TED@Cannes
Nicholas Christakis: How social networks predict epidemics
Nicholas Christakis: Bagaimana jaringan sosial memprediksi epidemi
Filmed:
Readability: 4.9
669,862 views
Setelah memetakan jaringan sosial manusia yang kompleks, Nicholas Christakis dan rekan kerjanya, James Fowler, menyelidiki bagaimana informasi ini bisa menjadikan hidup kita lebih baik. Sekarang dia mengungkapkan temuan terbarunya: Jaringan ini bisa digunakan untuk deteksi awal epidemi, dari penyebaran ide yang inovatif hingga perilaku yang berbahaya hingga virus (seperti H1N1).
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
Selama 10 tahun, saya menghabiskan waktu untuk mencari tahu
00:18
how and why human beings
1
3000
2000
bagaimana dan mengapa manusia
00:20
assemble themselves into social networks.
2
5000
3000
berkumpul membentuk jaringan sosial.
00:23
And the kind of social network I'm talking about
3
8000
2000
Jaringan sosial yang saya maksud
00:25
is not the recent online variety,
4
10000
2000
bukan jenis jaringan online baru-baru ini,
00:27
but rather, the kind of social networks
5
12000
2000
tapi jaringan sosial
00:29
that human beings have been assembling for hundreds of thousands of years,
6
14000
3000
yang dibentuk oleh manusia sejak ratusan ribu tahun lalu,
00:32
ever since we emerged from the African savannah.
7
17000
3000
sejak kita muncul di sabana Afrika.
00:35
So, I form friendships and co-worker
8
20000
2000
Saya menjalin hubungan pertemanan
00:37
and sibling and relative relationships with other people
9
22000
3000
rekan kerja, saudara, dan keluarga dengan orang lain
00:40
who in turn have similar relationships with other people.
10
25000
2000
yang punya hubungan yang sama dengan orang lain.
00:42
And this spreads on out endlessly into a distance.
11
27000
3000
Ini menyebar terus tanpa ujung.
00:45
And you get a network that looks like this.
12
30000
2000
Lalu kita dapatkan jaringan seperti ini.
00:47
Every dot is a person.
13
32000
2000
Setiap titik adalah orang.
00:49
Every line between them is a relationship between two people --
14
34000
2000
Setiap garis di antaranya adalah hubungan antara dua orang --
00:51
different kinds of relationships.
15
36000
2000
hubungan yang berbeda-beda.
00:53
And you can get this kind of vast fabric of humanity,
16
38000
3000
Yang lalu membentuk jalinan hubungan manusia seperti ini,
00:56
in which we're all embedded.
17
41000
2000
kita semua ada di dalamnya.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
43000
3000
Rekan kerja saya, James Fowler, dan saya cukup lama mempelajari
01:01
what are the mathematical, social,
19
46000
2000
aturan-aturan matematis, sosial,
01:03
biological and psychological rules
20
48000
3000
biologis dan psikologis
01:06
that govern how these networks are assembled
21
51000
2000
yang mengatur pembentukan jaringan ini
01:08
and what are the similar rules
22
53000
2000
serta aturan serupa
01:10
that govern how they operate, how they affect our lives.
23
55000
3000
yang mengatur cara kerja, pengaruhnya pada hidup kita.
01:13
But recently, we've been wondering
24
58000
2000
Baru-baru ini, kami bertanya
01:15
whether it might be possible to take advantage of this insight,
25
60000
3000
apakah mungkin memanfaatkan pemahaman ini,
01:18
to actually find ways to improve the world,
26
63000
2000
untuk menemukan cara memperbaiki dunia,
01:20
to do something better,
27
65000
2000
melakukan dengan lebih baik,
01:22
to actually fix things, not just understand things.
28
67000
3000
benar-benar melakukan sesuatu, bukan hanya memahami.
01:25
So one of the first things we thought we would tackle
29
70000
3000
Jadi yang pertama kami lakukan
01:28
would be how we go about predicting epidemics.
30
73000
3000
adalah memprediksi epidemi.
01:31
And the current state of the art in predicting an epidemic --
31
76000
2000
Teknologi terdepan dalam memprediksi epidemi --
01:33
if you're the CDC or some other national body --
32
78000
3000
kalau Anda CDC atau badan nasional lainnya --
01:36
is to sit in the middle where you are
33
81000
2000
adalah duduk manis di kantor Anda
01:38
and collect data
34
83000
2000
mengumpulkan data
01:40
from physicians and laboratories in the field
35
85000
2000
dari dokter dan laboratorium di lapangan
01:42
that report the prevalence or the incidence of certain conditions.
36
87000
3000
yang melaporkan prevalensi atau insiden kondisi tertentu.
01:45
So, so and so patients have been diagnosed with something,
37
90000
3000
Sekian, sekian, dan sekian pasien sudah didiagnosis terkena.
01:48
or other patients have been diagnosed,
38
93000
2000
pasien lain sudah didiagnosis.
01:50
and all these data are fed into a central repository, with some delay.
39
95000
3000
semua data ini dimasukkan ke penyimpanan pusat, dengan jeda waktu.
01:53
And if everything goes smoothly,
40
98000
2000
Kalau semua berjalan lancar,
01:55
one to two weeks from now
41
100000
2000
satu atau dua minggu kemudian,
01:57
you'll know where the epidemic was today.
42
102000
3000
Anda akan tahu di mana epideminya hari itu.
02:00
And actually, about a year or so ago,
43
105000
2000
Sebenarnya, sekitar setahun lalu atau lebih,
02:02
there was this promulgation
44
107000
2000
ada kabar tentang
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
109000
3000
konsep Google Flu Trends, yang terkait dengan flu,
02:07
where by looking at people's searching behavior today,
46
112000
3000
yaitu dengan melihat perilaku pencarian hari ini,
02:10
we could know where the flu --
47
115000
2000
kita bisa tahu di mana ada flu ...
02:12
what the status of the epidemic was today,
48
117000
2000
apa status epideminya hari ini,
02:14
what's the prevalence of the epidemic today.
49
119000
3000
apa prevelansi epideminya hari ini.
02:17
But what I'd like to show you today
50
122000
2000
Tapi yang ingin saya perlihatkan sekarang
02:19
is a means by which we might get
51
124000
2000
sebuah cara yang bisa digunakan
02:21
not just rapid warning about an epidemic,
52
126000
3000
tidak hanya untuk peringatan cepat adanya epidemi,
02:24
but also actually
53
129000
2000
tapi juga
02:26
early detection of an epidemic.
