TED@Cannes
Nicholas Christakis: How social networks predict epidemics
Nicholas Christakis: Jak sieci społeczne przewidują epidemie
Filmed:
Readability: 4.9
669,862 views
Po zmapowaniu skomplikowanych sieci społecznych, Nicholas Christakis wraz z kolegą Jamesem Fowlerem rozpoczął dochodzenie w jaki sposób ta wiedza może ulepszyć nasze życie. Teraz, odsłania swoje najświeższe odkrycia: Sieci te mogą być stosowane do wykrywania epidemii wcześniej niż kiedykolwiek, począwszy od rozpowszechnienia innowacyjnych pomysłów przez ryzykowne zachowania po wirusy (np. 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
Przez ostatnie 10 lat, spędzałem czas próbując się dowiedzieć
00:18
how and why human beings
1
3000
2000
jak i dlaczego ludzie
00:20
assemble themselves into social networks.
2
5000
3000
gromadzą się w sieciach społecznych.
00:23
And the kind of social network I'm talking about
3
8000
2000
Rodzaj sieci społecznych o których mówię
00:25
is not the recent online variety,
4
10000
2000
nie jest internetowym bytem,
00:27
but rather, the kind of social networks
5
12000
2000
ale raczej typem sieci społecznych
00:29
that human beings have been assembling for hundreds of thousands of years,
6
14000
3000
jakie ludzie tworzą od setek tysięcy lat,
00:32
ever since we emerged from the African savannah.
7
17000
3000
odkąd pojawiliśmy się na afrykańskiej sawannie.
00:35
So, I form friendships and co-worker
8
20000
2000
Tak więc, formuję przyjaźnie, współpracę
00:37
and sibling and relative relationships with other people
9
22000
3000
i małżeństwa i relacje z innymi ludźmi,
00:40
who in turn have similar relationships with other people.
10
25000
2000
którzy z kolei mają podobne relacje z innymi ludźmi.
00:42
And this spreads on out endlessly into a distance.
11
27000
3000
I to rozprzestrzenia się tak bez końca na odległość.
00:45
And you get a network that looks like this.
12
30000
2000
I dostajecie sieć, która wygląda tak.
00:47
Every dot is a person.
13
32000
2000
Każda kropka to osoba.
00:49
Every line between them is a relationship between two people --
14
34000
2000
Każda linia pomiędzy nimi jest związkiem pomiędzy dwojgiem ludzi --
00:51
different kinds of relationships.
15
36000
2000
różnego rodzaju związkami.
00:53
And you can get this kind of vast fabric of humanity,
16
38000
3000
I można uzyskać tego rodzaju ogromną tkaninę ludzkości,
00:56
in which we're all embedded.
17
41000
2000
w którą wszyscy jesteśmy wrośnięci.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
43000
3000
I wraz z moim kolegą, Jamesem Fowlerem, analizowaliśmy przez pewien czas
01:01
what are the mathematical, social,
19
46000
2000
jakie są matematyczne, społeczne,
01:03
biological and psychological rules
20
48000
3000
biologiczne i psychologiczne reguły,
01:06
that govern how these networks are assembled
21
51000
2000
które rządzą tym, jak te sieci powstają
01:08
and what are the similar rules
22
53000
2000
i jakie są podobne reguły,
01:10
that govern how they operate, how they affect our lives.
23
55000
3000
które rządzą tym, jak one funkcjonują, jak wpływają na nasze życie.
01:13
But recently, we've been wondering
24
58000
2000
I ostatnio zastanawialiśmy się
01:15
whether it might be possible to take advantage of this insight,
25
60000
3000
czy możliwe jest wykorzystanie tej wiedzy,
01:18
to actually find ways to improve the world,
26
63000
2000
w celu znalezienia sposobów na udoskonalenie świata
01:20
to do something better,
27
65000
2000
aby zrobić coś lepszego,
01:22
to actually fix things, not just understand things.
28
67000
3000
żeby konkretnie naprawić rzeczy, nie tylko je zrozumieć.
01:25
So one of the first things we thought we would tackle
29
70000
3000
I tak jedną z pierwszych spraw do jakich postanowiliśmy podejść
01:28
would be how we go about predicting epidemics.
30
73000
3000
był sposób przewidywania epidemii.
01:31
And the current state of the art in predicting an epidemic --
31
76000
2000
Aktualny stan wiedzy w przewidywaniu epidemii --
01:33
if you're the CDC or some other national body --
32
78000
3000
jeśli jesteś CDC (www.cdc.gov) lub innym organem krajowym --
01:36
is to sit in the middle where you are
33
81000
2000
polega na siedzeniu w miejscu
01:38
and collect data
34
83000
2000
i zbieraniu danych
01:40
from physicians and laboratories in the field
35
85000
2000
od lekarzy i laboratoriów w terenie,
01:42
that report the prevalence or the incidence of certain conditions.
36
87000
3000
którzy raportują występowanie lub częstość występowania pewnych warunków.
01:45
So, so and so patients have been diagnosed with something,
37
90000
3000
Tacy i tacy pacjenci zostali zdiagnozowani z czymś tutaj
01:48
or other patients have been diagnosed,
38
93000
2000
lub inni pacjenci zostali zdiagnozowani tam,
01:50
and all these data are fed into a central repository, with some delay.
39
95000
3000
i wszystkie te dane są wprowadzane do centralnego repozytorium, z pewnym opóźnieniem.
01:53
And if everything goes smoothly,
40
98000
2000
I jeśli wszystko pójdzie gładko,
01:55
one to two weeks from now
41
100000
2000
w ciągu tygodnia lub dwóch,
01:57
you'll know where the epidemic was today.
