on the Y-axis,
86
205000
2000
Ez itt azt mutatja, az Y tengelyen,
03:42
the increase in the probability that a person is obese
87
207000
3000
hogy mennyivel nő az elhízás valószínűsége,
03:45
given that a social contact of theirs is obese
88
210000
2000
ha az egyik társadalmi kapcsolatuk elhízott.
03:47
and, on the X-axis, the degrees of separation between the two people.
89
212000
3000
Az X tengely mutatja az emberek közötti (társadalmi) távolságot.
03:50
On the far left, you see the purple line.
90
215000
2000
És a távoli bal oldalon egy lila vonal látható.
03:52
It says that, if your friends are obese,
91
217000
2000
Azt közli, hogy ha a barátaid kövérek,
03:54
your risk of obesity is 45 percent higher.
92
219000
3000
a kövérségre való esélyed 45%-kal magasabb.
03:57
And the next bar over, the [red] line,
93
222000
2000
És a következő oszlop, a narancssárga vonal,
03:59
says if your friend's friends are obese,
94
224000
2000
azt mondja, hogy ha a barátaid barátai elhízottak,
04:01
your risk of obesity is 25 percent higher.
95
226000
2000
akkor a te elhízási rizikód 25%-kal magasabb.
04:03
And then the next line over says
96
228000
2000
Majd a következő vonal azt mondja,
04:05
if your friend's friend's friend, someone you probably don't even know, is obese,
97
230000
3000
hogy ha a barátod barátjának a barátja, akit te valószínűleg nem is ismersz, hájas,
04:08
your risk of obesity is 10 percent higher.
98
233000
3000
akkor a te elhízási rizikód 10%-kal magasabb.
04:11
And it's only when you get to your friend's friend's friend's friends
99
236000
3000
És csak amikor a te barátod barátjának a barátjának a barátja következik,
04:14
that there's no longer a relationship
100
239000
2000
csak ekkor szűnik meg az összefüggés,
04:16
between that person's body size and your own body size.
101
241000
3000
annak az embernek a testmérete és a te saját testméreted között.
04:20
Well, what might be causing this clustering?
102
245000
3000
Mi okozza ezt a klaszteresedést?
04:23
There are at least three possibilities:
103
248000
2000
Legalább három lehetőség létezik.
04:25
One possibility is that, as I gain weight,
104
250000
2000
Az egyik lehetőség, hogy ahogy hízom,
04:27
it causes you to gain weight.
105
252000
2000
te is hízol,
04:29
A kind of induction, a kind of spread from person to person.
106
254000
3000
egyfajta öngerjesztő folyamat, emberről emberre terjedés.
04:32
Another possibility, very obvious, is homophily,
107
257000
2000
Másik lehetőség, ami nagyon nyilvánvaló, egyfajta homofilia,
04:34
or, birds of a feather flock together;
108
259000
2000
madarat tolláról embert barátjáról.
04:36
here, I form my tie to you
109
261000
2000
Kötődést alakítok ki veled, mert
04:38
because you and I share a similar body size.
110
263000
3000
hasonló a testméretünk.
04:41
And the last possibility is what is known as confounding,
111
266000
2000
Végül a keveredés,
04:43
because it confounds our ability to figure out what's going on.
112
268000
3000
ami összezavarja azt a képességünket, hogy kiderítsük, mi folyik itt.
04:46
And here, the idea is not that my weight gain
113
271000
2000
És itt nem arról van szó, hogy az én hízásom
04:48
is causing your weight gain,
114
273000
2000
okozza a te hízásodat,
04:50
nor that I preferentially form a tie with you
115
275000
2000
nem is arról, hogy azért preferálom a veled való kötődést, mert
04:52
because you and I share the same body size,
116
277000
2000
hasonló a testméretünk,
04:54
but rather that we share a common exposure
117
279000
2000
hanem inkább az lehet, hogy ugyan annak vagyunk kitéve,
04:56
to something, like a health club
118
281000
3000
mint amilyen például egy életmód klub,
04:59
that makes us both lose weight at the same time.
119
284000
3000
melyben mindketten egyszerre fogyunk le.
05:02
When we studied these data, we found evidence for all of these things,
120
287000
3000
És amikor ezeket az adatokat kutattuk, mindezekre bizonyítékot is találtunk,
05:05
including for induction.
121
290000
2000
még az öngerjesztésre is.
05:07
And we found that if your friend becomes obese,
122
292000
2000
És azt találtuk, hogy ha a barátod elhízik, akkor
05:09
it increases your risk of obesity by about 57 percent
123
294000
3000
57%-kal nő az elhízási rizikód,
05:12
in the same given time period.
124
297000
2000
ugyan abban az időszakban.
05:14
There can be many mechanisms for this effect:
125
299000
3000
Rengeteg mechanizmus létezhet a hatás mögött.
05:17
One possibility is that your friends say to you something like --
126
302000
2000
Az egyik lehetőség, hogy a barátaid valami olyasmit mondanak neked, hogy
05:19
you know, they adopt a behavior that spreads to you --
127
304000
3000
tudod, felvesznek egy ragadós magatartásformát,
05:22
like, they say, "Let's go have muffins and beer,"
128
307000
3000
mint, pl.: Menjünk, igyunk sört és együnk sütit,
05:25
which is a terrible combination. (Laughter)
129
310000
3000
ami rettenetes kombináció, (Nevetés)
05:28
But you adopt that combination,
130
313000
2000
de elfogadod a kombinációt,
05:30
and then you start gaining weight like them.