54
131000
2000
deteksi awal adanya epidemi.
02:28
And, in fact, this idea can be used
55
133000
2000
Ide ini bahkan bisa digunakan
02:30
not just to predict epidemics of germs,
56
135000
3000
tidak hanya untuk epidemi kuman,
02:33
but also to predict epidemics of all sorts of kinds.
57
138000
3000
tapi juga segala macam epidemi.
02:37
For example, anything that spreads by a form of social contagion
58
142000
3000
Misalnya, apa pun yang menyebar melalui penularan sosial
02:40
could be understood in this way,
59
145000
2000
bisa dipahami dengan cara ini,
02:42
from abstract ideas on the left
60
147000
2000
dari ide abstrak sebelah kiri
02:44
like patriotism, or altruism, or religion
61
149000
3000
seperti patriotisme, altruisme, atau agama,
02:47
to practices
62
152000
2000
sampai praktik
02:49
like dieting behavior, or book purchasing,
63
154000
2000
seperti perilaku makan, pembelian buku,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
156000
3000
minum, atau helm sepeda dan praktik keamanan lainnya,
02:54
or products that people might buy,
65
159000
2000
produk yang mungkin dibeli orang-orang,
02:56
purchases of electronic goods,
66
161000
2000
pembelian barang elektronik,
02:58
anything in which there's kind of an interpersonal spread.
67
163000
3000
apa saja yang mengandung penyebaran interpersonal.
03:01
A kind of a diffusion of innovation
68
166000
2000
Semacam difusi inovasi
03:03
could be understood and predicted
69
168000
2000
bisa dipahami dan diprediksi
03:05
by the mechanism I'm going to show you now.
70
170000
3000
dengan mekanisme yang akan saya perlihatkan.
03:08
So, as all of you probably know,
71
173000
2000
Seperti yang mungkin Anda tahu,
03:10
the classic way of thinking about this
72
175000
2000
pemikiran klasik tentang ini
03:12
is the diffusion-of-innovation,
73
177000
2000
adalah difusi-inovasi,
03:14
or the adoption curve.
74
179000
2000
atau kurva adopsi.
03:16
So here on the Y-axis, we have the percent of the people affected,
75
181000
2000
Jadi di sini ada sumbu Y, persentase orang yang terpengaruh,
03:18
and on the X-axis, we have time.
76
183000
2000
di sumbu X, waktu.
03:20
And at the very beginning, not too many people are affected,
77
185000
3000
Awalnya, tidak banyak orang yang terpengaruh,
03:23
and you get this classic sigmoidal,
78
188000
2000
lalu kita dapat kurva sigmoid klasik ini,
03:25
or S-shaped, curve.
79
190000
2000
atau kurva berbentuk S.
03:27
And the reason for this shape is that at the very beginning,
80
192000
2000
Penyebab bentuk ini adalah pada awalnya,
03:29
let's say one or two people
81
194000
2000
misal saja satu atau dua orang
03:31
are infected, or affected by the thing
82
196000
2000
terpengaruh, atau terinfeksi, oleh hal itu,
03:33
and then they affect, or infect, two people,
83
198000
2000
lalu mempengaruhi, atau menginfeksi, dua orang,
03:35
who in turn affect four, eight, 16 and so forth,
84
200000
3000
yang lalu mempengaruhi 4, 8, 16 dan seterusnya,
03:38
and you get the epidemic growth phase of the curve.
85
203000
3000
kita dapatkan fase pertumbuhan epidemi pada kurva.
03:41
And eventually, you saturate the population.
86
206000
2000
Akhirnya populasi menyentuh titik saturasi.
03:43
There are fewer and fewer people
87
208000
2000
Semakin sedikit orang
03:45
who are still available that you might infect,
88
210000
2000
yang masih bisa terinfeksi,
03:47
and then you get the plateau of the curve,
89
212000
2000
lalu kita menyentuh plato kurva,
03:49
and you get this classic sigmoidal curve.
90
214000
3000
kita dapatkan kurva sigmoid klasik ini.
03:52
And this holds for germs, ideas,
91
217000
2000
Ini berlaku untuk kuman, ide,
03:54
product adoption, behaviors,
92
219000
2000
adopsi produk, perilaku,
03:56
and the like.
93
221000
2000
dan lain-lain.
03:58
But things don't just diffuse in human populations at random.
94
223000
3000
Tapi difusi dalam populasi manusia tidak terjadi secara acak.
04:01
They actually diffuse through networks.
95
226000
2000
Difusi terjadi melalui jaringan.
04:03
Because, as I said, we live our lives in networks,
96
228000
3000
Karena kita hidup dalam jaringan.
04:06
and these networks have a particular kind of a structure.
97
231000
3000
jaringan ini punya struktur tertentu.
04:09
Now if you look at a network like this --
98
234000
2000
Misal Anda melihat jaringan seperti ini ...
04:11
this is 105 people.
99
236000
2000
Ini 105 orang.
04:13
And the lines represent -- the dots are the people,
100
238000
2000
Garis ini mewakili ... titik-titik ini orang,
04:15
and the lines represent friendship relationships.
101
240000
2000
garis ini mewakili hubungan pertemanan.
04:17
You might see that people occupy
102
242000
2000
Kita bisa melihat bagaimana orang
04:19
different locations within the network.
103
244000
2000
menempati lokasi yang berbeda dalam jaringan.
04:21
And there are different kinds of relationships between the people.
104
246000
2000
Ada jenis hubungan yang berbeda antara orang-orang.
04:23
You could have friendship relationships, sibling relationships,
105
248000
3000
Kita bisa punya hubungan pertemanan, hubungan saudara,
04:26
spousal relationships, co-worker relationships,
106
251000
3000
hubungan pernikahan, hubungan kerja,
04:29
neighbor relationships and the like.
107
254000
3000
hubungan tetangga, dan sebagainya.
04:32
And different sorts of things
108
257000
2000
Berbagai hal yang berbeda ini
04:34
spread across different sorts of ties.
109
259000
2000
menyebar melalui berbagai ikatan yang berbeda.