42
102000
3000
dowiesz się że epidemia wystąpiła dzisiaj.
02:00
And actually, about a year or so ago,
43
105000
2000
I w zasadzie, mniej więcej rok temu,
02:02
there was this promulgation
44
107000
2000
powstał pomysł stworzenia
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
109000
3000
trendów rozwoju grypy - Google Flu Trends,
02:07
where by looking at people's searching behavior today,
46
112000
3000
gdzie, poprzez dzisiejszą analizę zapytań w wyszukiwarce
02:10
we could know where the flu --
47
115000
2000
moglibyśmy się dowiedzieć gdzie grypa...
02:12
what the status of the epidemic was today,
48
117000
2000
jaki jest status epidemii na dzień dzisiejszy,
02:14
what's the prevalence of the epidemic today.
49
119000
3000
jaki jest stan występowania epidemii na dziś.
02:17
But what I'd like to show you today
50
122000
2000
Ale to co chciałem wam pokazać dzisiaj,
02:19
is a means by which we might get
51
124000
2000
to sposób, dzięki któremu możemy uzyskać
02:21
not just rapid warning about an epidemic,
52
126000
3000
nie tylko wczesne ostrzeżenie o epidemii,
02:24
but also actually
53
129000
2000
ale także
02:26
early detection of an epidemic.
54
131000
2000
wczesne wykrycie epidemii.
02:28
And, in fact, this idea can be used
55
133000
2000
I w zasadzie ta idea może być użyta
02:30
not just to predict epidemics of germs,
56
135000
3000
nie tylko w przypadku epidemii zarazków
02:33
but also to predict epidemics of all sorts of kinds.
57
138000
3000
ale także przy przewidywaniu jakiegokolwiek rodzaju epidemii.
02:37
For example, anything that spreads by a form of social contagion
58
142000
3000
Na przykład, cokolwiek co rozprzestrzenia się w formie społecznej zarazy
02:40
could be understood in this way,
59
145000
2000
może być rozumiane w ten sposób,
02:42
from abstract ideas on the left
60
147000
2000
od abstrakcyjnych idei po lewej,
02:44
like patriotism, or altruism, or religion
61
149000
3000
takich jak patriotyzm, czy altruizm, czy religia
02:47
to practices
62
152000
2000
po praktyczne
02:49
like dieting behavior, or book purchasing,
63
154000
2000
takie jak dieta, czy zakup książek,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
156000
3000
czy też picie alkoholu, czy kask rowerowy i inne praktyki BHP
02:54
or products that people might buy,
65
159000
2000
lub produkty które ludzie mogą kupić,
02:56
purchases of electronic goods,
66
161000
2000
zakupy sprzętu elektronicznego,
02:58
anything in which there's kind of an interpersonal spread.
67
163000
3000
wszystko z czym związane jest interpersonalne rozpowszechnienie.
03:01
A kind of a diffusion of innovation
68
166000
2000
Rodzaj dyfuzji innowacji
03:03
could be understood and predicted
69
168000
2000
może być rozumiane i przewidywane
03:05
by the mechanism I'm going to show you now.
70
170000
3000
poprzez mechanizm który wam teraz pokażę.
03:08
So, as all of you probably know,
71
173000
2000
A więc, jak zapewne wszyscy wiecie,
03:10
the classic way of thinking about this
72
175000
2000
klasyczny sposób myślenia o tym
03:12
is the diffusion-of-innovation,
73
177000
2000
jest dyfuzja innowacji
03:14
or the adoption curve.
74
179000
2000
lub też krzywa adoptacji.
03:16
So here on the Y-axis, we have the percent of the people affected,
75
181000
2000
Więc tu na osi Y, mamy procent ludzi którzy zostali dotknięci,
03:18
and on the X-axis, we have time.
76
183000
2000
i na osi X mamy czas.
03:20
And at the very beginning, not too many people are affected,
77
185000
3000
I na samym początku, niewiele osób jest dotkniętych,
03:23
and you get this classic sigmoidal,
78
188000
2000
i dostajemy klasyczną krzywą
03:25
or S-shaped, curve.
79
190000
2000
w kształcie litery S.
03:27
And the reason for this shape is that at the very beginning,
80
192000
2000
Powodem takiego kształtu jest fakt, że na samym początku,
03:29
let's say one or two people
81
194000
2000
powiedzmy jedna lub dwie osoby
03:31
are infected, or affected by the thing
82
196000
2000
zostały dotknięte, lub zainfekowane przez tą rzecz
03:33
and then they affect, or infect, two people,
83
198000
2000
i następnie infekują, dwie następne osoby
03:35
who in turn affect four, eight, 16 and so forth,
84
200000
3000
które w efekcie wpływają na cztery, osiem, 16, itd.
03:38
and you get the epidemic growth phase of the curve.
85
203000
3000
i powstaje faza epidemicznego wzrostu krzywej.
03:41
And eventually, you saturate the population.
86
206000
2000
I w końcu, nasyca się populacja.
03:43
There are fewer and fewer people
87
208000
2000
Jest coraz mniej osób
03:45
who are still available that you might infect,
88
210000
2000
które są dostępne, które można zarazić;
03:47
and then you get the plateau of the curve,
89
212000
2000
i osiągamy plateau krzywej,
03:49
and you get this classic sigmoidal curve.
90
214000
3000
i otrzymujemy klasyczną esowatą krzywą.