131
315000
3000
és pont úgy kezdesz el hízni, mint ők.
05:33
Another more subtle possibility
132
318000
2000
Másik, kicsit finomabb lehetőség,
05:35
is that they start gaining weight, and it changes your ideas
133
320000
3000
hogy hízni kezdenek, és ez megváltoztatja az elfogadható
05:38
of what an acceptable body size is.
134
323000
2000
testméretekről alkotott ideádat.
05:40
Here, what's spreading from person to person
135
325000
2000
És ekkor, ami emberről emberre terjed, az
05:42
is not a behavior, but rather a norm:
136
327000
2000
nem egy viselkedés, hanem egy norma.
05:44
An idea is spreading.
137
329000
2000
Egy gondolat az, ami terjed.
05:46
Now, headline writers
138
331000
2000
A főcím íróknak
05:48
had a field day with our studies.
139
333000
2000
nagy napja volt, a tanulmányunkkal kapcsolatban.
05:50
I think the headline in The New York Times was,
140
335000
2000
Azt hiszem, hogy a New York Times főcíme ez volt,
05:52
"Are you packing it on?
141
337000
2000
"Hízol?
05:54
Blame your fat friends." (Laughter)
142
339000
3000
Kend a hájas barátaidra."
05:57
What was interesting to us is that the European headline writers
143
342000
2000
Számunkra nagyon érdekes volt, hogy az Európai főcím írók
05:59
had a different take: They said,
144
344000
2000
teljesen máshonnan nézték, és azt mondták:
06:01
"Are your friends gaining weight? Perhaps you are to blame."
145
346000
3000
"Híznak a barátaid? Lehet, hogy te vagy a hibás?"
06:04
(Laughter)
146
349000
5000
(Nevetés)
06:09
And we thought this was a very interesting comment on America,
147
354000
3000
Úgy gondoltuk, ez egy nagyon érdekes megjegyzés volt, Amerikára,
06:12
and a kind of self-serving,
148
357000
2000
valahogy olyan önkiszolgáló jellegű,
06:14
"not my responsibility" kind of phenomenon.
149
359000
2000
amolyan "nem az én felelősségem" jellegű fenomén.
06:16
Now, I want to be very clear: We do not think our work
150
361000
2000
Nagyon világos akarok lenni: nem gondoljuk, hogy a munkánk
06:18
should or could justify prejudice
151
363000
2000
bármilyen előítéletet indokolna,
06:20
against people of one or another body size at all.
152
365000
3000
ilyen vagy olyan testméretű emberekkel kapcsolatban.
06:24
Our next questions was:
153
369000
2000
Ez volt a következő kérdésünk:
06:26
Could we actually visualize this spread?
154
371000
3000
Vizualizálhatnánk esetleg ezt a terjedést?
06:29
Was weight gain in one person actually spreading
155
374000
2000
Egyik személy súlygyarapodása valóban
06:31
to weight gain in another person?
156
376000
2000
átterjedhet egy másik személyre, súlygyarapodás formájában?
06:33
And this was complicated because
157
378000
2000
És ez elég komplikált volt,
06:35
we needed to take into account the fact that the network structure,
158
380000
3000
mert számításba kellett vennünk a tényt, hogy a társas struktúra,
06:38
the architecture of the ties, was changing across time.
159
383000
3000
a kapcsolatok felépítése, időközben változik.
06:41
In addition, because obesity is not a unicentric epidemic,
160
386000
3000
Ráadásul, mivel a túlsúly nem egy-központú járvány,
06:44
there's not a Patient Zero of the obesity epidemic --
161
389000
3000
nincs nulladik páciens az elhízási járványban,
06:47
if we find that guy, there was a spread of obesity out from him --
162
392000
3000
akit meglelhetünk, mintha belőle terjedne ki az elhízás kórokozója.
06:50
it's a multicentric epidemic.
163
395000
2000
Több-központú járvány.
06:52
Lots of people are doing things at the same time.
164
397000
2000
Sokan híznak egyszerre.
06:54
And I'm about to show you a 30 second video animation
165
399000
3000
Most egy 30 másodperces videó animációt mutatok,
06:57
that took me and James five years of our lives to do.
166
402000
3000
melynek James-vel közös elkészítése, 5 évet vett el az életünkből.
07:00
So, again, every dot is a person.
167
405000
2000
És újfent, minden pötty egy ember.
07:02
Every tie between them is a relationship.
168
407000
2000
Minden köztük lévő kötés, egy kapcsolat.
07:04
We're going to put this into motion now,
169
409000
2000
Most animáljuk,
07:06
taking daily cuts through the network for about 30 years.
170
411000
3000
napra lebontott lépésekben, a hálózat 30 évét.
07:09
The dot sizes are going to grow,
171
414000
2000
A pontméretek egyre nagyobbak lesznek.
07:11
you're going to see a sea of yellow take over.
172
416000
3000
Elhatalmasodik a sárga szín.