04:36
For instance, sexually transmitted diseases
110
261000
2000
Misal, penyakit kelamin yang menular
04:38
will spread across sexual ties.
111
263000
2000
menyebar melalui ikatan seksual.
04:40
Or, for instance, people's smoking behavior
112
265000
2000
Misalnya lagi, perilaku merokok
04:42
might be influenced by their friends.
113
267000
2000
kemungkinan dipengaruhi oleh teman.
04:44
Or their altruistic or their charitable giving behavior
114
269000
2000
Atau perilaku altruistis atau kedermawanan
04:46
might be influenced by their coworkers,
115
271000
2000
mungkin dipengaruhi oleh rekan kerja,
04:48
or by their neighbors.
116
273000
2000
atau oleh tetangga.
04:50
But not all positions in the network are the same.
117
275000
3000
Tapi tidak semua posisi di dalam jaringan sama.
04:53
So if you look at this, you might immediately grasp
118
278000
2000
Kalau kita lihat ini, Anda mungkin segera memahami
04:55
that different people have different numbers of connections.
119
280000
3000
masing-masing orang punya jumlah koneksi yang berbeda.
04:58
Some people have one connection, some have two,
120
283000
2000
Ada orang yang punya satu koneksi, ada yang dua,
05:00
some have six, some have 10 connections.
121
285000
3000
ada yang enam, ada yang punya 10 koneksi.
05:03
And this is called the "degree" of a node,
122
288000
2000
Ini disebut "kelas" nodus.
05:05
or the number of connections that a node has.
123
290000
2000
atau jumlah koneksi yang dimiliki oleh nodus.
05:07
But in addition, there's something else.
124
292000
2000
Tapi selain itu, ada yang lain.
05:09
So, if you look at nodes A and B,
125
294000
2000
Kalau kita lihat nodus A dan B,
05:11
they both have six connections.
126
296000
2000
keduanya punya enam koneksi.
05:13
But if you can see this image [of the network] from a bird's eye view,
127
298000
3000
Tapi seperti yang Anda di gambar dengan skala besar ini,
05:16
you can appreciate that there's something very different
128
301000
2000
kita bisa melihat ada sesuatu yang sangat berbeda
05:18
about nodes A and B.
129
303000
2000
dari nodus A dan B.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
305000
3000
Coba Anda jawab -- saya bisa memancing intuisi ini dengan bertanya --
05:23
who would you rather be
131
308000
2000
Anda pilih jadi siapa
05:25
if a deadly germ was spreading through the network, A or B?
132
310000
3000
kalau kuman mematikan menyebar melalui jaringan, A atau B?
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
313000
2000
(Pirsawan: B) Nicholas Christakis: B, jelas
05:30
B is located on the edge of the network.
134
315000
2000
B berada di bagian tepi jaringan.
05:32
Now, who would you rather be
135
317000
2000
Sekarang, Anda pilih jadi siapa
05:34
if a juicy piece of gossip were spreading through the network?
136
319000
3000
kalau ada gosip hangat yang menyebar melalui jaringan?
05:37
A. And you have an immediate appreciation
137
322000
3000
A. Kita bisa segera memahami
05:40
that A is going to be more likely
138
325000
2000
bahwa A kemungkinannya lebih besar
05:42
to get the thing that's spreading and to get it sooner
139
327000
3000
terkena yang sedang menyebar dan lebih cepat
05:45
by virtue of their structural location within the network.
140
330000
3000
karena secara struktur lokasi mereka di dalam jaringan.
05:48
A, in fact, is more central,
141
333000
2000
Posisi A memang lebih memusat,
05:50
and this can be formalized mathematically.
142
335000
3000
ini bisa diformalkan secara matematis.
05:53
So, if we want to track something
143
338000
2000
Jadi, kalau kita ingin melacak sesuatu
05:55
that was spreading through a network,
144
340000
3000
yang menyebar melalui jaringan,
05:58
what we ideally would like to do is to set up sensors
145
343000
2000
yang idealnya kita lakukan adalah menyiapkan sensor
06:00
on the central individuals within the network,
146
345000
2000
di individu-individu pusat di dalam jaringan,
06:02
including node A,
147
347000
2000
termasuk nodus A,
06:04
monitor those people that are right there in the middle of the network,
148
349000
3000
pantau orang-orang yang tepat berada di tengah-tengah jaringan,
06:07
and somehow get an early detection
149
352000
2000
dan dapatkan deteksi awal
06:09
of whatever it is that is spreading through the network.
150
354000
3000
atas apa pun yang menyebar melalui jaringan.
06:12
So if you saw them contract a germ or a piece of information,
151
357000
3000
Kalau Anda melihat mereka terkena kuman atau informasi,
06:15
you would know that, soon enough,
152
360000
2000
Anda akan tahu, segera,
06:17
everybody was about to contract this germ
153
362000
2000
semua orang akan terkena kuman ini
06:19
or this piece of information.
154
364000
2000
atau informasi ini.
06:21
And this would be much better
155
366000
2000
Ini lebih baik dari pada
06:23
than monitoring six randomly chosen people,
156
368000
2000
memantau enam orang yang dipilih secara acak,
06:25
without reference to the structure of the population.
157
370000
3000
tanpa referensi atas struktur populasi yang ada.
06:28
And in fact, if you could do that,
158
373000
2000
Bahkan, kalau kita bisa melakukan ini,
06:30
what you would see is something like this.
159
375000
2000
yang akan kita lihat adalah seperti ini.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
377000
3000
Di panel kiri, sekali lagi, kita punya kurva adopsi berbentuk S
06:35
In the dotted red line, we show
161
380000
2000
Di garis merah putus-putus, kita tampilkan
06:37
what the adoption would be in the random people,
162
382000
2000
adopsi yang terjadi pada orang-orang yang acak,
06:39
and in the left-hand line, shifted to the left,
163
384000
3000
di garis sebelah kiri, bergeser ke kiri,
06:42
we show what the adoption would be
164
387000
2000
kita tampilkan adopsi
06:44
in the central individuals within the network.
165
389000
2000
pada individu-individu pusat di dalam jaringan.
06:46
On the Y-axis is the cumulative instances of contagion,
166
391000
2000
Di sumbu Y, jumlah kumulatif penyebaran,
06:48
and on the X-axis is the time.
167
393000
2000
di sumbu X, waktu.
