TED@Cannes
Nicholas Christakis: How social networks predict epidemics
Nicholas Christakis: Miként jelzik előre a közösségi hálózatok a járványokat
Filmed:
Readability: 4.9
669,862 views
Miután feltérképezte a szövevényes közösségi hálózatokat, Nicholas Christakis és kollégája, James Fowler, azt kezdte kutatni, hogy ezek az információk hogyan tehetik jobbá az életünket. Nicholas Christakis most egészen friss kutatási eredményeit osztja meg velünk: ezek a hálózatok felhasználhatók arra, hogy minden eddiginél korábban jelezzenek előre járványokat, újszerű ötletek, veszélyes viselkedésmódok, valamint vírusok (pl. H1N1) terjedését.
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
Az utóbbi tíz évben annak a kérdésnek a megválaszolásával foglalkoztam,
00:18
how and why human beings
1
3000
2000
hogy az emberek miért és hogyan
00:20
assemble themselves into social networks.
2
5000
3000
szerveződnek közösségi hálózatokba.
00:23
And the kind of social network I'm talking about
3
8000
2000
Amikor közösségi hálózatról beszélek, nem a
00:25
is not the recent online variety,
4
10000
2000
nemrég megjelent online változatára gondolok,
00:27
but rather, the kind of social networks
5
12000
2000
hanem azokra a közösségi hálózatokra,
00:29
that human beings have been assembling for hundreds of thousands of years,
6
14000
3000
amelyekbe az emberek több százezer éve szerveződnek,
00:32
ever since we emerged from the African savannah.
7
17000
3000
azóta, amióta az ember afrikai szavannákon megjelent.
00:35
So, I form friendships and co-worker
8
20000
2000
Tehát az ember baráti, munkatársi
00:37
and sibling and relative relationships with other people
9
22000
3000
testvéri és rokoni kapcsolatokat alakít ki más emberekkel,
00:40
who in turn have similar relationships with other people.
10
25000
2000
akik maguk is hasonló kapcsolatokat létesítenek.
00:42
And this spreads on out endlessly into a distance.
11
27000
3000
Ez pedig végtelenbe nyúlik.
00:45
And you get a network that looks like this.
12
30000
2000
Így egy olyan hálózat alakul ki, ami a következőképpen néz ki.
00:47
Every dot is a person.
13
32000
2000
Minden pont egy-egy személy.
00:49
Every line between them is a relationship between two people --
14
34000
2000
A pontok közötti vonalak a két ember közötti kapcsolatot jelölik --
00:51
different kinds of relationships.
15
36000
2000
különböző kapcsolatokat.
00:53
And you can get this kind of vast fabric of humanity,
16
38000
3000
Így kialakul ez a hatalmas emberiség szövevény,
00:56
in which we're all embedded.
17
41000
2000
amelybe mindannyian be vagyunk ágyazva.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
43000
3000
A kollégám, James Fowler és én, már egy jó ideje vizsgáljuk,
01:01
what are the mathematical, social,
19
46000
2000
hogy melyek azok a matematikai, társadalmi,
01:03
biological and psychological rules
20
48000
3000
biológiai és pszichológiai szabályszerűségek,
01:06
that govern how these networks are assembled
21
51000
2000
amelyek ezeknek a hálózatoknak a felépítését meghatározzák,
01:08
and what are the similar rules
22
53000
2000
és azt, hogy melyek azok a hasonló szabályok,
01:10
that govern how they operate, how they affect our lives.
23
55000
3000
amelyek a működésüket meghatározzák, és ezek miként befolyásolják az életünket.
01:13
But recently, we've been wondering
24
58000
2000
Nemrégiben felmerült bennünk az a kérdés, hogy
01:15
whether it might be possible to take advantage of this insight,
25
60000
3000
vajon előnyt lehetne-e kovácsolni a kutatási eredményeinkből,
01:18
to actually find ways to improve the world,
26
63000
2000
hozzásegíthetnek-e ezek a világ fejlődéséhez,
01:20
to do something better,
27
65000
2000
hogy jobbá tegyünk dolgokat,
01:22
to actually fix things, not just understand things.
28
67000
3000
hogy ne csupán megértsünk dolgokat, hanem jobbá is tegyük azokat.
01:25
So one of the first things we thought we would tackle
29
70000
3000
Az egyik első dolog, amire gondoltunk az volt,
01:28
would be how we go about predicting epidemics.
30
73000
3000
hogy miként jelezzük előre a járványokat.
01:31
And the current state of the art in predicting an epidemic --
31
76000
2000
A dolgok mai állása szerint a járványok előrejelzése --
01:33
if you're the CDC or some other national body --
32
78000
3000
CDC-ként vagy más országos szervezetként --
01:36
is to sit in the middle where you are
33
81000
2000
úgy történik, hogy ott, ahol éppen tartózkodsz,
01:38
and collect data
34
83000
2000
adatokat gyűjtesz
01:40
from physicians and laboratories in the field
35
85000
2000
a szakavatott orvosoktól, illetve laboratóriumoktól,
01:42
that report the prevalence or the incidence of certain conditions.
36
87000
3000
amelyek beszámolnak bizonyos betegségek előfordulásáról, gyakoriságáról.
01:45
So, so and so patients have been diagnosed with something,
37
90000
3000
Ilyen és ilyen pácienseket valamilyen betegséggel diagnosztizálták [itt],
01:48
or other patients have been diagnosed,
38
93000
2000
más betegeket más betegséggel diagnosztizáltak [ott],
01:50
and all these data are fed into a central repository, with some delay.
39
95000
3000
és ezek az adatok egy központi összesítő rendszerbe kerülnek, bizonyos időbeli eltolódással.
01:53
And if everything goes smoothly,
40
98000
2000
Ha minden simán megy,
01:55
one to two weeks from now
41
100000
2000
egy-két héten belül
01:57
you'll know where the epidemic was today.
42
102000
3000
kiderül, hogy a járvány hol tartott ma.
02:00
And actually, about a year or so ago,
43
105000
2000
Mintegy egy évvel ezelőtt
02:02
there was this promulgation
44
107000
2000
nyilvánosságra hozták
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
109000
3000
a Google Influenza Tendenciák ötletét, az influenzára vonatkozóan,
02:07
where by looking at people's searching behavior today,
46
112000
3000
amely keretében az emberek Google keresési szokásait vizsgálva
02:10
we could know where the flu --
47
115000
2000
rá lehet jönni, hogy az influenza hol ...
02:12
what the status of the epidemic was today,
48
117000
2000
mi volt a járvány helyzete ma,
02:14
what's the prevalence of the epidemic today.