07:14
You're going to see people be born and die --
173
419000
2000
Emberek születését és halálát látjátok majd,
07:16
dots will appear and disappear --
174
421000
2000
pontok jönnek és mennek.
07:18
ties will form and break, marriages and divorces,
175
423000
3000
Kapcsolatok épülnek ki és szakadnak meg. Házasságok és válások,
07:21
friendings and defriendings.
176
426000
2000
barátkozások és barátságok széthullása,
07:23
A lot of complexity, a lot is happening
177
428000
2000
sok komplexitás, rengeteg minden történik,
07:25
just in this 30-year period
178
430000
2000
pusztán ebben a 30 éves periódusban,
07:27
that includes the obesity epidemic.
179
432000
2000
mely magában foglalja az elhízási járványt.
07:29
And, by the end, you're going to see clusters
180
434000
2000
Végül klasztereket látnak majd,
07:31
of obese and non-obese individuals
181
436000
2000
elhízott és nem elhízott egyénekből,
07:33
within the network.
182
438000
2000
a kapcsolathálókon belül.
07:35
Now, when looked at this,
183
440000
3000
Amikor ezt szemléltem,
07:38
it changed the way I see things,
184
443000
3000
megváltoztatta azt, ahogyan a dolgokat látom,
07:41
because this thing, this network
185
446000
2000
mert ez a dolog, ez a hálózat,
07:43
that's changing across time,
186
448000
2000
mely időben változik,
07:45
it has a memory, it moves,
187
450000
3000
memóriával rendelkezik, mozog,
07:48
things flow within it,
188
453000
2000
dolgok áramolnak benne,
07:50
it has a kind of consistency --
189
455000
2000
van benne valami állandóság,
07:52
people can die, but it doesn't die;
190
457000
2000
az emberek meghalhatnak, de ez a valami nem hal meg;
07:54
it still persists --
191
459000
2000
továbbra is kitart.
07:56
and it has a kind of resilience
192
461000
2000
Van valamiféle rugalmasság benne,
07:58
that allows it to persist across time.
193
463000
2000
mely megengedi, hogy az idők folyamán kitartson.
08:00
And so, I came to see these kinds of social networks
194
465000
3000
És ekkor úgy kezdtem a társas kapcsolathálókat látni,
08:03
as living things,
195
468000
2000
mint az élőlényeket,
08:05
as living things that we could put under a kind of microscope
196
470000
3000
mint olyan élő dolgokat, melyeket egyfajta mikroszkóp alá helyezhetünk,
08:08
to study and analyze and understand.
197
473000
3000
és tanulmányozhatjuk, analizálhatjuk, megérthetjük.
08:11
And we used a variety of techniques to do this.
198
476000
2000
Többféle technikát alkalmazunk, amikor ezt tesszük.
08:13
And we started exploring all kinds of other phenomena.
199
478000
3000
És mindenféle más fenomént is elkezdtünk tanulmányozni.
08:16
We looked at smoking and drinking behavior,
200
481000
2000
Megnéztük a dohányzást, az ivási viselkedést,
08:18
and voting behavior,
201
483000
2000
a választási viselkedést,
08:20
and divorce -- which can spread --
202
485000
2000
a válást, mely terjedhet,
08:22
and altruism.
203
487000
2000
és az altruizmust.
08:24
And, eventually, we became interested in emotions.
204
489000
3000
Végül érdeklődni kezdtünk az emóciók iránt.
08:28
Now, when we have emotions,
205
493000
2000
Amikor érzelmeink vannak,
08:30
we show them.
206
495000
2000
kimutatjuk őket.
08:32
Why do we show our emotions?
207
497000
2000
Miért mutatjuk ki az érzéseinket?
08:34
I mean, there would be an advantage to experiencing
208
499000
2000
Úgy értem, hogy annak persze van előnye, ha megtapasztaljuk
08:36
our emotions inside, you know, anger or happiness.
209
501000
3000
az érzéseinket, belül, tudjátok, mint a haragot vagy a boldogságot,
08:39
But we don't just experience them, we show them.
210
504000
2000
de mi nem csak tapasztaljuk, hanem ki is mutatjuk őket.
08:41
And not only do we show them, but others can read them.
211
506000
3000
De nem csak hogy kimutatjuk, hanem mások képesek leolvasni.
08:44
And, not only can they read them, but they copy them.
212
509000
2000
És nem csak leolvassák, de másolják is.
08:46
There's emotional contagion
213
511000
2000
Érzelmi ragály
08:48
that takes place in human populations.
214
513000
3000
terjed az emberi populációkban.
08:51
And so this function of emotions
215
516000
2000
És az érzelmeknek ez a funkciója,
08:53
suggests that, in addition to any other purpose they serve,
216
518000
2000
azt sugallja, minden más egyéb cél tetejében, hogy
08:55
they're a kind of primitive form of communication.
217
520000
3000
egy fajta primitív kommunikációs formát képviselnek.
08:58
And that, in fact, if we really want to understand human emotions,
218
523000
3000
És az a helyzet, hogy ha tényleg érteni akarjuk az emberi érzelmeket,
09:01
we need to think about them in this way.
219
526000
2000
így kell róluk gondolkodnunk.
09:03
Now, we're accustomed to thinking about emotions in this way,
220
528000
3000
Ahhoz szoktunk, hogy az érzelmekről, ilyen szimpla módon,
09:06
in simple, sort of, brief periods of time.