06:50
And on the right-hand side, we show the same data,
168
395000
2000
Di sisi kanan, kita menampilkan data yang sama,
06:52
but here with daily incidence.
169
397000
2000
tapi di sini disertai data harian.
06:54
And what we show here is -- like, here --
170
399000
2000
Yang kita tampilkan di sini -- seperti, di sini --
06:56
very few people are affected, more and more and more and up to here,
171
401000
2000
sangat sedikit orang yang terinfeksi, di atas sini semakin banyak,
06:58
and here's the peak of the epidemic.
172
403000
2000
di sini puncak epideminya.
07:00
But shifted to the left is what's occurring in the central individuals.
173
405000
2000
Tapi bergeser ke kiri adalah apa yang terjadi pada individu pusat.
07:02
And this difference in time between the two
174
407000
3000
Perbedaan waktu antara keduanya
07:05
is the early detection, the early warning we can get,
175
410000
3000
adalah deteksi awal, peringatan awal yang kita punya,
07:08
about an impending epidemic
176
413000
2000
terhadap ancaman epidemi
07:10
in the human population.
177
415000
2000
pada populasi manusia.
07:12
The problem, however,
178
417000
2000
Namun masalahnya,
07:14
is that mapping human social networks
179
419000
2000
pemetaan jaringan sosial manusia
07:16
is not always possible.
180
421000
2000
tidak selalu bisa dilakukan.
07:18
It can be expensive, not feasible,
181
423000
2000
Biayanya mahal, sangat sulit,
07:20
unethical,
182
425000
2000
tidak etis,
07:22
or, frankly, just not possible to do such a thing.
183
427000
3000
atau, sederhananya, tidak mungkin dilakukan.
07:25
So, how can we figure out
184
430000
2000
Jadi bagaimana cara mengetahui
07:27
who the central people are in a network
185
432000
2000
siapa orang pusat di suatu jaringan
07:29
without actually mapping the network?
186
434000
3000
tanpa benar-benar memetakan jaringan?
07:32
What we came up with
187
437000
2000
Yang kita ciptakan adalah
07:34
was an idea to exploit an old fact,
188
439000
2000
ide untuk mengeksploitasi fakta lama,
07:36
or a known fact, about social networks,
189
441000
2000
fakta yang sudah diketahui, tentang jaringan sosial,
07:38
which goes like this:
190
443000
2000
yang bunyinya:
07:40
Do you know that your friends
191
445000
2000
Tahukah Anda teman Anda
07:42
have more friends than you do?
192
447000
3000
punya lebih banyak teman dari pada Anda?
07:45
Your friends have more friends than you do,
193
450000
3000
Teman Anda punya lebih banyak teman dari pada Anda.
07:48
and this is known as the friendship paradox.
194
453000
2000
Ini dikenal sebagai paradoks pertemanan.
07:50
Imagine a very popular person in the social network --
195
455000
2000
Bayangkan seorang yang sangat populer di jaringan sosial --
07:52
like a party host who has hundreds of friends --
196
457000
3000
seperti tuan rumah pesta yang punya ratusan teman --
07:55
and a misanthrope who has just one friend,
197
460000
2000
dan seorang antisosial hanya punya satu teman,
07:57
and you pick someone at random from the population;
198
462000
3000
kalau Anda memilih seseorang secara acak dari populasi itu;
08:00
they were much more likely to know the party host.
199
465000
2000
kemungkinan besar mereka kenal dengan tuan rumah pesta itu.
08:02
And if they nominate the party host as their friend,
200
467000
2000
Kalau mereka menominasikan dia sebagai teman mereka,
08:04
that party host has a hundred friends,
201
469000
2000
dia berarti punya ratusan teman,
08:06
therefore, has more friends than they do.
202
471000
3000
karena itu, punya lebih banyak teman dari pada mereka.
08:09
And this, in essence, is what's known as the friendship paradox.
203
474000
3000
Ini, pada intinya, yang dikenal sebagai paradoks pertemanan.
08:12
The friends of randomly chosen people
204
477000
3000
Teman dari orang yang dipilih secara acak
08:15
have higher degree, and are more central
205
480000
2000
punya kelas yang lebih tinggi, dan lebih memusat,
08:17
than the random people themselves.
206
482000
2000
dari pada orang yang dipilih acak itu sendiri.
08:19
And you can get an intuitive appreciation for this
207
484000
2000
Secara intuitif Anda bisa memahami ini
08:21
if you imagine just the people at the perimeter of the network.
208
486000
3000
jika Anda bayangkan orang yang berada di tepi jaringan.
08:24
If you pick this person,
209
489000
2000
Kalau Anda pilih orang ini,
08:26
the only friend they have to nominate is this person,
210
491000
3000
satu-satunya teman untuk dinominasikan adalah orang ini,
08:29
who, by construction, must have at least two
211
494000
2000
yang, secara konstruksi, paling tidak punya dua teman,
08:31
and typically more friends.
212
496000
2000
biasanya bahkan lebih.
08:33
And that happens at every peripheral node.
213
498000
2000
Itu terjadi di setiap nodus periferal.
08:35
And in fact, it happens throughout the network as you move in,
214
500000
3000
Bahkan, itu terjadi di seluruh jaringan saat Anda mulai masuk,
08:38
everyone you pick, when they nominate a random --
215
503000
2000
semua yang Anda pilih, saat menominasikan secara acak...
08:40
when a random person nominates a friend of theirs,
216
505000
3000
saat orang yang acak menominasikan teman mereka,
08:43
you move closer to the center of the network.
217
508000
3000
Anda bergerak mendekat ke pusat jaringan.
08:46
So, we thought we would exploit this idea
218
511000
3000
Jadi kami pikir kami bisa memanfaatkan ide ini
08:49
in order to study whether we could predict phenomena within networks.
219
514000
3000
untuk mempelajari cara memprediksi fenomena di dalam jaringan.
08:52
Because now, with this idea
220
517000
2000
Karena dengan ide ini,
08:54
we can take a random sample of people,
221
519000
2000
kita bisa memilih sampel secara acak,
08:56
have them nominate their friends,
222
521000
2000
meminta mereka menominasikan teman mereka,
08:58
those friends would be more central,
223
523000
2000
teman mereka akan lebih memusat,
09:00
and we could do this without having to map the network.