49
119000
3000
mekkora volt az előfordulási gyakorisága ma.
02:17
But what I'd like to show you today
50
122000
2000
Ma azt szeretném megmutatni önöknek,
02:19
is a means by which we might get
51
124000
2000
hogy létezik egy olyan módszer, amellyel nemcsak
02:21
not just rapid warning about an epidemic,
52
126000
3000
gyors figyelmeztetést kaphatunk egy járványról,
02:24
but also actually
53
129000
2000
hanem lényegében
02:26
early detection of an epidemic.
54
131000
2000
a járvány nagyon korán kimutatható.
02:28
And, in fact, this idea can be used
55
133000
2000
Ez a módszer nemcsak arra alkalmas, hogy
02:30
not just to predict epidemics of germs,
56
135000
3000
a baktériumok által okozott járványokat előrejelezze,
02:33
but also to predict epidemics of all sorts of kinds.
57
138000
3000
hanem arra is, hogy bármilyen fajta járványt megjósoljon.
02:37
For example, anything that spreads by a form of social contagion
58
142000
3000
Például, bármi, ami társadalmi érintkezéssel terjed,
02:40
could be understood in this way,
59
145000
2000
megérthető ily módon,
02:42
from abstract ideas on the left
60
147000
2000
az absztrakt gondolatoktól, balra,
02:44
like patriotism, or altruism, or religion
61
149000
3000
mint például a hazaszeretet, az altruizmus, a vallás
02:47
to practices
62
152000
2000
az olyan gyakorlatokig, mint például
02:49
like dieting behavior, or book purchasing,
63
154000
2000
a fogyókúrázás vagy könyvvásárlás,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
156000
3000
alkoholfogyasztás, védősisak-viselés vagy egyéb biztonsági viselkedésmódok,
02:54
or products that people might buy,
65
159000
2000
vagy vásárlási szokások,
02:56
purchases of electronic goods,
66
161000
2000
elektronikai termékek vásárlása,
02:58
anything in which there's kind of an interpersonal spread.
67
163000
3000
bármi, ami személyek között terjedhet.
03:01
A kind of a diffusion of innovation
68
166000
2000
Az innováció terjedése
03:03
could be understood and predicted
69
168000
2000
megérthető és előrejelezhető
03:05
by the mechanism I'm going to show you now.
70
170000
3000
azzal a mechanizmussal, amit bemutatok most önöknek.
03:08
So, as all of you probably know,
71
173000
2000
Ahogyan talán mindannyian tudják,
03:10
the classic way of thinking about this
72
175000
2000
klasszikusan erről az
03:12
is the diffusion-of-innovation,
73
177000
2000
innováció-diffúzióval
03:14
or the adoption curve.
74
179000
2000
vagy az ún. elfogadási görbével gondolkodnak.
03:16
So here on the Y-axis, we have the percent of the people affected,
75
181000
2000
Itt, az Y tengelyen található az érintett személyek aránya,
03:18
and on the X-axis, we have time.
76
183000
2000
az X tengelyen pedig az idő látható.
03:20
And at the very beginning, not too many people are affected,
77
185000
3000
Az elején nem túl sok ember érintett,
03:23
and you get this classic sigmoidal,
78
188000
2000
a klasszikus szigmoid,
03:25
or S-shaped, curve.
79
190000
2000
S-alakú görbét látjuk.
03:27
And the reason for this shape is that at the very beginning,
80
192000
2000
A görbe oka, hogy a legeslegelején
03:29
let's say one or two people
81
194000
2000
mondjuk egy-két ember
03:31
are infected, or affected by the thing
82
196000
2000
érintett vagy fertőzött,
03:33
and then they affect, or infect, two people,
83
198000
2000
majd megérint vagy megfertőz két személyt,
03:35
who in turn affect four, eight, 16 and so forth,
84
200000
3000
akik maguk is átadják még 4, 8 majd 16 személynek, és így tovább,
03:38
and you get the epidemic growth phase of the curve.
85
203000
3000
amíg megkapjuk a járvány terjedésének növekedési görbéjét.
03:41
And eventually, you saturate the population.
86
206000
2000
És így tovább, amíg az egész népesség megfertőződik.
03:43
There are fewer and fewer people
87
208000
2000
Egyre kevesebb ember van, aki
03:45
who are still available that you might infect,
88
210000
2000
még nem érintett, és aki megfertőzhető,
03:47
and then you get the plateau of the curve,
89
212000
2000
majd a görbe plafonizálódik,
03:49
and you get this classic sigmoidal curve.
90
214000
3000
és az eredmény ez a klasszikus szigmoid görbe lesz.
03:52
And this holds for germs, ideas,
91
217000
2000
Ez érvényes a baktériumokra, a gondolatokra,
03:54
product adoption, behaviors,
92
219000
2000
a termékelfogadásra, a viselkedés-terjedésre,
03:56
and the like.
93
221000
2000
és hasonlókra.
03:58
But things don't just diffuse in human populations at random.
94
223000
3000
De a dolgok nem véletlenszerűen terjednek az emberi populációkban,
04:01
They actually diffuse through networks.
95
226000
2000
hanem hálózatokon keresztül.
04:03
Because, as I said, we live our lives in networks,
96
228000
3000
Mert, mint ahogyan említettem, hálózatokban éljük az életünket,
04:06
and these networks have a particular kind of a structure.
97
231000
3000
és ezeknek a hálózatoknak különleges szerkezetük van.
04:09
Now if you look at a network like this --
98
234000
2000
Ha megnéznek egy ilyen hálózatot ...
04:11
this is 105 people.
99
236000
2000
Ezt 105 személy alkotja.
04:13
And the lines represent -- the dots are the people,
100
238000
2000
És a vonalak... a pontok az emberek,
04:15
and the lines represent friendship relationships.
101
240000
2000
a vonalak pedig a közöttük fennálló baráti kapcsolatokat jelölik.
04:17
You might see that people occupy
102
242000
2000
Látható, hogy az emberek
04:19
different locations within the network.
103
244000
2000
különböző helyeket foglalnak el a hálózaton belül.
04:21
And there are different kinds of relationships between the people.
104
246000
2000
És az is látszik, hogy az emberek között különböző kapcsolatok vannak.
04:23
You could have friendship relationships, sibling relationships,
105
248000
3000
Találunk baráti kapcsolatokat, testvéri kapcsolatokat,
04:26
spousal relationships, co-worker relationships,
106
251000
3000
házastársi kapcsolatokat, munkatársi kapcsolatokat,
04:29
neighbor relationships and the like.