221
531000
3000
csak rövid ideig gondolkodjunk.
09:09
So, for example,
222
534000
2000
Tehát, például,
09:11
I was giving this talk recently in New York City,
223
536000
2000
előadtam nemrég New York Cityben,
09:13
and I said, "You know when you're on the subway
224
538000
2000
és azt mondtam: "Ismerik, milyen, amikor a metrón vannak,
09:15
and the other person across the subway car
225
540000
2000
és egy másik ember, a metró szemközti oldaláról,
09:17
smiles at you,
226
542000
2000
Önökre mosolyog,
09:19
and you just instinctively smile back?"
227
544000
2000
és Önök ösztönösen visszamosolyognak."
09:21
And they looked at me and said, "We don't do that in New York City." (Laughter)
228
546000
3000
És rám néztem, és azt mondták: "Mi ilyet nem teszünk NYC-ben." (Nevetés)
09:24
And I said, "Everywhere else in the world,
229
549000
2000
És erre azt mondtam: "Minden más szegletében a Világnak,
09:26
that's normal human behavior."
230
551000
2000
ez normális emberi viselkedés."
09:28
And so there's a very instinctive way
231
553000
2000
Nagyon ösztönös út létezik
09:30
in which we briefly transmit emotions to each other.
232
555000
3000
érzelmeink gyors átadására, egymás között.
09:33
And, in fact, emotional contagion can be broader still.
233
558000
3000
Még ennél is szélesebb lehet az érzelmi fertőzőképesség,
09:36
Like we could have punctuated expressions of anger,
234
561000
3000
pl. a haragnak hangsúlyos kifejezésformái lehetnek,
09:39
as in riots.
235
564000
2000
mint amilyenek a lázadások.
09:41
The question that we wanted to ask was:
236
566000
2000
A kérdés, amit fel akartunk tenni:
09:43
Could emotion spread,
237
568000
2000
"Az érzelmek
09:45
in a more sustained way than riots, across time
238
570000
3000
tartósabban is terjedhetnek a felkeléseknél, az idő dimenziójában,
09:48
and involve large numbers of people,
239
573000
2000
és sok emberre hathatnak,
09:50
not just this pair of individuals smiling at each other in the subway car?
240
575000
3000
nem csak az egymásra mosolygó két emberre a metrókocsiban?"
09:53
Maybe there's a kind of below the surface, quiet riot
241
578000
3000
Lehet, hogy valahol a mélyben folyton van egy csendes felkelés,
09:56
that animates us all the time.
242
581000
2000
mely folyton mozgat minket.
09:58
Maybe there are emotional stampedes
243
583000
2000
Talán léteznek olyan erőteljes érzelmi folyamatok,
10:00
that ripple through social networks.
244
585000
2000
melyek végigsöpörnek a társadalmi hálókon.
10:02
Maybe, in fact, emotions have a collective existence,
245
587000
3000
Lehet, hogy az érzelmeknek kollektív létformájuk is van,
10:05
not just an individual existence.
246
590000
2000
nem csak egyéni létük.
10:07
And this is one of the first images we made to study this phenomenon.
247
592000
3000
És ez az egyik első kép, melyet a jelenség tanulmányozására hoztunk létre.
10:10
Again, a social network,
248
595000
2000
Újra egy társas kapcsolatrendszer,
10:12
but now we color the people yellow if they're happy
249
597000
3000
de most az emberek akkor sárgák, ha boldogok,
10:15
and blue if they're sad and green in between.
250
600000
3000
kékek, ha szomorúak, és zöldek a kettő között.
10:18
And if you look at this image, you can right away see
251
603000
2000
Ha megnézitek, azonnal láthatjátok a
10:20
clusters of happy and unhappy people,
252
605000
2000
boldog és boldogtalan emberek klasztereit,
10:22
again, spreading to three degrees of separation.
253
607000
2000
melyek szintén három kapcsolati fokig terjednek.
10:24
And you might form the intuition
254
609000
2000
És ráérezhettek,
10:26
that the unhappy people
255
611000
2000
hogy a boldogtalan emberek,
10:28
occupy a different structural location within the network.
256
613000
3000
más strukturális helyet foglalnak el a hálózatban.
10:31
There's a middle and an edge to this network,
257
616000
2000
Tehát van ennek a kapcsolathálónak közepe és széle,
10:33
and the unhappy people seem to be
258
618000
2000
és a boldogtalan emberek, úgy tűnik,
10:35
located at the edges.
259
620000
2000
a széleken helyezkednek el (marginalizálódtak).
10:37
So to invoke another metaphor,
260
622000
2000
Hogy más metaforát is alkalmazzak,
10:39
if you imagine social networks as a kind of
261
624000
2000
ha úgy képzelitek el a társadalmi kapcsolathálókat, mint
10:41
vast fabric of humanity --
262
626000
2000
az emberiség egyfajta hatalmas szövetét,
10:43
I'm connected to you and you to her, on out endlessly into the distance --
263
628000
3000
én kötődöm hozzád, te ő hozzá, a végtelenségig,
10:46
this fabric is actually like
264
631000
2000
akkor ez a szövet olyan, mint egy
10:48
an old-fashioned American quilt,
265
633000
2000
régimódi amerikai steppelt takaró,
10:50
and it has patches on it: happy and unhappy patches.