224
525000
3000
kita bisa melakukan ini tanpa harus memetakan jaringan.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
528000
3000
Kami menguji ide ini dengan wabah flu H1N1
09:06
at Harvard College
226
531000
2000
di Harvard College
09:08
in the fall and winter of 2009, just a few months ago.
227
533000
3000
musim gugur dan dingin 2009, beberapa bulan lalu.
09:11
We took 1,300 randomly selected undergraduates,
228
536000
3000
Kami memilih secara acak 1.300 mahasiswa,
09:14
we had them nominate their friends,
229
539000
2000
kami minta mereka menominasikan teman mereka,
09:16
and we followed both the random students and their friends
230
541000
2000
kami ikuti mahasiswa yang kami pilih itu dan teman mereka
09:18
daily in time
231
543000
2000
setiap hari
09:20
to see whether or not they had the flu epidemic.
232
545000
3000
untuk melihat apakah mereka terkena epidemi flu.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
548000
3000
Kami melakukan ini secara pasif, melihat apakah mereka pergi ke pelayanan kesehatan universitas.
09:26
And also, we had them [actively] email us a couple of times a week.
234
551000
3000
Juga minta mereka secara aktif mengirimi kami email beberapa kali seminggu.
09:29
Exactly what we predicted happened.
235
554000
3000
Yang terjadi tepat seperti yang kami perkirakan.
09:32
So the random group is in the red line.
236
557000
3000
Grup yang acak ini ada di dalam garis merah.
09:35
The epidemic in the friends group has shifted to the left, over here.
237
560000
3000
Epidemi grup teman bergerak ke kiri, di sini.
09:38
And the difference in the two is 16 days.
238
563000
3000
Perbedaan keduanya adalah 16 hari.
09:41
By monitoring the friends group,
239
566000
2000
Dengan memantau grup teman,
09:43
we could get 16 days advance warning
240
568000
2000
kami bisa mendapatkan peringatan awal 16 hari
09:45
of an impending epidemic in this human population.
241
570000
3000
ancaman epidemi di populasi manusia ini.
09:48
Now, in addition to that,
242
573000
2000
Selain itu,
09:50
if you were an analyst who was trying to study an epidemic
243
575000
3000
kalau Anda adalah analis yang mencoba mempelajari epidemi
09:53
or to predict the adoption of a product, for example,
244
578000
3000
atau memprediksi adopsi suatu produk, misalnya,
09:56
what you could do is you could pick a random sample of the population,
245
581000
3000
yang harus Anda lakukan adalah memilih secara acak sampel dari populasi,
09:59
also have them nominate their friends and follow the friends
246
584000
3000
meminta mereka menominasikan teman dan mengikuti mereka.
10:02
and follow both the randoms and the friends.
247
587000
3000
mengikuti baik sampel acak maupun teman mereka.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
590000
3000
Pada teman, jika Anda melihat kedipan di atas nol
10:08
in adoption of the innovation, for example,
249
593000
3000
pada adopsi inovasi, misalnya,
10:11
would be evidence of an impending epidemic.
250
596000
2000
itu akan bukti adanya ancaman epidemi.
10:13
Or you could see the first time the two curves diverged,
251
598000
3000
Atau jika Anda melihat kedua kurva berpisah,
10:16
as shown on the left.
252
601000
2000
seperti terlihat di sebelah kiri.
10:18
When did the randoms -- when did the friends take off
253
603000
3000
Kapan sampel acak... kapan teman mereka memisahkan diri
10:21
and leave the randoms,
254
606000
2000
meninggalkan sampel acak,
10:23
and [when did] their curve start shifting?
255
608000
2000
kapan kurva mereka mulai bergeser?
10:25
And that, as indicated by the white line,
256
610000
2000
Dan seperti ditunjukkan dengan garis putih,
10:27
occurred 46 days
257
612000
2000
terjadi dalam 46 hari
10:29
before the peak of the epidemic.
258
614000
2000
sebelum puncak epidemi.
10:31
So this would be a technique
259
616000
2000
Jadi ini akan menjadi teknik
10:33
whereby we could get more than a month-and-a-half warning
260
618000
2000
yang bisa memberi peringatan satu bulan setengah lebih awal
10:35
about a flu epidemic in a particular population.
261
620000
3000
akan epidemi flu di populasi tertentu.
10:38
I should say that
262
623000
2000
Namun, harus saya katakan
10:40
how far advanced a notice one might get about something
263
625000
2000
Seawal apa pemberitahuan tentang sesuatu bisa diberikan
10:42
depends on a host of factors.
264
627000
2000
tergantung pada kerentanan inang.
10:44
It could depend on the nature of the pathogen --
265
629000
2000
Tergantung pada sifat alamiah patogen --
10:46
different pathogens,
266
631000
2000
patogen yang berbeda
10:48
using this technique, you'd get different warning --
267
633000
2000
dengan teknik ini, Anda dapat peringatan yang berbeda --
10:50
or other phenomena that are spreading,
268
635000
2000
atau fenomena lain yang menyebar,
10:52
or frankly, on the structure of the human network.
269
637000
3000
atau tentang struktur jaringan manusia.
10:55
Now in our case, although it wasn't necessary,
270
640000
3000
Dalam kasus kami, meski pun tidak perlu,
10:58
we could also actually map the network of the students.
271
643000
2000
kamu juga memetakan jaringan para mahasiswa itu.
11:00
So, this is a map of 714 students
272
645000
2000
Ini adalah peta 714 mahasiswa
11:02
and their friendship ties.
273
647000
2000
dan ikatan pertemanan mereka.
11:04
And in a minute now, I'm going to put this map into motion.
274
649000
2000
Sesaat lagi, saya akan menjalankan peta ini.
11:06
We're going to take daily cuts through the network
275
651000
2000
Kita akan melihat perkembangan jaringan per hari
11:08
for 120 days.
276
653000
2000
selama 120 hari.
11:10
The red dots are going to be cases of the flu,
277
655000
3000
Titik merah adalah kasus flu,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
658000
3000
titik kuning adalah teman orang yang terkena flu.
11:16
And the size of the dots is going to be proportional
279
661000
2000
Ukuran titik akan proporsional
11:18
to how many of their friends have the flu.
280
663000
2000
terhadap banyaknya teman yang terkena flu.
11:20
So bigger dots mean more of your friends have the flu.
281
665000
3000
Jadi semakin besar titik semakin banyak teman yang terkena flu.