107
254000
3000
szomszédsági kapcsolatokat és így tovább.
04:32
And different sorts of things
108
257000
2000
Különböző dolgok terjednek
04:34
spread across different sorts of ties.
109
259000
2000
a különböző kapcsolatokon keresztül.
04:36
For instance, sexually transmitted diseases
110
261000
2000
Például, szexuális úton terjedő betegségek
04:38
will spread across sexual ties.
111
263000
2000
szexuális kapcsolatokon keresztül terjednek.
04:40
Or, for instance, people's smoking behavior
112
265000
2000
Vagy az emberek dohányzási szokásait például
04:42
might be influenced by their friends.
113
267000
2000
befolyásolják barátaik.
04:44
Or their altruistic or their charitable giving behavior
114
269000
2000
Vagy altruista vagy jótékonysági viselkedésüket
04:46
might be influenced by their coworkers,
115
271000
2000
munkatársaik
04:48
or by their neighbors.
116
273000
2000
vagy szomszédjaik irányítják.
04:50
But not all positions in the network are the same.
117
275000
3000
Nem minden helyzet egyforma a hálózaton belül.
04:53
So if you look at this, you might immediately grasp
118
278000
2000
Ha megnézik ezt, egyből látják,
04:55
that different people have different numbers of connections.
119
280000
3000
hogy a különböző személyeknek nem ugyanannyi kapcsolatuk van.
04:58
Some people have one connection, some have two,
120
283000
2000
Egyes embereknek csak egy kapcsolatuk van, másoknak kettő,
05:00
some have six, some have 10 connections.
121
285000
3000
megint másoknak hat, esetleg tíz.
05:03
And this is called the "degree" of a node,
122
288000
2000
Ezt a csomópont "érték"-ének nevezik,
05:05
or the number of connections that a node has.
123
290000
2000
vagy a csomópont kapcsolatai számának.
05:07
But in addition, there's something else.
124
292000
2000
De ezenkívül valami más is van.
05:09
So, if you look at nodes A and B,
125
294000
2000
Ha megnézik az A és B csomópontot,
05:11
they both have six connections.
126
296000
2000
akkor látják, hogy mindekettőnek hat kapcsolata van.
05:13
But if you can see this image [of the network] from a bird's eye view,
127
298000
3000
De ha a hálózat képét madártávlatból nézzük,
05:16
you can appreciate that there's something very different
128
301000
2000
látszik, hogy valami nagyon különbözik
05:18
about nodes A and B.
129
303000
2000
az A és a B csomópontok esetében.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
305000
3000
Engedjék meg, hogy megkérdezzem -- egy kérdéssel segíthetem ennek megértését --
05:23
who would you rather be
131
308000
2000
kinek a helyében lennének inkább,
05:25
if a deadly germ was spreading through the network, A or B?
132
310000
3000
ha egy halálos vírus terjedne a hálózaton keresztül, A-nak vagy B-nek?
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
313000
2000
(Hallgatóság: B-nek.) Nicholas Christakis: B-nek, egyértelmű.
05:30
B is located on the edge of the network.
134
315000
2000
B a hálózat szélén helyezkedik el.
05:32
Now, who would you rather be
135
317000
2000
Kinek a helyében lennének inkább,
05:34
if a juicy piece of gossip were spreading through the network?
136
319000
3000
ha egy jó szaftos pletyka keringene a hálózaton?
05:37
A. And you have an immediate appreciation
137
322000
3000
A-nak. Egyből ráéreztek, hogy
05:40
that A is going to be more likely
138
325000
2000
A-hoz nagyobb valószínűséggel
05:42
to get the thing that's spreading and to get it sooner
139
327000
3000
eljut a terjedő dolog, és korábban jut el hozzá
05:45
by virtue of their structural location within the network.
140
330000
3000
a hálózat szerkezetén belül elfoglalt helye miatt.
05:48
A, in fact, is more central,
141
333000
2000
A valójában sokkal központibb helyet foglal el,
05:50
and this can be formalized mathematically.
142
335000
3000
és ez matematikai képletben is kifejezhető.
05:53
So, if we want to track something
143
338000
2000
Tehát, ha valamit ki akarunk mutatni,
05:55
that was spreading through a network,
144
340000
3000
ami a hálózaton keresztül terjed,
05:58
what we ideally would like to do is to set up sensors
145
343000
2000
akkor - ideális esetben - szenzorokat állítanánk fel
06:00
on the central individuals within the network,
146
345000
2000
a hálózat központi figuráin,
06:02
including node A,
147
347000
2000
beleértve az A csomópontot,
06:04
monitor those people that are right there in the middle of the network,
148
349000
3000
figyelnénk azokat az embereket, akik a hálózat közepén helyezkednek el,
06:07
and somehow get an early detection
149
352000
2000
és így korán értesülnénk bármiről,
06:09
of whatever it is that is spreading through the network.
150
354000
3000
ami a hálózatban terjed.
06:12
So if you saw them contract a germ or a piece of information,
151
357000
3000
Vagyis, ha látjuk, hogy ezek elkaptak egy vírust vagy eljutott hozzájuk valamilyen információ,
06:15
you would know that, soon enough,
152
360000
2000
tudnánk, hogy hamarosan
06:17
everybody was about to contract this germ
153
362000
2000
mindenki elkapja a vírust vagy
06:19
or this piece of information.
154
364000
2000
mindenkihez eljut az információ.
06:21
And this would be much better
155
366000
2000
Ez sokkal hatékonyabb lenne,
06:23
than monitoring six randomly chosen people,
156
368000
2000
mint véletlenszerűen kiválasztott személyeket figyelni,
06:25
without reference to the structure of the population.
157
370000
3000
figyelmen kívül hagyva a népesség szerkezetét.
06:28
And in fact, if you could do that,
158
373000
2000
Ha ezt meg tudnánk tenni,
06:30
what you would see is something like this.
159
375000
2000
akkor valami ilyesmit látnánk.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
377000
3000
A bal oldalon, ismét, az S-alakú elfogadási görbét látjuk.
06:35
In the dotted red line, we show
161
380000
2000
A piros pontozott vonal azt mutatja,
06:37
what the adoption would be in the random people,
162
382000
2000
hogyan nézne ki az átvétel a véletlenszerűen választott emberek esetében,
06:39
and in the left-hand line, shifted to the left,
163
384000
3000
a bal oldali vonalon
06:42
we show what the adoption would be
164
387000
2000
pedig azt látjuk, hogyan nézne ki az átvétel
06:44
in the central individuals within the network.
165
389000
2000
a hálózat központi helyén található személyek esetében.