266
635000
3000
melyen foltok vannak, boldog és boldogtalan foltok.
10:53
And whether you become happy or not
267
638000
2000
És az, hogy boldog leszel-e vagy sem,
10:55
depends in part on whether you occupy a happy patch.
268
640000
3000
részben azon múlik, hogy egy boldog folton létezel-e.
10:58
(Laughter)
269
643000
2000
(Nevetés)
11:00
So, this work with emotions,
270
645000
3000
Úgyhogy, ez az érzelmekkel folyó munka,
11:03
which are so fundamental,
271
648000
2000
melyek annyira alapvetőek,
11:05
then got us to thinking about: Maybe
272
650000
2000
arra engedtek következtetni, hogy talán
11:07
the fundamental causes of human social networks
273
652000
2000
a társadalmi kapcsolathálók alap indítékai,
11:09
are somehow encoded in our genes.
274
654000
2000
a génjeinkben kódoltak.
11:11
Because human social networks, whenever they are mapped,
275
656000
3000
Mert a társadalmi kapcsolathálók, bármikor készülnek róluk térképek,
11:14
always kind of look like this:
276
659000
2000
mindig így néznek ki,
11:16
the picture of the network.
277
661000
2000
íme a (lehetséges) hálózat képe,
11:18
But they never look like this.
278
663000
2000
de soha nem néznek ki így.
11:20
Why do they not look like this?
279
665000
2000
Miért néznek ki így?
11:22
Why don't we form human social networks
280
667000
2000
Miért nem hozunk létre olyan társadalmi kapcsolathálókat,
11:24
that look like a regular lattice?
281
669000
2000
melyek úgy néznek ki, mint a szokványos kristály rácsok?
11:26
Well, the striking patterns of human social networks,
282
671000
3000
Az emberi kapcsolatrendszerek meglepő mintázatai,
11:29
their ubiquity and their apparent purpose
283
674000
3000
az, hogy mindenütt jelen vannak, és nyilvánvalóan célszerűek,
11:32
beg questions about whether we evolved to have
284
677000
2000
mindez bizonyítja: úgy alakultunk ki, hogy
11:34
human social networks in the first place,
285
679000
2000
eleve legyenek társadalmi kapcsolathálóink,
11:36
and whether we evolved to form networks
286
681000
2000
és hogy úgy fejlődtünk ki, hogy a hálózatok
11:38
with a particular structure.
287
683000
2000
speciális struktúráját hozzuk létre.
11:40
And notice first of all -- so, to understand this, though,
288
685000
2000
Ismerjétek fel... de hogy ez érthető legyen,
11:42
we need to dissect network structure a little bit first --
289
687000
3000
elébb bele kell mennünk a hálózati struktúrákba, egy kicsit.
11:45
and notice that every person in this network
290
690000
2000
Figyelemre méltó, hogy minden személy, ebben a kapcsolathálóban,
11:47
has exactly the same structural location as every other person.
291
692000
3000
pont ugyan olyan strukturális helyet foglal el, mint minden más személy.
11:50
But that's not the case with real networks.
292
695000
3000
De nem ez a helyzet a valódi hálózatokkal.
11:53
So, for example, here is a real network of college students
293
698000
2000
Például íme egy valódi diák kapcsolatháló
11:55
at an elite northeastern university.
294
700000
3000
egy elit északkeleti egyetemen.
11:58
And now I'm highlighting a few dots.
295
703000
2000
Most kiemelek néhány pöttyöt,
12:00
If you look here at the dots,
296
705000
2000
és a pöttyökre pillantva,
12:02
compare node B in the upper left
297
707000
2000
vessétek össze a B csomópontot, a bal felső sarokban,
12:04
to node D in the far right;
298
709000
2000
a D csomóponttal, a jobb szélen,
12:06
B has four friends coming out from him
299
711000
2000
B-ből négy barát ágazik el.
12:08
and D has six friends coming out from him.
300
713000
3000
D-hez hat barát kapcsolódik.
12:11
And so, those two individuals have different numbers of friends.
301
716000
3000
Tehát ezeknek az egyéneknek különböző számú barátjuk van,
12:14
That's very obvious, we all know that.
302
719000
2000
ez annyira nyilvánvaló, mind tudjuk.
12:16
But certain other aspects
303
721000
2000
De bizonyos egyéb aspektusok,
12:18
of social network structure are not so obvious.
304
723000
2000
a társadalmi kapcsolatrendszerekben, nem annyira nyilvánvalóak.
12:20
Compare node B in the upper left to node A in the lower left.
305
725000
3000
Vessétek össze a B csomópontot, balra felül, az A-val, balra, lent.
12:23
Now, those people both have four friends,
306
728000
3000
Na most ezeknek az embereknek, mindkettőnek, négy barátja van,
12:26
but A's friends all know each other,
307
731000
2000
de A barátai mind ismerik egymást,
12:28
and B's friends do not.
308
733000
2000
míg B barátai nem.
12:30
So the friend of a friend of A's
309
735000
2000
Vagyis A egyik barátjának a barátja,
12:32
is, back again, a friend of A's,
310
737000
2000
A barátja is,
12:34
whereas the friend of a friend of B's is not a friend of B's,
311
739000
2000
míg B egyik barátjának a barátja, B-nek nem barátja,
12:36
but is farther away in the network.