11:23
And if you look at this image -- here we are now in September the 13th --
282
668000
3000
Kalau Anda lihat gambar ini -- di sini sekarang tanggal 13 September --
11:26
you're going to see a few cases light up.
283
671000
2000
Anda akan melihat beberapa kasus mulai menyala.
11:28
You're going to see kind of blooming of the flu in the middle.
284
673000
2000
Kita bisa melihat titik flu semakin besar di bagian tengah.
11:30
Here we are on October the 19th.
285
675000
3000
Di sini tanggal 19 Oktober.
11:33
The slope of the epidemic curve is approaching now, in November.
286
678000
2000
Turunan kurva epidemi mulai mendekat, di bulan November.
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
680000
3000
Dor, dor, dor, dor, dor, kita bisa melihat banyak titik yang membesar di tengah,
11:38
and then you're going to see a sort of leveling off,
288
683000
2000
kita lalu melihat semacam penurunan,
11:40
fewer and fewer cases towards the end of December.
289
685000
3000
semakin sedikit kasus di akhir bulan Desember.
11:43
And this type of a visualization
290
688000
2000
Jenis visualisasi ini
11:45
can show that epidemics like this take root
291
690000
2000
bisa menunjukkan bahwa epidemi seperti ini berakar
11:47
and affect central individuals first,
292
692000
2000
dan mempengaruhi individu pusat dulu,
11:49
before they affect others.
293
694000
2000
sebelum mempengaruhi yang lain.
11:51
Now, as I've been suggesting,
294
696000
2000
Seperti yang saya katakan sebelumnya,
11:53
this method is not restricted to germs,
295
698000
3000
metode ini tidak terbatas pada kuman,
11:56
but actually to anything that spreads in populations.
296
701000
2000
tapi apa pun yang menyebar dalam populasi.
11:58
Information spreads in populations,
297
703000
2000
Informasi menyebar dalam populasi.
12:00
norms can spread in populations,
298
705000
2000
Norma menyebar dalam populasi.
12:02
behaviors can spread in populations.
299
707000
2000
Perilaku menyebar dalam populasi.
12:04
And by behaviors, I can mean things like criminal behavior,
300
709000
3000
Perilaku bisa berarti banyak hal seperti perilaku kriminal,
12:07
or voting behavior, or health care behavior,
301
712000
3000
atau perilaku pemilih, atau pelayanan kesehatan,
12:10
like smoking, or vaccination,
302
715000
2000
seperti merokok, atau vaksinasi,
12:12
or product adoption, or other kinds of behaviors
303
717000
2000
atau adopsi produk, atau jenis perilaku lainnya
12:14
that relate to interpersonal influence.
304
719000
2000
yang berhubungan dengan pengaruh interpersonal.
12:16
If I'm likely to do something that affects others around me,
305
721000
3000
Kalau saya bisa melakukan yang mempengaruhi yang di sekitar saya,
12:19
this technique can get early warning or early detection
306
724000
3000
teknik ini bisa memberikan peringatan awal, atau deteksi awal,
12:22
about the adoption within the population.
307
727000
3000
tentang adopsi yang ada di populasi.
12:25
The key thing is that for it to work,
308
730000
2000
Yang penting, agar berfungsi,
12:27
there has to be interpersonal influence.
309
732000
2000
harus ada pengaruh interpersonal
12:29
It cannot be because of some broadcast mechanism
310
734000
2000
Bukan karena adanya mekanisme penyiaran tertentu
12:31
affecting everyone uniformly.
311
736000
3000
yang mempengaruhi semua bersamaan.
12:35
Now the same insights
312
740000
2000
Pemahaman yang sama ini
12:37
can also be exploited -- with respect to networks --
313
742000
3000
juga bisa dimanfaatkan -- terkait dengan jaringan --
12:40
can also be exploited in other ways,
314
745000
3000
juga bisa dimanfaatkan dalam cara lain,
12:43
for example, in the use of targeting
315
748000
2000
misalnya, dalam penggunaan penargetan
12:45
specific people for interventions.
316
750000
2000
orang-orang tertentu untuk intervensi.
12:47
So, for example, most of you are probably familiar
317
752000
2000
Misalnya, Anda mungkin pernah mendengar
12:49
with the notion of herd immunity.
318
754000
2000
tentang konsep imunitas kawanan.
12:51
So, if we have a population of a thousand people,
319
756000
3000
Kalau kita punya populasi terdiri dari seribu orang,
12:54
and we want to make the population immune to a pathogen,
320
759000
3000
dan ingin membuat populasi itu kebal terhadap sebuah patogen,
12:57
we don't have to immunize every single person.
321
762000
2000
kita tidak perlu mengimunisasi semua orang.
12:59
If we immunize 960 of them,
322
764000
2000
Kalau kita mengimunisasi 960 orang,
13:01
it's as if we had immunized a hundred [percent] of them.
323
766000
3000
itu seperti kita sudah mengimunisasi seratus persen.
13:04
Because even if one or two of the non-immune people gets infected,
324
769000
3000
Karena kalau pun ada satu dua orang tidak kebal yang terinfeksi,
13:07
there's no one for them to infect.
325
772000
2000
tidak ada orang lain yang bisa mereka tulari.
13:09
They are surrounded by immunized people.
326
774000
2000
Mereka dikelilingi oleh orang-orang yang kebal.
13:11
So 96 percent is as good as 100 percent.
327
776000
3000
Jadi 96 persen sama baiknya dengan 100 persen.
13:14
Well, some other scientists have estimated
328
779000
2000
Beberapa ilmuwan sudah memperkirakan
13:16
what would happen if you took a 30 percent random sample
329
781000
2000
apa yang terjadi kalau kita mengambil sampel acak sebesar 30 persen
13:18
of these 1000 people, 300 people and immunized them.
330
783000
3000
dari 1000 orang, 300 orang dan mengimunisasi mereka.
13:21
Would you get any population-level immunity?
331
786000
2000
Apakah kita akan mendapatkan kekebalan tingkat populasi?
13:23
And the answer is no.
332
788000
3000
Jawabannya tidak.