06:46
On the Y-axis is the cumulative instances of contagion,
166
391000
2000
Az Y tengelyen a fertőzés kumulatív eseteit látjuk,
06:48
and on the X-axis is the time.
167
393000
2000
az X tengelyen pedig az időt.
06:50
And on the right-hand side, we show the same data,
168
395000
2000
A jobb oldalon ugyanazokat az adatokat mutatjuk,
06:52
but here with daily incidence.
169
397000
2000
napi előfordulásuk lebontásában.
06:54
And what we show here is -- like, here --
170
399000
2000
És amit itt mutatunk -- itt -- az az,
06:56
very few people are affected, more and more and more and up to here,
171
401000
2000
hogy nagyon kevés ember érintett, majd egyre több és több,
06:58
and here's the peak of the epidemic.
172
403000
2000
és itt van a betegség csúcsa.
07:00
But shifted to the left is what's occurring in the central individuals.
173
405000
2000
Visszatérve a bal oldalihoz, az látjuk, mi történik a központi egyéneknél.
07:02
And this difference in time between the two
174
407000
3000
És ez az az időbeli különbség a kettő között
07:05
is the early detection, the early warning we can get,
175
410000
3000
a korai értesülés, a korai figyelmeztetés
07:08
about an impending epidemic
176
413000
2000
egy fenyegető járványról,
07:10
in the human population.
177
415000
2000
ami az emberi populációban terjed.
07:12
The problem, however,
178
417000
2000
A gond az,
07:14
is that mapping human social networks
179
419000
2000
hogy az emberi hálózatok feltérképezése
07:16
is not always possible.
180
421000
2000
nem mindig lehetséges.
07:18
It can be expensive, not feasible,
181
423000
2000
Nagyon drága, bonyolult lehet,
07:20
unethical,
182
425000
2000
vagy nem etikus,
07:22
or, frankly, just not possible to do such a thing.
183
427000
3000
vagy egyszerűen nem lehet végrehajtani.
07:25
So, how can we figure out
184
430000
2000
Tehát, hogyan határozható meg,
07:27
who the central people are in a network
185
432000
2000
hogy kik a központi személyek egy hálózatban
07:29
without actually mapping the network?
186
434000
3000
a hálózat teljes feltérképezése nélkül?
07:32
What we came up with
187
437000
2000
Amit kitaláltunk,
07:34
was an idea to exploit an old fact,
188
439000
2000
egy régi dolgon alapszik,
07:36
or a known fact, about social networks,
189
441000
2000
egy, a közösségi hálózatokról ismert dolgon,
07:38
which goes like this:
190
443000
2000
ami a következőképpen néz ki:
07:40
Do you know that your friends
191
445000
2000
Tudták, hogy a barátaiknak
07:42
have more friends than you do?
192
447000
3000
több barátjuk van, mint önöknek?
07:45
Your friends have more friends than you do,
193
450000
3000
A barátaiknak több barátjuk van, mint önöknek.
07:48
and this is known as the friendship paradox.
194
453000
2000
Ez a tény a barátság paradoxonaként ismert.
07:50
Imagine a very popular person in the social network --
195
455000
2000
Képzeljenek el egy nagyon népszerű személyt a közösségi hálózaton belül --
07:52
like a party host who has hundreds of friends --
196
457000
3000
például egy buli házigazdát, akinek több száz barátja van --
07:55
and a misanthrope who has just one friend,
197
460000
2000
és egy mizantrópot, akinek csak egy barátja van,
07:57
and you pick someone at random from the population;
198
462000
3000
és válasszanak véletlenszerűen egy embert a népességből:
08:00
they were much more likely to know the party host.
199
465000
2000
nagyobb a valószínűsége, hogy ez az ember a buli házigazdát ismeri.
08:02
And if they nominate the party host as their friend,
200
467000
2000
És, ha ő a buli házigazdát nevezi meg barátjaként,
08:04
that party host has a hundred friends,
201
469000
2000
a buli házgazdának több barátja van,
08:06
therefore, has more friends than they do.
202
471000
3000
tehát, több mint az előbbinek.
08:09
And this, in essence, is what's known as the friendship paradox.
203
474000
3000
Ez lényegében a barátság paradoxon.
08:12
The friends of randomly chosen people
204
477000
3000
A véletlenszerűen kiválasztott személyek barátai
08:15
have higher degree, and are more central
205
480000
2000
magasabb értékkel rendelkeznek, és központibb helyet foglalnak el,
08:17
than the random people themselves.
206
482000
2000
mint a véletlenszerűen kiválasztott emberek.
08:19
And you can get an intuitive appreciation for this
207
484000
2000
Megérthetik ezt intuitív módon,
08:21
if you imagine just the people at the perimeter of the network.
208
486000
3000
ha csak azokat az embereket képzelik el, aki a hálózat perifériáján vannak.
08:24
If you pick this person,
209
489000
2000
Ha kiválasztják ezt az embert,
08:26
the only friend they have to nominate is this person,
210
491000
3000
az egyetlen barát, akit meg tud nevezni, ez a személy,
08:29
who, by construction, must have at least two
211
494000
2000
akinek, a szerkezet jellegéből adódóan legalább kettő,
08:31
and typically more friends.
212
496000
2000
de általában több barátja van.
08:33
And that happens at every peripheral node.
213
498000
2000
Ez történik mindenik periferikus csomópontnál.
08:35
And in fact, it happens throughout the network as you move in,
214
500000
3000
És valójában ez történik az egész hálózaton belül, ahogy haladunk befele,
08:38
everyone you pick, when they nominate a random --
215
503000
2000
bárki, akit kiválasztunk, amikor véletlenszerűen nevez meg...
08:40
when a random person nominates a friend of theirs,
216
505000
3000
amikor egy véletlenszerűen kiválasztott személy megnevezi egyik barátját,
08:43
you move closer to the center of the network.
217
508000
3000
közelebb kerülünk a hálózat központjához.
08:46
So, we thought we would exploit this idea
218
511000
3000
Úgy gondoltuk, hogy felhasználhatnánk ezt
08:49
in order to study whether we could predict phenomena within networks.
219
514000
3000
annak érdekében, hogy előrejelezzünk bizonyos jelenségeket a hálózaton belül.
08:52
Because now, with this idea
220
517000
2000
Mert ezzel a módszerrel
08:54
we can take a random sample of people,
221
519000
2000
kiválaszthatunk egy véletlenszerű embermintát,
08:56
have them nominate their friends,
222
521000
2000
akik megnevezik barátaikat,
08:58
those friends would be more central,
223
523000
2000
és ez utóbbiak központibbak lesznek, mint az előbbiek,
09:00
and we could do this without having to map the network.