312
741000
2000
távol van a hálóban.
12:38
This is known as transitivity in networks.
313
743000
3000
Ez hálózati tranzitivitásként ismert.
12:41
And, finally, compare nodes C and D:
314
746000
2000
És végül, vessétek össze a C és a D csomópontokat.
12:43
C and D both have six friends.
315
748000
3000
C-nek és D-nek, mindkettejüknek, 6 barátja van.
12:46
If you talk to them, and you said, "What is your social life like?"
316
751000
3000
Ha beszélgetnétek velük, és azt mondanátok: "Milyen a társadalmi életetek?"
12:49
they would say, "I've got six friends.
317
754000
2000
azt mondanák, hogy "Hat barátom van,
12:51
That's my social experience."
318
756000
2000
ez jellemzi a társas tapasztalataimat."
12:53
But now we, with a bird's eye view looking at this network,
319
758000
3000
De most, madártávlatból, erre a kapcsolathálóra pillantva,
12:56
can see that they occupy very different social worlds.
320
761000
3000
belátjuk, hogy teljesen más társas világokban foglalnak helyet,
12:59
And I can cultivate that intuition in you by just asking you:
321
764000
2000
és fejleszthetem is bennetek ezt az intuíciót, ha azt kérdezem, hogy
13:01
Who would you rather be
322
766000
2000
"Ki lennél inkább?",
13:03
if a deadly germ was spreading through the network?
323
768000
2000
ha egy halálos bacilus terjedne a kapcsolatrendszerben?
13:05
Would you rather be C or D?
324
770000
3000
Inkább C vagy D lennél?
13:08
You'd rather be D, on the edge of the network.
325
773000
2000
Inkább D lennél, a kapcsolatháló szélén.
13:10
And now who would you rather be
326
775000
2000
És most: Ki lennél inkább, ha
13:12
if a juicy piece of gossip -- not about you --
327
777000
3000
egy jó kis zaftos pletyka terjedne, nem rólad,
13:15
was spreading through the network? (Laughter)
328
780000
2000
a hálózatban?
13:17
Now, you would rather be C.
329
782000
2000
Ebben az esetben inkább C lennél.
13:19
So different structural locations
330
784000
2000
Tehát a különböző strukturális elhelyezkedések,
13:21
have different implications for your life.
331
786000
2000
különböző következményeket hordoznak az életedben.
13:23
And, in fact, when we did some experiments looking at this,
332
788000
3000
És az a helyzet, hogy amikor némi kísérletezést folytattunk ezzel kapcsolatban,
13:26
what we found is that 46 percent of the variation
333
791000
3000
azt találtuk, hogy 46%-ban befolyásolja,
13:29
in how many friends you have
334
794000
2000
a barátok számát,
13:31
is explained by your genes.
335
796000
2000
a genetika.
13:33
And this is not surprising. We know that some people are born shy
336
798000
3000
És ez nem meglepő. Tudjuk, hogy vannak, akik félénknek születnek,
13:36
and some are born gregarious. That's obvious.
337
801000
3000
mások pedig társaság kedvelők.
13:39
But we also found some non-obvious things.
338
804000
2000
De találtunk nem annyira egyértelmű dolgokat is.
13:41
For instance, 47 percent in the variation
339
806000
3000
Példának okáért, 47%-ban hatnak,
13:44
in whether your friends know each other
340
809000
2000
arra, hogy a barátaid ismeri-e egymást,
13:46
is attributable to your genes.
341
811000
2000
a génjeid.
13:48
Whether your friends know each other
342
813000
2000
Hogy a barátaid ismerik-e egymást,
13:50
has not just to do with their genes, but with yours.
343
815000
3000
annak nem csak az ő génjeikhez van köze, hanem a tiedhez is.
13:53
And we think the reason for this is that some people
344
818000
2000
Azt gondoljuk, ennek az oka, hogy egyes emberek
13:55
like to introduce their friends to each other -- you know who you are --
345
820000
3000
szeretik a barátaikat bemutatni egymásnak, mindenki tudja, hogy ki kicsoda,
13:58
and others of you keep them apart and don't introduce your friends to each other.
346
823000
3000
mások elkülönítik őket, és barátaikat nem mutatják be egymásnak.
14:01
And so some people knit together the networks around them,
347
826000
3000
Így hát, vannak emberek, akik szorosan összekötik az őket körülvevő hálózatokat,
14:04
creating a kind of dense web of ties
348
829000
2000
ilyen módon a kapcsolatok sűrű hálóját hozva létre,
14:06
in which they're comfortably embedded.
349
831000
2000
melybe kényelmesen beágyazódnak.
14:08
And finally, we even found that
350
833000
2000
És végül még azt is találtuk,
14:10
30 percent of the variation
351
835000
2000
hogy 30%-ban,
14:12
in whether or not people are in the middle or on the edge of the network
352
837000
3000
az, hogy valaki a kapcsolatrendszer közepén vagy szélén helyezkedik el,
14:15
can also be attributed to their genes.
353
840000
2000
szintén genetikailag meghatározott.