13:26
But if you took this 30 percent, these 300 people
333
791000
2000
Tapi kalau Anda ambil 30 persen ini, 300 orang ini,
13:28
and had them nominate their friends
334
793000
2000
minta mereka menominasikan teman mereka
13:30
and took the same number of vaccine doses
335
795000
3000
mengambil jumlah dosis vaksin yang sama
13:33
and vaccinated the friends of the 300 --
336
798000
2000
memvaksinasi teman dari yang 300 itu,
13:35
the 300 friends --
337
800000
2000
300 teman,
13:37
you can get the same level of herd immunity
338
802000
2000
Anda bisa mendapatkan imunitas kawanan yang sama
13:39
as if you had vaccinated 96 percent of the population
339
804000
3000
seperti Anda memvaksinasi 96 persen populasi itu
13:42
at a much greater efficiency, with a strict budget constraint.
340
807000
3000
dengan efisiensi yang lebih besar, dengan batas anggaran yang ketat.
13:45
And similar ideas can be used, for instance,
341
810000
2000
Ide seperti ini bisa digunakan, misalnya,
13:47
to target distribution of things like bed nets
342
812000
2000
untuk membidik distribusi barang seperti kelambu
13:49
in the developing world.
343
814000
2000
di negara berkembang.
13:51
If we could understand the structure of networks in villages,
344
816000
3000
Jika kita bisa memahami struktur jaringan di desa,
13:54
we could target to whom to give the interventions
345
819000
2000
kita bisa membidik orang-orang yang akan kita intervensi
13:56
to foster these kinds of spreads.
346
821000
2000
untuk mengarahkan penyebaran ini.
13:58
Or, frankly, for advertising with all kinds of products.
347
823000
3000
Atau bisa juga untuk periklanan dengan berbagai jenis produk.
14:01
If we could understand how to target,
348
826000
2000
Kalau kita bisa memahami cara membidik target,
14:03
it could affect the efficiency
349
828000
2000
ini dapat mempengaruhi efisiensi
14:05
of what we're trying to achieve.
350
830000
2000
apa yang ingin kita capai.
14:07
And in fact, we can use data
351
832000
2000
Bahkan, kita bisa menggunakan data
14:09
from all kinds of sources nowadays [to do this].
352
834000
2000
dari segala macam jenis sumber sekarang ini untuk melakukannya.
14:11
This is a map of eight million phone users
353
836000
2000
Ini adalah peta delapan juta pengguna telepon
14:13
in a European country.
354
838000
2000
di sebuah negara Eropa.
14:15
Every dot is a person, and every line represents
355
840000
2000
Setiap titik adalah orang, dan setiap garis mewakili
14:17
a volume of calls between the people.
356
842000
2000
volume panggilan antara orang-orang itu.
14:19
And we can use such data, that's being passively obtained,
357
844000
3000
Kita bisa menggunakan data ini, yang diperoleh secara pasif,
14:22
to map these whole countries
358
847000
2000
untuk memetakan seluruh negara ini
14:24
and understand who is located where within the network.
359
849000
3000
dan memahami siapa yang berada di mana di dalam jaringan.
14:27
Without actually having to query them at all,
360
852000
2000
Tanpa harus menanyai mereka langsung,
14:29
we can get this kind of a structural insight.
361
854000
2000
kita bisa dapat pemahaman struktural ini.
14:31
And other sources of information, as you're no doubt aware
362
856000
3000
Sumber informasi lainnya, yang pastinya Anda tahu,
14:34
are available about such features, from email interactions,
363
859000
3000
menyediakan fitur semacam itu, dari interaksi email,
14:37
online interactions,
364
862000
2000
interaksi online,
14:39
online social networks and so forth.
365
864000
3000
jaringan sosial online, dan sebagainya.
14:42
And in fact, we are in the era of what I would call
366
867000
2000
Bahkan, kita ini berada di era yang saya sebut
14:44
"massive-passive" data collection efforts.
367
869000
3000
usaha pengumpulan data "luas-pasif"
14:47
They're all kinds of ways we can use massively collected data
368
872000
3000
Banyak cara yang bisa digunakan untuk mengumpulkan data secara luas
14:50
to create sensor networks
369
875000
3000
untuk membuat jaringan sensor
14:53
to follow the population,
370
878000
2000
untuk mengikuti populasi,
14:55
understand what's happening in the population,
371
880000
2000
memahami apa yang terjadi dalam populasi,
14:57
and intervene in the population for the better.
372
882000
3000
mengintervensi populasi dengan tujuan memperbaiki.
15:00
Because these new technologies tell us
373
885000
2000
Karena teknologi baru ini memberitahu kita
15:02
not just who is talking to whom,
374
887000
2000
bukan sekadar siapa berbicara dengan siapa,
15:04
but where everyone is,
375
889000
2000
tapi di mana mereka,
15:06
and what they're thinking based on what they're uploading on the Internet,
376
891000
3000
apa yang mereka pikirkan berdasarkan apa yang mereka unggah ke internet.
15:09
and what they're buying based on their purchases.
377
894000
2000
apa yang mereka beli berdasarkan pembelian mereka.
15:11
And all this administrative data can be pulled together
378
896000
3000
Semua data administratif ini bisa dikumpulkan
15:14
and processed to understand human behavior
379
899000
2000
diproses untuk memahami perilaku manusia
15:16
in a way we never could before.
380
901000
3000
dengan cara yang tidak bisa kita lakukan sebelumnya.
15:19
So, for example, we could use truckers' purchases of fuel.
381
904000
3000
Misalnya, kita bisa menggunakan data pembelian bahan bakar supir truk.
15:22
So the truckers are just going about their business,
382
907000
2000
Supir truk bisa menjalankan kegiatan mereka seperti biasa,
15:24
and they're buying fuel.
383
909000
2000
mereka membeli bahan bakar.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
911000
3000
Kita bisa melihat titik berkedip pada pembelian bahan bakar supir truk,
15:29
and we know that a recession is about to end.
385
914000
2000
kita jadi tahu bahwa resesi akan berakhir.
15:31
Or we can monitor the velocity
386
916000
2000
Kita bisa memantau kecepatan
15:33
with which people are moving with their phones on a highway,
387
918000
3000
orang-orang di jalan raya dengan telepon mereka,
15:36
and the phone company can see,
388
921000
2000
perusahaan telepon bisa melihat,
15:38
as the velocity is slowing down,
389
923000
2000
kalau kecepatannya berkurang,
15:40
that there's a traffic jam.