224
525000
3000
és ezt megtehetjük anélkül, hogy teljesen feltérképeznénk a hálózatot.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
528000
3000
Leteszteltük ezt a módszert a H1N1 vírus megjelenésekor
09:06
at Harvard College
226
531000
2000
a Harvard Egyetemen
09:08
in the fall and winter of 2009, just a few months ago.
227
533000
3000
2009 őszén és telén, néhány hónappal ezelőtt.
09:11
We took 1,300 randomly selected undergraduates,
228
536000
3000
Véletlenszerűen kiválasztottunk 1300 egyetemistát,
09:14
we had them nominate their friends,
229
539000
2000
megkértük, hogy nevezzék meg barátaikat,
09:16
and we followed both the random students and their friends
230
541000
2000
és figyelemmel követtük mind a kiválasztott egyetemistákat, mind pedig ezek barátait
09:18
daily in time
231
543000
2000
nap mint nap
09:20
to see whether or not they had the flu epidemic.
232
545000
3000
azért, hogy lássuk, elkapták vagy sem az influenzát.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
548000
3000
Passzív megfigyelést tettünk: figyeltük, hogy igénybe vették vagy sem az egyetemi betegrendelőt.
09:26
And also, we had them [actively] email us a couple of times a week.
234
551000
3000
Ezenkívül pedig néhány alkalommal egy héten e-mailt kellett írniuk nekünk.
09:29
Exactly what we predicted happened.
235
554000
3000
Pontosan az történt, ami feltételeztünk.
09:32
So the random group is in the red line.
236
557000
3000
A véletlenszerűen kiválasztott csoportot a piros vonal jelöli.
09:35
The epidemic in the friends group has shifted to the left, over here.
237
560000
3000
A betegség a baráti körben balra tolódott, itt.
09:38
And the difference in the two is 16 days.
238
563000
3000
A kettő közötti különbség 16 nap.
09:41
By monitoring the friends group,
239
566000
2000
Megfigyelve a baráti csoportot,
09:43
we could get 16 days advance warning
240
568000
2000
16 napi előnyre tettünk szert
09:45
of an impending epidemic in this human population.
241
570000
3000
egy közelgő járvány előrejelzésében.
09:48
Now, in addition to that,
242
573000
2000
És, ezenkívül,
09:50
if you were an analyst who was trying to study an epidemic
243
575000
3000
ha olyan szakértők lennénk, akik egy betegséget tanulmányoznak,
09:53
or to predict the adoption of a product, for example,
244
578000
3000
vagy egy termék el- és befogadását tanulmányozzák például,
09:56
what you could do is you could pick a random sample of the population,
245
581000
3000
azt lehetne tenni, hogy kiválasztanánk az emberi populációból egy véletlenszerű mintát,
09:59
also have them nominate their friends and follow the friends
246
584000
3000
akik megnevezik barátaikat, majd figyelemmel követjük
10:02
and follow both the randoms and the friends.
247
587000
3000
mind a véletlenszerűen kiválasztott mintát, mind pedig a mintát alkotó egyének barátait.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
590000
3000
A barátok között az első dolog, ami szembeötlik, a nullánál valamivel magasabb
10:08
in adoption of the innovation, for example,
249
593000
3000
hajlam egy újdonság elfogadására például,
10:11
would be evidence of an impending epidemic.
250
596000
2000
és ez egy veszélyes betegség bizonyítéka is lehetne.
10:13
Or you could see the first time the two curves diverged,
251
598000
3000
Vagy láthatóvá válik, hogy a két görbe különböző irányokba halad,
10:16
as shown on the left.
252
601000
2000
ahogyan azt itt a bal oldalon látjuk.
10:18
When did the randoms -- when did the friends take off
253
603000
3000
Mikor hagyták le a véletlenszerűen kiválasztott mintában szereplő egyének barátai,
10:21
and leave the randoms,
254
606000
2000
a véletlenszerűen kiválasztott mintában szereplő egyéneket,
10:23
and [when did] their curve start shifting?
255
608000
2000
és mikor kezdett eltolódni a görbe.
10:25
And that, as indicated by the white line,
256
610000
2000
És ez, mint ahogyan a fehér vonal mutatja,
10:27
occurred 46 days
257
612000
2000
46 nappal azelőtt történt, mielőtt
10:29
before the peak of the epidemic.
258
614000
2000
a járvány tetőződött volna.
10:31
So this would be a technique
259
616000
2000
Tehát ez egy olyan technika lehet,
10:33
whereby we could get more than a month-and-a-half warning
260
618000
2000
amely segítségével több mint egy és fél hónapos előrejelzést tudunk adni
10:35
about a flu epidemic in a particular population.
261
620000
3000
az influenza járványról egy emberi populáción belül.
10:38
I should say that
262
623000
2000
El kell mondanom,
10:40
how far advanced a notice one might get about something
263
625000
2000
hogy az, hogy mennyi idővel korábban kap valaki előrejelzést egy jelenségről,
10:42
depends on a host of factors.
264
627000
2000
számos tényezőtől függ.
10:44
It could depend on the nature of the pathogen --
265
629000
2000
Függhet a kórfejlődés természetétől --
10:46
different pathogens,
266
631000
2000
különböző kórfejlődésekről,
10:48
using this technique, you'd get different warning --
267
633000
2000
ennek a módszernek az alkalmazásával, különböző figyelmeztetést kapunk --
10:50
or other phenomena that are spreading,
268
635000
2000
vagy más terjedő jelenségektől,
10:52
or frankly, on the structure of the human network.
269
637000
3000
vagy az emberi közösségi hálózat szerkezetétől.
10:55
Now in our case, although it wasn't necessary,
270
640000
3000
A mi esetünkben, bár nem volt szükséges,
10:58
we could also actually map the network of the students.
271
643000
2000
feltérképeztük az egyetemisták teljes hálózatát.
11:00
So, this is a map of 714 students
272
645000
2000
Ez egy 174 diákból álló hálózattérkép,
11:02
and their friendship ties.
273
647000
2000
amely tartalmazza baráti kapcsolataikat.
11:04
And in a minute now, I'm going to put this map into motion.
274
649000
2000
Mindjárt mozgásba hozom ezt a térképet.
11:06
We're going to take daily cuts through the network
275
651000
2000
Napi metszeteket készítünk a hálózatról
11:08
for 120 days.
276
653000
2000
120 napon keresztül.
11:10
The red dots are going to be cases of the flu,
277
655000
3000
A piros pontok az influenzás eseteket jelölik,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
658000
3000
a sárga pontok pedig az influenzások barátait.