03:52
And this holds for germs, ideas,
91
217000
2000
I to dotyczy zarazków, pomysłów,
03:54
product adoption, behaviors,
92
219000
2000
adoptacji produktów, zachowań
03:56
and the like.
93
221000
2000
i tym podobnych.
03:58
But things don't just diffuse in human populations at random.
94
223000
3000
Ale w populacji ludzi rzeczy nie rozprzestrzeniają się w sposób przypadkowy.
04:01
They actually diffuse through networks.
95
226000
2000
One szerzą się poprzez sieci.
04:03
Because, as I said, we live our lives in networks,
96
228000
3000
Ponieważ, jak juz wspomniałem, nasze życie spędzamy w sieciach
04:06
and these networks have a particular kind of a structure.
97
231000
3000
i sieci te mają konkretną strukturę.
04:09
Now if you look at a network like this --
98
234000
2000
Teraz.. jeśli popatrzycie na sieć w taki sposób...
04:11
this is 105 people.
99
236000
2000
To jest 105 osób.
04:13
And the lines represent -- the dots are the people,
100
238000
2000
Linie reprezentują... kropki to ludzie,
04:15
and the lines represent friendship relationships.
101
240000
2000
a linie reprezentują przyjaźnie.
04:17
You might see that people occupy
102
242000
2000
Możecie zauważyć że ludzie okupują
04:19
different locations within the network.
103
244000
2000
różne miejsca w sieci.
04:21
And there are different kinds of relationships between the people.
104
246000
2000
I jest wiele różnych rodzajów związków pomiędzy ludźmi.
04:23
You could have friendship relationships, sibling relationships,
105
248000
3000
Możecie mieć związki przyjaźni, związki rodzeństwa,
04:26
spousal relationships, co-worker relationships,
106
251000
3000
związki małżeńskie, związki współpracowników,
04:29
neighbor relationships and the like.
107
254000
3000
związki sąsiedzkie i tym podobne.
04:32
And different sorts of things
108
257000
2000
I różne rzeczy
04:34
spread across different sorts of ties.
109
259000
2000
rozprzestrzeniają się poprzez różne więzi.
04:36
For instance, sexually transmitted diseases
110
261000
2000
Na przykład, choroby przenoszone drogą płciową
04:38
will spread across sexual ties.
111
263000
2000
będą rozprzestrzeniać się poprzez więzi seksualne.
04:40
Or, for instance, people's smoking behavior
112
265000
2000
Lub, na przykład, zachowanie ludzi pod kątem palenia
04:42
might be influenced by their friends.
113
267000
2000
może być pod wpływem ich przyjaciół.
04:44
Or their altruistic or their charitable giving behavior
114
269000
2000
Lub ich altruistyczna lub charytatywna działalność
04:46
might be influenced by their coworkers,
115
271000
2000
może być pod wpływem ich współpracowników
04:48
or by their neighbors.
116
273000
2000
lub ich sąsiadów.
04:50
But not all positions in the network are the same.
117
275000
3000
Ale nie wszystkie pozycje w sieci są takie same.
04:53
So if you look at this, you might immediately grasp
118
278000
2000
Jeśli spojrzycie na to, możecie natychmiast zrozumieć
04:55
that different people have different numbers of connections.
119
280000
3000
że różni ludzie mają różny połączeń.
04:58
Some people have one connection, some have two,
120
283000
2000
Jedni mają jedno połączenie, inni dwa
05:00
some have six, some have 10 connections.
121
285000
3000
inny sześć, a jeszcze inni 10 połączeń.
05:03
And this is called the "degree" of a node,
122
288000
2000
I to nazywamy "stopniem" wierzchołka,
05:05
or the number of connections that a node has.
123
290000
2000
lub liczą połączeń które dany wierzchołek posiada.
05:07
But in addition, there's something else.
124
292000
2000
Ale, ponad to, jest coś jeszcze.
05:09
So, if you look at nodes A and B,
125
294000
2000
Jeśli przyjrzycie się wierzchołkom A i B,
05:11
they both have six connections.
126
296000
2000
oba mają po sześć połączeń.
05:13
But if you can see this image [of the network] from a bird's eye view,
127
298000
3000
Ale jeśli spojrzycie na ten obrazek [sieci] z lotu ptaka,
05:16
you can appreciate that there's something very different
128
301000
2000
uznacie że jest coś co powoduje że wierzchołki
05:18
about nodes A and B.
129
303000
2000
A i B są zdecydowanie różne.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
305000
3000
Pozwólcie że was zapytam tak -- mogę podtrzymywać tą intuicję poprzez pytanie --
05:23
who would you rather be
131
308000
2000
kim wolelibyście być
05:25
if a deadly germ was spreading through the network, A or B?
132
310000
3000
gdyby zabójczy zarazek rozprzestrzeniał się poprzez sieć, A czy B ?
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
313000
2000
(Sala: B) Nicholas Christakis: B, to oczywiste.
05:30
B is located on the edge of the network.
134
315000
2000
B jest ulokowane na krawędzi sieci.
05:32
Now, who would you rather be
135
317000
2000
A teraz, kim wolelibyście być
05:34
if a juicy piece of gossip were spreading through the network?
136
319000
3000
gdyby soczysta plotka krążyła w tej sieci ?
05:37
A. And you have an immediate appreciation
137
322000
3000
A. I możecie niemal natychmiast zauważyć
05:40
that A is going to be more likely
138
325000
2000
że A ma większe szanse
05:42
to get the thing that's spreading and to get it sooner
139
327000
3000
aby dostać tę rzecz która się rozprzestrzenia i dostać prędzej
05:45
by virtue of their structural location within the network.