14:17
So whether you find yourself in the middle or on the edge
354
842000
2000
Vagyis az, hogy a szélen vagy középen helyezkedsz el,
14:19
is also partially heritable.
355
844000
3000
részben örökletes.
14:22
Now, what is the point of this?
356
847000
3000
Mi ennek az értelme?
14:25
How does this help us understand?
357
850000
2000
Hogyan segít ez minket a megértésben?
14:27
How does this help us
358
852000
2000
Hogyan segít ez minket abban, hogy
14:29
figure out some of the problems that are affecting us these days?
359
854000
3000
megértsük némely mai problémánkat?
14:33
Well, the argument I'd like to make is that networks have value.
360
858000
3000
Az érvem az, hogy kapcsolathálóink értékesek.
14:36
They are a kind of social capital.
361
861000
3000
Egyfajta társadalmi tőkét jelentenek.
14:39
New properties emerge
362
864000
2000
Új tulajdonságok jelennek meg,
14:41
because of our embeddedness in social networks,
363
866000
2000
- mivel társadalmi kapcsolatrendszerekbe illeszkedünk -
14:43
and these properties inhere
364
868000
3000
a rendszerekben lévő tulajdonságok miatt,
14:46
in the structure of the networks,
365
871000
2000
a kapcsolatrendszerek struktúrájában,
14:48
not just in the individuals within them.
366
873000
2000
nem csak a bennük foglalt egyedekben.
14:50
So think about these two common objects.
367
875000
2000
Gondoljatok erre a két tárgyra.
14:52
They're both made of carbon,
368
877000
2000
Mindkettő szénből áll,
14:54
and yet one of them has carbon atoms in it
369
879000
3000
ugyanakkor az egyikben a szénatomok olyan módon
14:57
that are arranged in one particular way -- on the left --
370
882000
3000
rendeződnek, a bal oldalon,
15:00
and you get graphite, which is soft and dark.
371
885000
3000
hogy a végeredmény a grafit lesz, ami puha és sötét.
15:03
But if you take the same carbon atoms
372
888000
2000
De ha ugyan ezeket a szénatomokat
15:05
and interconnect them a different way,
373
890000
2000
más módon kapcsolod össze,
15:07
you get diamond, which is clear and hard.
374
892000
3000
akkor gyémántot kapsz, ami áttetsző és kemény.
15:10
And those properties of softness and hardness and darkness and clearness
375
895000
3000
És ezek a tulajdonságok, a puhaság, keménység, sötétség, és átlátszóság,
15:13
do not reside in the carbon atoms;
376
898000
2000
nem a szén atomokban lakoznak.
15:15
they reside in the interconnections between the carbon atoms,
377
900000
3000
A (tulajdonságok a) szén atomok közötti összefüggésekben rejteznek,
15:18
or at least arise because of the
378
903000
2000
vagy legalábbis a
15:20
interconnections between the carbon atoms.
379
905000
2000
szén atomok közötti kapcsolódások miatt jönnek létre.
15:22
So, similarly, the pattern of connections among people
380
907000
3000
Ugyan így, az emberek közötti kapcsolatok mintázata,
15:25
confers upon the groups of people
381
910000
3000
az emberi csoportokat
15:28
different properties.
382
913000
2000
különböző jellegzetességekkel ruházza fel.
15:30
It is the ties between people
383
915000
2000
Ezek az emberek közötti kapcsolatok
15:32
that makes the whole greater than the sum of its parts.
384
917000
3000
okozzák a szinergiát.
15:35
And so it is not just what's happening to these people --
385
920000
3000
Tehát nem csak az befolyásol minket, hogy mi történik ezekkel az emberekkel,
15:38
whether they're losing weight or gaining weight, or becoming rich or becoming poor,
386
923000
3000
fogynak vagy híznak, gazdagodnak vagy szegényednek,
15:41
or becoming happy or not becoming happy -- that affects us;
387
926000
3000
boldogok lesznek vagy nem lesznek boldogok.
15:44
it's also the actual architecture
388
929000
2000
Hanem a minket körülvevő
15:46
of the ties around us.
389
931000
2000
kötelékek felépítése is (befolyásol minket).
15:48
Our experience of the world
390
933000
2000
Azon múlik a világban szerzett tapasztalatunk,
15:50
depends on the actual structure
391
935000
2000
hogy milyen a strukturális felépítése
15:52
of the networks in which we're residing
392
937000
2000
azoknak a hálózatoknak, melyekben élünk,
15:54
and on all the kinds of things that ripple and flow
393
939000
3000
illetve (élményünk) azokon a dolgokon múlik, melyek hullámzanak és áramlanak
15:57
through the network.
394
942000
2000
a hálózaton belül.
16:00
Now, the reason, I think, that this is the case
395
945000
3000
Szerintem arról van szó,
16:03
is that human beings assemble themselves
396
948000
2000
hogy az emberi lények egybegyűlnek,
16:05
and form a kind of superorganism.
397
950000
3000
és egy szuper organizmust hoznak létre.
16:09
Now, a superorganism is a collection of individuals
398
954000
3000
Na már most, a szuper organizmus, az egyének olyan gyűjteménye,
16:12
which show or evince behaviors or phenomena
399
957000
3000
mely viselkedésformákban és jelenségekben nyilvánul meg,
16:15
that are not reducible to the study of individuals
400
960000
3000
melyek nem redukálhatók az egyén vizsgálatára,
16:18
and that must be understood by reference to,
401
963000
2000
és a közösségre utalva,
16:20
and by studying, the collective.