11:16
And the size of the dots is going to be proportional
279
661000
2000
A pontok mérete arányos
11:18
to how many of their friends have the flu.
280
663000
2000
az influenzás barátok számával.
11:20
So bigger dots mean more of your friends have the flu.
281
665000
3000
Minél nagyobb a pont,az illetőnek annál több barátja kapta el a vírust.
11:23
And if you look at this image -- here we are now in September the 13th --
282
668000
3000
Ha megnézik ezt a képet -- ez a szeptember 13-i nap --
11:26
you're going to see a few cases light up.
283
671000
2000
láthatják, hogy csak néhány eset gyúl ki.
11:28
You're going to see kind of blooming of the flu in the middle.
284
673000
2000
Középen az influenzának mintegy a virágzását látják.
11:30
Here we are on October the 19th.
285
675000
3000
Most pedig október 19-én vagyunk.
11:33
The slope of the epidemic curve is approaching now, in November.
286
678000
2000
A járvány görbéje közeledik novemberben.
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
680000
3000
Bumm, bumm, bumm, bumm, sok-sok kigyulladást látnak ott középen,
11:38
and then you're going to see a sort of leveling off,
288
683000
2000
majd csökken az esetek száma,
11:40
fewer and fewer cases towards the end of December.
289
685000
3000
kevesebb és kevesebb lesz december vége fele.
11:43
And this type of a visualization
290
688000
2000
Ez a fajta vizualizáció
11:45
can show that epidemics like this take root
291
690000
2000
azt tudja megmutatni, ahogy az ilyenfajta járványok gyökeret vernek,
11:47
and affect central individuals first,
292
692000
2000
és a központi személyeket fertőzik meg először,
11:49
before they affect others.
293
694000
2000
mielőtt másokat is megfertőznének.
11:51
Now, as I've been suggesting,
294
696000
2000
Ahogyan utaltam rá,
11:53
this method is not restricted to germs,
295
698000
3000
ennek a módszernek alkalmazása nem korlátozódik a vírusokra,
11:56
but actually to anything that spreads in populations.
296
701000
2000
hanem bárminek a letapogatására alkalmas, ami egy populáción belül terjed.
11:58
Information spreads in populations,
297
703000
2000
Az információ is a populációkban terjed.
12:00
norms can spread in populations,
298
705000
2000
A normák is a populációkban terjednek.
12:02
behaviors can spread in populations.
299
707000
2000
A viselkedésminták is a populációkban terjednek.
12:04
And by behaviors, I can mean things like criminal behavior,
300
709000
3000
Viselkedés alatt értem például a bűnözői viselkedést,
12:07
or voting behavior, or health care behavior,
301
712000
3000
a szavazási veselkedést vagy az egészségügyi viselkedésformákat,
12:10
like smoking, or vaccination,
302
715000
2000
mint például a dohányzás vagy a védőoltások beadása,
12:12
or product adoption, or other kinds of behaviors
303
717000
2000
vagy egy-egy terméknek az elfogadása, vagy más viselkedésformák,
12:14
that relate to interpersonal influence.
304
719000
2000
amelyek személyközi befolyást mutatnak.
12:16
If I'm likely to do something that affects others around me,
305
721000
3000
Az ember környezetében élőket befolyásoló tevékenységek
12:19
this technique can get early warning or early detection
306
724000
3000
korai előrejelzésére, korai figyelmeztetésre alkalmas ez a technika,
12:22
about the adoption within the population.
307
727000
3000
amely jelzi a jelenségek terjedését a populáción belül.
12:25
The key thing is that for it to work,
308
730000
2000
Működéséhez kulcsfontosságú,
12:27
there has to be interpersonal influence.
309
732000
2000
hogy olyan jelenségről legyen szó, amely személyről személyre terjed.
12:29
It cannot be because of some broadcast mechanism
310
734000
2000
Nem alkalmas olyan jelenségek terjedésének előrejelzésére, amelyek
12:31
affecting everyone uniformly.
311
736000
3000
valamilyen egységes közvetítés következtében egyszerre érintenek mindenkit.
12:35
Now the same insights
312
740000
2000
Ezek az eredmények
12:37
can also be exploited -- with respect to networks --
313
742000
3000
felhasználhatók -- hálózatokra vonatkozóan --
12:40
can also be exploited in other ways,
314
745000
3000
felhasználhatók más módon is,
12:43
for example, in the use of targeting
315
748000
2000
például kiválasztani
12:45
specific people for interventions.
316
750000
2000
bizonyos személyeket a megelőzés érdekében.
12:47
So, for example, most of you are probably familiar
317
752000
2000
Talán legtöbbjüknek már ismerős
12:49
with the notion of herd immunity.
318
754000
2000
a csordaimmunitás fogalma.
12:51
So, if we have a population of a thousand people,
319
756000
3000
Vagyis, ha van egy ezer emberből álló populáció,
12:54
and we want to make the population immune to a pathogen,
320
759000
3000
és ezt immúnissá szeretnénk tenni egy betegséggel szemben,
12:57
we don't have to immunize every single person.
321
762000
2000
akkor nem kell minden egyes személyt immúnissá tennünk.
12:59
If we immunize 960 of them,
322
764000
2000
Ha immúnissá teszünk közülük 960-at,
13:01
it's as if we had immunized a hundred [percent] of them.
323
766000
3000
egyenlő azzal, mintha mindenkit imúnnissá tettünk volna.
13:04
Because even if one or two of the non-immune people gets infected,
324
769000
3000
Mert, ha a nem immunizáltak közül egy-két személy meg is fertőződik,
13:07
there's no one for them to infect.
325
772000
2000
nincs, akinek továbbadnia a betegséget.
13:09
They are surrounded by immunized people.
326
774000
2000
Hiszen immunizált személyekkel vannak körbevéve.
13:11
So 96 percent is as good as 100 percent.
327
776000
3000
Tehát a 96 százalék pont annyira jó, mint a 100 százalék.
13:14
Well, some other scientists have estimated
328
779000
2000
Tudósok megbecsülték, hogy
13:16
what would happen if you took a 30 percent random sample
329
781000
2000
mi történne, ha egy 30 százalékos véletlenszerű mintát vennének
13:18
of these 1000 people, 300 people and immunized them.
330
783000
3000
ebből az 1000 emberből, vagyis 300 személyt, és immunizálnák őket.
13:21
Would you get any population-level immunity?
331
786000
2000
Vajon a populáció immúnissá válna?
13:23
And the answer is no.
332
788000
3000
A válasz: nem.