140
330000
3000
ze względu na na jego położenie w strukturach sieci.
05:48
A, in fact, is more central,
141
333000
2000
A jest bardziej centralne,
05:50
and this can be formalized mathematically.
142
335000
3000
i to może być sformalizowane matematycznie.
05:53
So, if we want to track something
143
338000
2000
Więc, jeśli chcielibyśmy śledzić coś
05:55
that was spreading through a network,
144
340000
3000
co się rozprzestrzenia poprzez sieć,
05:58
what we ideally would like to do is to set up sensors
145
343000
2000
w idealnym świecie chcielibyśmy ustawić sensory
06:00
on the central individuals within the network,
146
345000
2000
na centralnych jednostkach w sieci,
06:02
including node A,
147
347000
2000
włączając wierzchołek A,
06:04
monitor those people that are right there in the middle of the network,
148
349000
3000
monitorować te osoby które są właśnie tam, w samym środku sieci,
06:07
and somehow get an early detection
149
352000
2000
i w jakiś sposób dokonać wczesnego odkrycia
06:09
of whatever it is that is spreading through the network.
150
354000
3000
tego co się rozprzestrzenia w sieci, czymkolwiek to jest.
06:12
So if you saw them contract a germ or a piece of information,
151
357000
3000
Oznacza to, że jeśli zauważylibyście moment w którym złapali wirusa lub fragment informacji,
06:15
you would know that, soon enough,
152
360000
2000
wiedzielibyście, że wkrótce,
06:17
everybody was about to contract this germ
153
362000
2000
wszyscy zostaliby zarażeni
06:19
or this piece of information.
154
364000
2000
lub posiadali ten fragment informacji.
06:21
And this would be much better
155
366000
2000
I byłoby to dużo lepsze
06:23
than monitoring six randomly chosen people,
156
368000
2000
od monitorowania sześciu przypadkowo wybranych osób
06:25
without reference to the structure of the population.
157
370000
3000
bez żadnego odniesienia do struktury populacji.
06:28
And in fact, if you could do that,
158
373000
2000
I co więcej, jeśli moglibyście to zrobić
06:30
what you would see is something like this.
159
375000
2000
to co byście zobaczyli wyglądałoby mniej więcej tak.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
377000
3000
Po lewej stronie panelu, znowu, mamy krzywą adoptacji w kształcie S.
06:35
In the dotted red line, we show
161
380000
2000
Czerwona przerywana linia pokazuje
06:37
what the adoption would be in the random people,
162
382000
2000
jak wyglądałaby adoptacja u przypadkowych ludzi,
06:39
and in the left-hand line, shifted to the left,
163
384000
3000
i linia po lewej stronie, przesunięta do lewej
06:42
we show what the adoption would be
164
387000
2000
pokazuje jak wyglądałaby adoptacja
06:44
in the central individuals within the network.
165
389000
2000
u osób znajdujących się w centrum sieci.
06:46
On the Y-axis is the cumulative instances of contagion,
166
391000
2000
Na osi Y jest łączne wystąpienie zakażenia,
06:48
and on the X-axis is the time.
167
393000
2000
i na osi X jest czas.
06:50
And on the right-hand side, we show the same data,
168
395000
2000
I po prawej stronie, pokazujemy te same dane,
06:52
but here with daily incidence.
169
397000
2000
ale z dzienną zapadalnością.
06:54
And what we show here is -- like, here --
170
399000
2000
I to co tu pokazujemy jest, tak jak tutaj
06:56
very few people are affected, more and more and more and up to here,
171
401000
2000
bardzo mało ludzi jest dotkniętych, więcej i więcej i więcej i do tego momentu
06:58
and here's the peak of the epidemic.
172
403000
2000
i tu jest szczyt epidemii.
07:00
But shifted to the left is what's occurring in the central individuals.
173
405000
2000
Ale przesunięty jest w lewo, i to występuje u centralnej jednostki.
07:02
And this difference in time between the two
174
407000
3000
I ta różnica w czasie pomiędzy obiema (epidemiami)
07:05
is the early detection, the early warning we can get,
175
410000
3000
to wczesne wykrycie, wczesne ostrzeżenie które możemy uzyskać
07:08
about an impending epidemic
176
413000
2000
o nadchodzącej epidemii
07:10
in the human population.
177
415000
2000
w populacji ludzi.
07:12
The problem, however,
178
417000
2000
Problem, jednak jest taki,
07:14
is that mapping human social networks
179
419000
2000
że mapowanie sieci społecznych ludzi
07:16
is not always possible.
180
421000
2000
nie zawsze jest możliwe.
07:18
It can be expensive, not feasible,
181
423000
2000
Może być drogie, [bardzo trudne],
07:20
unethical,
182
425000
2000
nieetyczne
07:22
or, frankly, just not possible to do such a thing.
183
427000
3000
lub, szczerze, po prostu niemożliwe do zrobienia.
07:25
So, how can we figure out
184
430000
2000
A więc, jak możemy rozgryźć
07:27
who the central people are in a network
185
432000
2000
kto znajduje sie w centrum sieci
07:29
without actually mapping the network?
186
434000
3000
bez właściwego jej mapowania ?
07:32
What we came up with
187
437000
2000
Wpadliśmy na pomysł
07:34
was an idea to exploit an old fact,
188
439000
2000
wykorzystania starej informacji
07:36
or a known fact, about social networks,
189
441000
2000
lub też znanego faktu o sieciach społecznych,
07:38
which goes like this:
190
443000
2000
który mówi:
07:40
Do you know that your friends
191
445000
2000
Czy wiesz że Twoi znajomi
07:42
have more friends than you do?