402
965000
2000
a kollektív jelenségeit vizsgálva,
16:22
Like, for example, a hive of bees
403
967000
3000
mint például egy méhraj,
16:25
that's finding a new nesting site,
404
970000
3000
mely új fészket talál,
16:28
or a flock of birds that's evading a predator,
405
973000
2000
vagy egy madár raj, mely elkerül egy ragadozót,
16:30
or a flock of birds that's able to pool its wisdom
406
975000
3000
vagy egy madár raj, mely a közös tudásra alapozva,
16:33
and navigate and find a tiny speck
407
978000
2000
navigál, és megleli a pöttöm
16:35
of an island in the middle of the Pacific,
408
980000
2000
szigetet a Csendes Óceán kellős közepén,
16:37
or a pack of wolves that's able
409
982000
2000
vagy egy farkas falka, mely képes
16:39
to bring down larger prey.
410
984000
3000
egy sokkal nagyobb zsákmány elejtésére.
16:42
Superorganisms have properties
411
987000
2000
A szuper organizmusoknak olyan tulajdonságaik vannak,
16:44
that cannot be understood just by studying the individuals.
412
989000
3000
melyek nem érthetőek meg pusztán az egyén tanulmányozásával.
16:47
I think understanding social networks
413
992000
2000
Véleményem szerint, a társadalmi kapcsolathálók megértése,
16:49
and how they form and operate
414
994000
2000
hogy milyen módon alakulnak ki és működnek,
16:51
can help us understand not just health and emotions
415
996000
3000
nem csak az egészség és érzelmek megértésében segíthetnek nekünk,
16:54
but all kinds of other phenomena --
416
999000
2000
de sok más jelenség (esetében),
16:56
like crime, and warfare,
417
1001000
2000
mint amilyen a bűnözés és a háború,
16:58
and economic phenomena like bank runs
418
1003000
2000
gazdasági jelenségek, mint pl. a bankok fizetőképtelensége,
17:00
and market crashes
419
1005000
2000
tömeges pénzfelvételek esetén, vagy a piacok összeomlása,
17:02
and the adoption of innovation
420
1007000
2000
vagy az innovációk befogadása,
17:04
and the spread of product adoption.
421
1009000
2000
és a termék elfogadás terjedése.
17:06
Now, look at this.
422
1011000
2000
Akkor most ezt nézzétek meg.
17:09
I think we form social networks
423
1014000
2000
Én úgy gondolom, azért alakítunk társas kapcsolatrendszereket,
17:11
because the benefits of a connected life
424
1016000
2000
mert a társas élet előnyei
17:13
outweigh the costs.
425
1018000
3000
túlsúlyban vannak a hátrányokhoz képest.
17:16
If I was always violent towards you
426
1021000
2000
Ha mindig erőszakos lennék veled,
17:18
or gave you misinformation
427
1023000
2000
vagy félre informálnálak,
17:20
or made you sad or infected you with deadly germs,
428
1025000
3000
vagy elszomorítanálak, vagy halálos vírusokkal fertőznélek meg,
17:23
you would cut the ties to me,
429
1028000
2000
elvágnád a hozzám kapcsolt kötelékeidet,
17:25
and the network would disintegrate.
430
1030000
2000
és a kapcsolatrendszer szétesne.
17:27
So the spread of good and valuable things
431
1032000
3000
Ezért a jó és értékes dolgok terjesztése
17:30
is required to sustain and nourish social networks.
432
1035000
3000
szükséges ahhoz, hogy fönntartsuk és tápláljuk a társadalmi kapcsolatrendszereket.
17:34
Similarly, social networks are required
433
1039000
2000
Hasonlóképpen, a közösségi kapcsolathálók szükségesek,
17:36
for the spread of good and valuable things,
434
1041000
3000
hogy jó és értékes dolgokat lehessen terjeszteni,
17:39
like love and kindness
435
1044000
2000
mint amilyen a szeretet és a kedvesség,
17:41
and happiness and altruism
436
1046000
2000
a boldogság és az altruizmus,
17:43
and ideas.
437
1048000
2000
illetve a gondolatok.
17:45
I think, in fact, that if we realized
438
1050000
2000
Komolyan úgy gondolom, hogy ha fölfognánk, hogy
17:47
how valuable social networks are,
439
1052000
2000
milyen értékesek a társas hálózatok,
17:49
we'd spend a lot more time nourishing them and sustaining them,
440
1054000
3000
akkor sokkal több időt szánnánk ezek táplálására és fönntartására,
17:52
because I think social networks
441
1057000
2000
mert a társas kapcsolatrendszerek
17:54
are fundamentally related to goodness.
442
1059000
3000
alapvetően kapcsolódnak a jósághoz,
17:57
And what I think the world needs now
443
1062000
2000
és szerintem, amire a világnak most szüksége van,
17:59
is more connections.
444
1064000
2000
az több kapcsolat.
18:01
Thank you.
445
1066000
2000
Köszönöm.
18:03
(Applause)
446
1068000
3000
(Taps) [Translated and subtitled by/Fordította és feliratozta: Regina Saphier]
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