13:26
But if you took this 30 percent, these 300 people
333
791000
2000
De ha ez a 30 százalék, a 300 személy
13:28
and had them nominate their friends
334
793000
2000
megnevezné a barátait,
13:30
and took the same number of vaccine doses
335
795000
3000
beszereznénk ezeknek is a védőoltást,
13:33
and vaccinated the friends of the 300 --
336
798000
2000
és beoltanánk a 300 személy barátait,
13:35
the 300 friends --
337
800000
2000
a 300 barátot,
13:37
you can get the same level of herd immunity
338
802000
2000
akkor kialakulna a csordaimmunitás,
13:39
as if you had vaccinated 96 percent of the population
339
804000
3000
pont úgy, mintha a populáció 96 százaléka kapott volna oltást,
13:42
at a much greater efficiency, with a strict budget constraint.
340
807000
3000
tehát növekszik a hatékonyság, miközben a költségek alacsonyabbak.
13:45
And similar ideas can be used, for instance,
341
810000
2000
Hasonlóan alkalmazható a módszer például
13:47
to target distribution of things like bed nets
342
812000
2000
az olyan dolgok szétosztásában, mint az ágyháló
13:49
in the developing world.
343
814000
2000
a fejlődő országokban.
13:51
If we could understand the structure of networks in villages,
344
816000
3000
Ha sikerülne megérteni a falvak hálózatának szerkezetét,
13:54
we could target to whom to give the interventions
345
819000
2000
le lehetne nyomozni, kiknek adják ezeket a dolgokat,
13:56
to foster these kinds of spreads.
346
821000
2000
hogy elősegítsék terjedésüket.
13:58
Or, frankly, for advertising with all kinds of products.
347
823000
3000
Vagy a különböző termékek reklámkampányának megtervezésében...
14:01
If we could understand how to target,
348
826000
2000
Ha megértenénk, hogyan célozzuk meg a célközönséget,
14:03
it could affect the efficiency
349
828000
2000
növelné a hatékonyságát
14:05
of what we're trying to achieve.
350
830000
2000
annak, amit el szeretnénk érni.
14:07
And in fact, we can use data
351
832000
2000
Tulajdonképpen bármilyen forrásból származó
14:09
from all kinds of sources nowadays [to do this].
352
834000
2000
adatot felhasználhatunk manapság ennek érdekében.
14:11
This is a map of eight million phone users
353
836000
2000
Ez nyolcmillió telefonhasználó személy térképe
14:13
in a European country.
354
838000
2000
egy európai országban.
14:15
Every dot is a person, and every line represents
355
840000
2000
Minden pont egy személy, minden vonal
14:17
a volume of calls between the people.
356
842000
2000
az emberek közötti telefonbeszélgetéseket jelöli.
14:19
And we can use such data, that's being passively obtained,
357
844000
3000
És ezt a passzív módon begyűjtött adatbázist
14:22
to map these whole countries
358
847000
2000
egész országok feltérkepézésére felhasználhatjuk
14:24
and understand who is located where within the network.
359
849000
3000
azért, hogy megtudjuk, ki hol helyezkedik el a hálózaton belül.
14:27
Without actually having to query them at all,
360
852000
2000
Anélkül tehát, hogy megkérdeznénk őket,
14:29
we can get this kind of a structural insight.
361
854000
2000
megkaphatjuk a hálózat szerkezeti képét.
14:31
And other sources of information, as you're no doubt aware
362
856000
3000
És más információforrások is, mint ahogyan biztosan önök is tudják,
14:34
are available about such features, from email interactions,
363
859000
3000
elérhetőek, az e-mailezésen át
14:37
online interactions,
364
862000
2000
más online interakciókon keresztül
14:39
online social networks and so forth.
365
864000
3000
az online közösségi hálózatokig, és így tovább.
14:42
And in fact, we are in the era of what I would call
366
867000
2000
Tulajdonképpen a masszív-passzív
14:44
"massive-passive" data collection efforts.
367
869000
3000
adatgyűjtésnek nevezhető korszakot élünk.
14:47
They're all kinds of ways we can use massively collected data
368
872000
3000
Számos módja van annak, hogy ezeket a nagy tételben összegyűjtött adatokat
14:50
to create sensor networks
369
875000
3000
érzékelő hálózatok létrehozására használjuk fel,
14:53
to follow the population,
370
878000
2000
hogy figyeljük a népességet,
14:55
understand what's happening in the population,
371
880000
2000
megértsük, mi történik a populáción belül,
14:57
and intervene in the population for the better.
372
882000
3000
és közbelépjünk a populáció érdekében.
15:00
Because these new technologies tell us
373
885000
2000
Mert ezek az új technológiák nemcsak arról tájékoztatnak,
15:02
not just who is talking to whom,
374
887000
2000
hogy ki beszél kivel,
15:04
but where everyone is,
375
889000
2000
hanem arról is, hogy ki hol helyezkedik el,
15:06
and what they're thinking based on what they're uploading on the Internet,
376
891000
3000
és mit gondol, például abból kikövetkeztetve, hogy mit tölt fel a világhálóra,
15:09
and what they're buying based on their purchases.
377
894000
2000
vagy hogy mit vásárol, a vásárlásait megfigyelve.
15:11
And all this administrative data can be pulled together
378
896000
3000
És mindezeket az adatokat össze lehet gyűjteni,
15:14
and processed to understand human behavior
379
899000
2000
és feldolgozni az emberi viselkedés megértése érdekében
15:16
in a way we never could before.
380
901000
3000
úgy, ahogyan azt eddig nem tették.
15:19
So, for example, we could use truckers' purchases of fuel.
381
904000
3000
Például, felhasználhatjuk a kamionsofőrök üzemenyag-vásárlási szokását.
15:22
So the truckers are just going about their business,
382
907000
2000
A kamionsofőrök teszik a dolgukat,
15:24
and they're buying fuel.
383
909000
2000
és üzemanyagot vásárolnak.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
911000
3000
Látjuk a növekedést a kamionsofőrök által vásárolt üzemanyag-mennyiségben,
15:29
and we know that a recession is about to end.
385
914000
2000
és tudjuk, hogy a válság a végéhez közeleg.
15:31
Or we can monitor the velocity
386
916000
2000
Vagy megfigyelhetjük a sebességet,
15:33
with which people are moving with their phones on a highway,
387
918000
3000
amellyel az emberek mobiltelfonukkal az autópályán közlekednek,
15:36
and the phone company can see,
388
921000
2000
és a telefonos vállalat láthatja,
15:38
as the velocity is slowing down,
389
923000
2000
abból ahogy a sebesség csökken,
15:40
that there's a traffic jam.