192
447000
3000
mają więcej znajomych niż ty ?
07:45
Your friends have more friends than you do,
193
450000
3000
Twoi przyjaciele mają więcej przyjaciół niż ty.
07:48
and this is known as the friendship paradox.
194
453000
2000
To jest znane jako paradoks przyjaźni.
07:50
Imagine a very popular person in the social network --
195
455000
2000
Wyobraźcie sobie bardzo popularną osobę w sieci społecznej --
07:52
like a party host who has hundreds of friends --
196
457000
3000
jak np. organizator imprezy, który ma setkę przyjaciół --
07:55
and a misanthrope who has just one friend,
197
460000
2000
i mizantropa który ma tylko jednego przyjaciela,
07:57
and you pick someone at random from the population;
198
462000
3000
i wybieracie przypadkową osobę z populacji;
08:00
they were much more likely to know the party host.
199
465000
2000
ta osoba ma dużo większe szanse znać organizatora imprezy
08:02
And if they nominate the party host as their friend,
200
467000
2000
I jeśli ta osoba nominuje gospodarza imprezy jako przyjaciela,
08:04
that party host has a hundred friends,
201
469000
2000
ten organizator imprezy ma setkę przyjaciół,
08:06
therefore, has more friends than they do.
202
471000
3000
a zatem ma więcej przyjaciół niż wybrany przez was osobnik.
08:09
And this, in essence, is what's known as the friendship paradox.
203
474000
3000
I to, w skrócie, jest paradoks przyjaźni.
08:12
The friends of randomly chosen people
204
477000
3000
Przyjaciele przypadkowo wybranych ludzi
08:15
have higher degree, and are more central
205
480000
2000
mają wyższy stopień, i są bardziej centralni
08:17
than the random people themselves.
206
482000
2000
niż przypadkowi ludzie.
08:19
And you can get an intuitive appreciation for this
207
484000
2000
Można to zrozumieć intuicyjnie
08:21
if you imagine just the people at the perimeter of the network.
208
486000
3000
jeśli wyobrazicie sobie osoby znajdujące się na obrzeżu sieci.
08:24
If you pick this person,
209
489000
2000
Jeśli wybierzecie taką osobę,
08:26
the only friend they have to nominate is this person,
210
491000
3000
jedynym osobnikiem który może zostać jej przyjacielem,
08:29
who, by construction, must have at least two
211
494000
2000
jest ten który ma już co najmniej dwoje,
08:31
and typically more friends.
212
496000
2000
a zazwyczaj więcej, przyjaciół.
08:33
And that happens at every peripheral node.
213
498000
2000
I tak dzieje się z każdym krańcowym wierzchołkiem.
08:35
And in fact, it happens throughout the network as you move in,
214
500000
3000
I co więcej, tak dzieje się w obrębie całej sieci, po której się poruszamy,
08:38
everyone you pick, when they nominate a random --
215
503000
2000
kogokolwiek wybierzesz, kiedy nominują przypadkową..
08:40
when a random person nominates a friend of theirs,
216
505000
3000
kiedy przypadkowa osoba nominuje kogoś jako swojego przyjaciela,
08:43
you move closer to the center of the network.
217
508000
3000
ty przybliżasz się do centrum sieci.
08:46
So, we thought we would exploit this idea
218
511000
3000
Tak więc, postanowiliśmy wykorzystać ten pomysł
08:49
in order to study whether we could predict phenomena within networks.
219
514000
3000
w celu zbadania, czy możemy przewidywać zjawiska w sieciach.
08:52
Because now, with this idea
220
517000
2000
Ponieważ teraz, z tym pomysłem,
08:54
we can take a random sample of people,
221
519000
2000
możemy brać przypadkowe próbki spośród ludzi,
08:56
have them nominate their friends,
222
521000
2000
wskazać ich przyjaciół,
08:58
those friends would be more central,
223
523000
2000
ci przyjaciele byliby bardziej centralni,
09:00
and we could do this without having to map the network.
224
525000
3000
i moglibyśmy dokonać tego bez potrzeby mapowania sieci.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
528000
3000
Przetestowaliśmy ten pomysł na epidemii świńskiej grypy H1N1
09:06
at Harvard College
226
531000
2000
na Harwardzie,
09:08
in the fall and winter of 2009, just a few months ago.
227
533000
3000
jesienią i zimą 2009, tylko kilka miesięcy temu.
09:11
We took 1,300 randomly selected undergraduates,
228
536000
3000
Wzięliśmy 1300 losowo wybranych studentów,
09:14
we had them nominate their friends,
229
539000
2000
poprosiliśmy ich o wskazanie swoich znajomych,
09:16
and we followed both the random students and their friends
230
541000
2000
a następnie śledziliśmy zarówno studentów, jak ich przyjaciół
09:18
daily in time
231
543000
2000
codziennie,
09:20
to see whether or not they had the flu epidemic.
232
545000
3000
żeby zobaczyć czy zostali zarażeni grypą.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
548000
3000
Zrobiliśmy to w sposób pasywny, patrząc czy któryś ze studentów zgłosił się do uniwersyteckiego lekarza.
09:26
And also, we had them [actively] email us a couple of times a week.
234
551000
3000
Jak również, poprosiliśmy ich o przesyłanie nam emaili kilka razy w tygodniu.
09:29
Exactly what we predicted happened.
235
554000
3000
Stało się dokładnie to, co przewidzieliśmy.
09:32
So the random group is in the red line.
236
557000
3000
I tak losowo wybrana grupa, jest czerwoną linią.