390
925000
2000
berarti ada kemacetan.
15:42
And they can feed that information back to their subscribers,
391
927000
3000
Mereka bisa mengirimkan informasi ini ke pelanggan mereka,
15:45
but only to their subscribers on the same highway
392
930000
2000
tapi hanya ke pelanggan yang berada di jalan yang sama
15:47
located behind the traffic jam!
393
932000
2000
yang berada di belakang kemacetan itu!
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
934000
3000
Kita bisa memantau perilaku pemberian resep dokter, secara pasif,
15:52
and see how the diffusion of innovation with pharmaceuticals
395
937000
3000
melihat bagaimana difusi inovasi dalam hal obat-obatan
15:55
occurs within [networks of] doctors.
396
940000
2000
terjadi di jaringan para dokter.
15:57
Or again, we can monitor purchasing behavior in people
397
942000
2000
Kita juga bisa memantau perilaku pembelian orang-orang,
15:59
and watch how these types of phenomena
398
944000
2000
melihat bagaimana fenomena ini
16:01
can diffuse within human populations.
399
946000
3000
berdifusi di dalam populasi manusia.
16:04
And there are three ways, I think,
400
949000
2000
Ada tiga cara menurut saya,
16:06
that these massive-passive data can be used.
401
951000
2000
untuk menggunakan data pasif-luas ini.
16:08
One is fully passive,
402
953000
2000
Yang pertama, benar-benar pasif,
16:10
like I just described --
403
955000
2000
seperti yang saya gambarkan --
16:12
as in, for instance, the trucker example,
404
957000
2000
misalnya dalam contoh supir truk tadi,
16:14
where we don't actually intervene in the population in any way.
405
959000
2000
kita tidak perlu mengintervensi populasi dengan cara apa pun.
16:16
One is quasi-active,
406
961000
2000
Berikutnya, quasi-aktif,
16:18
like the flu example I gave,
407
963000
2000
seperti contoh flu di atas,
16:20
where we get some people to nominate their friends
408
965000
3000
kita meminta beberapa orang menominasikan teman mereka
16:23
and then passively monitor their friends --
409
968000
2000
secara pasif memantau teman mereka --
16:25
do they have the flu, or not? -- and then get warning.
410
970000
2000
apakah terkena flu atau tidak? -- dan mendapat peringatan awal.
16:27
Or another example would be,
411
972000
2000
Contoh lainnya misal,
16:29
if you're a phone company, you figure out who's central in the network
412
974000
3000
kalau Anda adalah perusahaan telepon, Anda bisa tahu siapa yang jadi pusat jaringan,
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
977000
3000
Anda minta ke orang-orang itu, "Maaf, bisa SMS-kan demam Anda setiap hari?
16:35
Just text us your temperature."
414
980000
2000
SMS-kan saja suhu Anda."
16:37
And collect vast amounts of information about people's temperature,
415
982000
3000
Kumpulkan informasi suhu orang-orang dalam jumlah yang banyak,
16:40
but from centrally located individuals.
416
985000
2000
tapi dari individu yang berada di pusat.
16:42
And be able, on a large scale,
417
987000
2000
Dalam skala yang besar, ini bisa
16:44
to monitor an impending epidemic
418
989000
2000
memantau ancaman epidemi
16:46
with very minimal input from people.
419
991000
2000
dengan input yang minimal dari orang-orang.
16:48
Or, finally, it can be more fully active --
420
993000
2000
Yang terakhir, bisa lebih aktif --
16:50
as I know subsequent speakers will also talk about today --
421
995000
2000
pembicara berikutnya hari ini juga akan berbicara tentang ini --
16:52
where people might globally participate in wikis,
422
997000
2000
di mana orang-orang bisa berpartisipasi dalam wiki secara global,
16:54
or photographing, or monitoring elections,
423
999000
3000
atau fotografi, atau pemantau pemilu,
16:57
and upload information in a way that allows us to pool
424
1002000
2000
dan mengungah informasi dalam cara yang memungkinkan kita mengumpulkan
16:59
information in order to understand social processes
425
1004000
2000
informasi untuk memahami proses sosial
17:01
and social phenomena.
426
1006000
2000
dan fenomena sosial.
17:03
In fact, the availability of these data, I think,
427
1008000
2000
Bahkan menurut saya ketersediaan data ini
17:05
heralds a kind of new era
428
1010000
2000
menghantarkan kita ke era baru
17:07
of what I and others would like to call
429
1012000
2000
yang saya dan rekan-rekan lain ingin sebut
17:09
"computational social science."
430
1014000
2000
"ilmu sosial komputasional."
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1016000
3000
Ini seperti saat Galileo menciptakan -- atau tidak menciptakan --
17:14
came to use a telescope
432
1019000
2000
menggunakan teleskop
17:16
and could see the heavens in a new way,
433
1021000
2000
melihat langit dengan cara baru,
17:18
or Leeuwenhoek became aware of the microscope --
434
1023000
2000
atau saat Leeuwenhoek sadar akan fungsi mikroskop --
17:20
or actually invented --
435
1025000
2000
atau benar-benar menciptakannya --
17:22
and could see biology in a new way.
436
1027000
2000
melihat biologi dengan cara baru.
17:24
But now we have access to these kinds of data
437
1029000
2000
Sekarang kita punya akses ke data semacam ini
17:26
that allow us to understand social processes
438
1031000
2000
yang memungkinkan kita memahami proses sosial
17:28
and social phenomena
439
1033000
2000
dan fenomena sosial
17:30
in an entirely new way that was never before possible.
440
1035000
3000
dengan cara yang benar-benar baru yang sebelumnya tidak mungkin dilakukan.
17:33
And with this science, we can
441
1038000
2000
Dengan ilmu ini, kita bisa
17:35
understand how exactly
442
1040000
2000
memahami bagaimana tepatnya
17:37
the whole comes to be greater
443
1042000
2000
kumpulan bisa menjadi lebih besar
17:39
than the sum of its parts.
444
1044000
2000
dari hasil penjumlahan bagian-bagiannya.
17:41
And actually, we can use these insights
445
1046000
2000
Bahkan, kita bisa menggunakan pemahaman ini
17:43
to improve society and improve human well-being.
446
1048000
3000
untuk memperbaiki masyarakat dan umat manusia.
17:46
Thank you.
447
1051000
2000
Terima kasih.
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