390
925000
2000
hogy dugó alakult ki.
15:42
And they can feed that information back to their subscribers,
391
927000
3000
Ezt az információt visszaküldhetik ügyfeleiknek,
15:45
but only to their subscribers on the same highway
392
930000
2000
de csupán azoknak az ügyfeleknek, akik ugyanazon az autópályán közlekednek,
15:47
located behind the traffic jam!
393
932000
2000
és a közlekedési dugó előtt vannak!
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
934000
3000
Vagy passzívan megfigyelhetjük az orvosok receptírási szokásait,
15:52
and see how the diffusion of innovation with pharmaceuticals
395
937000
3000
és képet alkothatunk arról, ahogy az új gyógyszerek terjedése
15:55
occurs within [networks of] doctors.
396
940000
2000
történik az orvoshálózatokon belül.
15:57
Or again, we can monitor purchasing behavior in people
397
942000
2000
Vagy ismét, megfigyelhetjük az emberek vásárlási szokásait,
15:59
and watch how these types of phenomena
398
944000
2000
és láthatjuk, hogy ezek a jelenségek
16:01
can diffuse within human populations.
399
946000
3000
emberi populációkon belül terjednek.
16:04
And there are three ways, I think,
400
949000
2000
Úgy gondolom, háromféleképpen használhatók fel
16:06
that these massive-passive data can be used.
401
951000
2000
ezek a nagy tételben passzívan begyűjtött adatok.
16:08
One is fully passive,
402
953000
2000
Az egyik: teljes mértékben passzívan,
16:10
like I just described --
403
955000
2000
ahogyan az imént elmondtam --
16:12
as in, for instance, the trucker example,
404
957000
2000
mint a kamionsofőrös példában,
16:14
where we don't actually intervene in the population in any way.
405
959000
2000
ahol nem befolyásoljuk semilyen módon a populációt.
16:16
One is quasi-active,
406
961000
2000
A második mód a kvázi-aktív,
16:18
like the flu example I gave,
407
963000
2000
ilyen volt az influenzás példa,
16:20
where we get some people to nominate their friends
408
965000
3000
amelyben megkértük az embereket, hogy nevezzék meg barátaikat,
16:23
and then passively monitor their friends --
409
968000
2000
majd passzívan monitorizáltuk a barátaikat --
16:25
do they have the flu, or not? -- and then get warning.
410
970000
2000
hogy elkapták vagy sem az influenzát -- majd figyelmeztettük őket.
16:27
Or another example would be,
411
972000
2000
Egy másik példa erre,
16:29
if you're a phone company, you figure out who's central in the network
412
974000
3000
a telefonos vállalat, ebben az esetben meg lehet nézni, ki foglal el központi helyet a hálózaton belül,
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
977000
3000
majd megkérni őket, hogy küldjék el üzenetben naponta a testhőmérsékletüket.
16:35
Just text us your temperature."
414
980000
2000
Csak küldjenek egy üzenetet a testhőmérsékletükkel.
16:37
And collect vast amounts of information about people's temperature,
415
982000
3000
Így nagy mennyiségű adat gyűl össze az emberek testhőmérsékletéről,
16:40
but from centrally located individuals.
416
985000
2000
de csak azokéról, akik központi helyen találhatók.
16:42
And be able, on a large scale,
417
987000
2000
Így nagyban
16:44
to monitor an impending epidemic
418
989000
2000
figyelemmel követhető egy várható járvány
16:46
with very minimal input from people.
419
991000
2000
az emberektől igényelt minimális hozzájárulással.
16:48
Or, finally, it can be more fully active --
420
993000
2000
Vagy végül teljes mértékben aktív is lehet --
16:50
as I know subsequent speakers will also talk about today --
421
995000
2000
amiről az utánam következő előadók is beszélnek majd --
16:52
where people might globally participate in wikis,
422
997000
2000
amikor az emberek globálisan részt vesznek wikikben,
16:54
or photographing, or monitoring elections,
423
999000
3000
fényképezéssel vagy szavazásfigyelőkként
16:57
and upload information in a way that allows us to pool
424
1002000
2000
és feltöltenek információt úgy, hogy mi ezt összegyűjthessük,
16:59
information in order to understand social processes
425
1004000
2000
a társadalmi folyamatok vagy társadalmi jelenségek
17:01
and social phenomena.
426
1006000
2000
megértése érdekében.
17:03
In fact, the availability of these data, I think,
427
1008000
2000
Ezeknek az adatoknak az elérhetősége, azt hiszem,
17:05
heralds a kind of new era
428
1010000
2000
egy új korszakot jelez,
17:07
of what I and others would like to call
429
1012000
2000
amit én és mások
17:09
"computational social science."
430
1014000
2000
a komputációs társadalomtudományok korszakának nevezünk.
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1016000
3000
Ez valami olyasmi, amikor Galileó felfedezte -- vagy nem fedezte fel --
17:14
came to use a telescope
432
1019000
2000
a teleszkóp használatát,
17:16
and could see the heavens in a new way,
433
1021000
2000
és az eget egészen más módon látta,
17:18
or Leeuwenhoek became aware of the microscope --
434
1023000
2000
vagy amikor Leeuwenhoek
17:20
or actually invented --
435
1025000
2000
feltalálta a mikroszkópot --
17:22
and could see biology in a new way.
436
1027000
2000
és teljesen más szemszögből látta a biológiát.
17:24
But now we have access to these kinds of data
437
1029000
2000
Most hozzáférünk ezekhez az adatokhoz,
17:26
that allow us to understand social processes
438
1031000
2000
amelyek lehetővé teszik, hogy a társadalmi folyamatokat
17:28
and social phenomena
439
1033000
2000
és a társadalmi jelenségeket
17:30
in an entirely new way that was never before possible.
440
1035000
3000
teljesen más módon szemléljük, ami ezelőtt nem volt lehetséges.
17:33
And with this science, we can
441
1038000
2000
Ezzel a tudománnyal
17:35
understand how exactly
442
1040000
2000
pontosan megérthetjük,
17:37
the whole comes to be greater
443
1042000
2000
hogy az egész miért jelent többet,
17:39
than the sum of its parts.
444
1044000
2000
mint a részek összege.
17:41
And actually, we can use these insights
445
1046000
2000
És ezeket a felfedezéseket arra használhatjuk,
17:43
to improve society and improve human well-being.
446
1048000
3000
hogy a társadalmat és az emberi jólétet fejlesszük.
17:46
Thank you.
447
1051000
2000
Köszönöm.
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