09:35
The epidemic in the friends group has shifted to the left, over here.
237
560000
3000
Epidemia w grupie przyjaciół jest przesunięta do lewej, tutaj.
09:38
And the difference in the two is 16 days.
238
563000
3000
Różnica czasu wynosi 16 dni.
09:41
By monitoring the friends group,
239
566000
2000
Poprzez monitorowanie grupy przyjaciół,
09:43
we could get 16 days advance warning
240
568000
2000
udało nam się z 16 dniowym wyprzedzeniem przestrzec
09:45
of an impending epidemic in this human population.
241
570000
3000
o zbliżającej się epidemii w tej populacji ludzi.
09:48
Now, in addition to that,
242
573000
2000
Teraz, ponadto
09:50
if you were an analyst who was trying to study an epidemic
243
575000
3000
jeśli bylibyście analitykami i próbowali studiować epidemię
09:53
or to predict the adoption of a product, for example,
244
578000
3000
lub przewidzieć przyjęcie się produktu, na przykład,
09:56
what you could do is you could pick a random sample of the population,
245
581000
3000
to co moglibyście zrobić, to wybrać losową próbkę populacji,
09:59
also have them nominate their friends and follow the friends
246
584000
3000
poprosić ich o wskazanie ich przyjaciół i śledzić tychże przyjaciół,
10:02
and follow both the randoms and the friends.
247
587000
3000
i śledzić zarówno losowo wybranych ludzi, jak również ich przyjaciół.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
590000
3000
Spośród przyjaciół, pierwsza oznaką jaką byście zobaczyli, mały piksel nad zerem
10:08
in adoption of the innovation, for example,
249
593000
3000
na krzywej adoptacji, oznaczałaby na przykład
10:11
would be evidence of an impending epidemic.
250
596000
2000
oznakę nadchodzącej epidemii.
10:13
Or you could see the first time the two curves diverged,
251
598000
3000
Lub moglibyście zaobserwować jak dwie krzywe rozchodzą się
10:16
as shown on the left.
252
601000
2000
tak jak to jest pokazane po lewej.
10:18
When did the randoms -- when did the friends take off
253
603000
3000
Kiedy.. Kiedy przyjaciele odbiegają,
10:21
and leave the randoms,
254
606000
2000
i zostawiają losowych wybrańców
10:23
and [when did] their curve start shifting?
255
608000
2000
i kiedy ich krzywa zaczyna się przesuwać?
10:25
And that, as indicated by the white line,
256
610000
2000
I to, jak wskazuje biała linia,
10:27
occurred 46 days
257
612000
2000
odbyło się 46 dni
10:29
before the peak of the epidemic.
258
614000
2000
przed szczytowym dniem epidemii.
10:31
So this would be a technique
259
616000
2000
Więc to byłaby technika,
10:33
whereby we could get more than a month-and-a-half warning
260
618000
2000
dzięki której moglibyśmy z ponad półtoramiesięcznym wyprzedzeniem
10:35
about a flu epidemic in a particular population.
261
620000
3000
dostać ostrzeżenie o epidemii grypy w konkretnej populacji.
10:38
I should say that
262
623000
2000
Powinienem dodać,
10:40
how far advanced a notice one might get about something
263
625000
2000
że to jak wczesne ostrzeżenie o czymś można dostać
10:42
depends on a host of factors.
264
627000
2000
zależy od wielu czynników.
10:44
It could depend on the nature of the pathogen --
265
629000
2000
Może zależeć od natury danego patogenu --
10:46
different pathogens,
266
631000
2000
w przypadku różnych patogenów
10:48
using this technique, you'd get different warning --
267
633000
2000
używając tej techniki, dostalibyście różne ostrzeżenia --
10:50
or other phenomena that are spreading,
268
635000
2000
może zależeć od innych zjawisk, które się rozprzestrzeniają,
10:52
or frankly, on the structure of the human network.
269
637000
3000
lub, po prostu, może zależeć od struktury sieci.
10:55
Now in our case, although it wasn't necessary,
270
640000
3000
W naszym przypadku, mimo że nie było to konieczne
10:58
we could also actually map the network of the students.
271
643000
2000
mogliśmy zmapować sieć studentów.
11:00
So, this is a map of 714 students
272
645000
2000
I tak, oto jest jest mapa 714 studentów
11:02
and their friendship ties.
273
647000
2000
i ich więzi przyjaźni,
11:04
And in a minute now, I'm going to put this map into motion.
274
649000
2000
I za moment, puszczę tą mapę w ruch.
11:06
We're going to take daily cuts through the network
275
651000
2000
Zaprezentuję jak wyglądała ta sieć dzień po dniu
11:08
for 120 days.
276
653000
2000
przez okres 120 dni.
11:10
The red dots are going to be cases of the flu,
277
655000
3000
Czerwone kropki będą przypadkami grypy,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
658000
3000
żółte kropki to przyjaciele osób zarażonych grypą.
11:16
And the size of the dots is going to be proportional
279
661000
2000
Rozmiar kropki jest proporcjonalny do
11:18
to how many of their friends have the flu.
280
663000
2000
ilości przyjaciół zarażonych grypą.
11:20
So bigger dots mean more of your friends have the flu.
281
665000
3000
Zatem większa kropka oznacza, że więcej twoich przyjaciół ma grypę.
11:23
And if you look at this image -- here we are now in September the 13th --
282
668000
3000
I jeśli spojrzycie na ten obrazek -- mamy teraz 13 września --
11:26
you're going to see a few cases light up.
283
671000
2000
zobaczycie kilka przypadków które się podświetlą.
11:28
You're going to see kind of blooming of the flu in the middle.
284
673000
2000
Zobaczycie swoisty rodzaj rozkwitu grypy w środku.
11:30
Here we are on October the 19th.
285
675000
3000
Tutaj mamy 19 października.
11:33
The slope of the epidemic curve is approaching now, in November.
286
678000
2000
Zbliża się nachylenie krzywej epidemii, teraz, w listopadzie.
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
680000
3000
Bang, bang, bang, bang, bang, teraz zobaczycie duży rozkwit w środku,
11:38
and then you're going to see a sort of leveling off,
288
683000
2000
a następnie zobaczycie swoiste wyrównanie
11:40
fewer and fewer cases towards the end of December.
289
685000
3000
coraz mniej przypadków pod koniec grudnia.
11:43
And this type of a visualization
290
688000
2000
I tego typu wizualizacja
11:45
can show that epidemics like this take root
291
690000
2000
może pokazać, że epidemie jak ta, ukorzeniają się
11:47
and affect central individuals first,
292
692000
2000
i wpływają najpierw na centralne jednostki,
11:49
before they affect others.
293
694000
2000
zanim zaczną wpływać na innych.
11:51
Now, as I've been suggesting,
294
696000
2000
Teraz, tak jak sugerowałem,
11:53
this method is not restricted to germs,
295
698000
3000
ta metoda nie ogranicza się jedynie do zarazków,
11:56
but actually to anything that spreads in populations.
296
701000
2000
ale do czegokolwiek co może się rozprzestrzeniać w populacjach.
11:58
Information spreads in populations,
297
703000
2000
Informacja rozprzestrzenia się w populacjach.
12:00
norms can spread in populations,
298
705000
2000
Normy rozprzestrzeniają się w populacjach.
12:02
behaviors can spread in populations.
299
707000
2000
Zachowania mogą się rozprzestrzeniać w populacjach.
12:04
And by behaviors, I can mean things like criminal behavior,
300
709000
3000
I przez zachowanie, mam na myśli rzeczy takie jak kryminalne zachowania,
12:07
or voting behavior, or health care behavior,
301
712000
3000
głosowanie, podejście do zdrowia
12:10
like smoking, or vaccination,
302
715000
2000
takie jak palenie czy szczepionki,
12:12
or product adoption, or other kinds of behaviors
303
717000
2000
lub adoptacja produktu, lub inne typy zachowań
12:14
that relate to interpersonal influence.
304
719000
2000
które odnoszą się do wpływania interpersonalnego.
12:16
If I'm likely to do something that affects others around me,
305
721000
3000
Jeśli ja jestem skłonny zrobić coś, co wpłynie na innych wokół mnie,
12:19
this technique can get early warning or early detection
306
724000
3000
ta technika umożliwia wczesne ostrzeżenie, lub wczesną detekcje
12:22
about the adoption within the population.
307
727000
3000
o wyborach wewnątrz populacji.
12:25
The key thing is that for it to work,
308
730000
2000
Aby to zadziałało, kluczową rzeczą jest
12:27
there has to be interpersonal influence.
309
732000
2000
interpersonalny wpływ.
12:29
It cannot be because of some broadcast mechanism
310
734000
2000
To nie może być z powodu jakiegoś mechanizmu transmisji
12:31
affecting everyone uniformly.
311
736000
3000
który wpływa na wszystkich jednakowo.
12:35
Now the same insights
312
740000
2000
Te same spostrzeżenia
12:37
can also be exploited -- with respect to networks --
313
742000
3000
mogą być wykorzystane -- w odniesieniu do sieci --
12:40
can also be exploited in other ways,
314
745000
3000
mogą być wykorzystane na inne sposoby
12:43
for example, in the use of targeting
315
748000
2000
na przykład, w stosunku do wyszukiwania
12:45
specific people for interventions.
316
750000
2000
konkretnych osób do interwencji.
12:47
So, for example, most of you are probably familiar
317
752000
2000
I tak, na przykład, większość z was prawdopodobnie zna
12:49
with the notion of herd immunity.
318
754000
2000
pojęcie odporności stada.
12:51
So, if we have a population of a thousand people,
319
756000
3000
Gdy weźmiemy populacje tysiąca osób,
12:54
and we want to make the population immune to a pathogen,
320
759000
3000
i chcemy, aby populacja była odporna na dany patogen,
12:57
we don't have to immunize every single person.
321
762000
2000
nie musimy szczepić każdej pojedynczej osoby.
12:59
If we immunize 960 of them,
322
764000
2000
Jeśli zaszczepimy 960 osób,
13:01
it's as if we had immunized a hundred [percent] of them.
323
766000
3000
to prawie tak jakbyśmy zaszczepili sto procent.
13:04
Because even if one or two of the non-immune people gets infected,
324
769000
3000
Ponieważ, nawet jeśli jedna lub dwie nie zaszczepione osoby zostaną zainfekowane,
13:07
there's no one for them to infect.
325
772000
2000
nie ma nikogo kogo mogłyby zarazić.
13:09
They are surrounded by immunized people.
326
774000
2000
Są otoczone przez osoby zaszczepione.
13:11
So 96 percent is as good as 100 percent.
327
776000
3000
Zatem 96 procent jest tak samo dobre jak 100 procent.
13:14
Well, some other scientists have estimated
328
779000
2000
Niektórzy naukowcy oszacowali
13:16
what would happen if you took a 30 percent random sample
329
781000
2000
co by się stało gdyby wziąć 30 procent losowo wybranych ludzi
13:18
of these 1000 people, 300 people and immunized them.
330
783000
3000
z grupy 1000 osób, 300 osób i je zaszczepić.
13:21
Would you get any population-level immunity?
331
786000
2000
Czy osiągnęlibyśmy odporność na poziomie populacji ?
13:23
And the answer is no.
332
788000
3000
Odpowiedź brzmi: nie.
13:26
But if you took this 30 percent, these 300 people
333
791000
2000
Ale jeśli weźmiecie te 30 procent, te 300 osób,
13:28
and had them nominate their friends
334
793000
2000
poprosicie ich aby wskazali swoich przyjaciół
13:30
and took the same number of vaccine doses
335
795000
3000
i użyli tej samej liczby szczepionek
13:33
and vaccinated the friends of the 300 --
336
798000
2000
i zaczepili przyjaciół tej 300tki,
13:35
the 300 friends --
337
800000
2000
300 przyjaciół,
13:37
you can get the same level of herd immunity
338
802000
2000
moglibyście osiągnąć ten sam poziom odporności stada
13:39
as if you had vaccinated 96 percent of the population
339
804000
3000
jak w przypadku zaszczepienia 96 procent populacji
13:42
at a much greater efficiency, with a strict budget constraint.
340
807000
3000
przy dużo większej wydajności i ograniczeniach budżetowych.
13:45
And similar ideas can be used, for instance,
341
810000
2000
I podobne pomysły mogą być użyte, na przykład,
13:47
to target distribution of things like bed nets
342
812000
2000
do zwalczania dystrybucji rzeczy takich jak moskitiery
13:49
in the developing world.
343
814000
2000
w krajach rozwijających się.
13:51
If we could understand the structure of networks in villages,
344
816000
3000
Gdybyśmy mogli zrozumieć strukturę sieci w wioskach,
13:54
we could target to whom to give the interventions
345
819000
2000
moglibyśmy określić komu nadać wpływ
13:56
to foster these kinds of spreads.
346
821000
2000
do wspierania tego typu rozprzestrzeniania.
13:58
Or, frankly, for advertising with all kinds of products.
347
823000
3000
Lub, szczerze, to reklamowania wszelkiego rodzaju produktów.
14:01
If we could understand how to target,
348
826000
2000
Gdybyśmy mogli zrozumieć jak to ukierunkowywać
14:03
it could affect the efficiency
349
828000
2000
wpłynęło by to znacznie na wydajność
14:05
of what we're trying to achieve.
350
830000
2000
tego co chcemy osiągnąć.
14:07
And in fact, we can use data
351
832000
2000
I ponadto, moglibyśmy użyć danych
14:09
from all kinds of sources nowadays [to do this].
352
834000
2000
z różnego rodzaju źródeł.
14:11
This is a map of eight million phone users
353
836000
2000
To jest mapa ośmiu milionów użytkowników telefonów
14:13
in a European country.
354
838000
2000
w europejskim kraju.
14:15
Every dot is a person, and every line represents
355
840000
2000
Każdy punkt to osoba, i każda linia reprezentuje
14:17
a volume of calls between the people.
356
842000
2000
ilość rozmów pomiędzy ludźmi.
14:19
And we can use such data, that's being passively obtained,
357
844000
3000
I możemy użyć takich danych, które zostały pobrane pasywnie,
14:22
to map these whole countries
358
847000
2000
w celu zmapowania całych krajów
14:24
and understand who is located where within the network.
359
849000
3000
i zrozumieć kto jest zlokalizowany gdzie w sieci.
14:27
Without actually having to query them at all,
360
852000
2000
Bez potrzeby zadawania jakichkolwiek pytań,
14:29
we can get this kind of a structural insight.
361
854000
2000
możemy osiągnąć tego typu wgląd w strukturę sieci.
14:31
And other sources of information, as you're no doubt aware
362
856000
3000
I inne źródła informacji, których bez wątpienia jesteście świadomi,
14:34
are available about such features, from email interactions,
363
859000
3000
są dostępne o takich cechach, od wymiany emaili,
14:37
online interactions,
364
862000
2000
interakcji online,
14:39
online social networks and so forth.
365
864000
3000
sieci społeczne, itd.
14:42
And in fact, we are in the era of what I would call
366
867000
2000
I do tego, żyjemy w czasach, które ja nazywam
14:44
"massive-passive" data collection efforts.
367
869000
3000
czasami "masywno-pasywnego" kolekcjonowania danych.
14:47
They're all kinds of ways we can use massively collected data
368
872000
3000
Jest mnóstwo sposobów jakich możemy użyć do masywnego zbierania danych
14:50
to create sensor networks
369
875000
3000
do tworzenie sieci sensorów
14:53
to follow the population,
370
878000
2000
aby śledzić populację,
14:55
understand what's happening in the population,
371
880000
2000
zrozumieć co się dzieje w populacji,
14:57
and intervene in the population for the better.
372
882000
3000
i wpłynąć na populację dla jej dobra.
15:00
Because these new technologies tell us
373
885000
2000
Ponieważ te nowe technologie mówią nam
15:02
not just who is talking to whom,
374
887000
2000
nie tylko kto z kim rozmawia,
15:04
but where everyone is,
375
889000
2000
ale gdzie wszyscy są,
15:06
and what they're thinking based on what they're uploading on the Internet,
376
891000
3000
i o czym myśleli na podstawie tego co ściągają z internetu,
15:09
and what they're buying based on their purchases.
377
894000
2000
i co kupowali na podstawie ich zakupów.
15:11
And all this administrative data can be pulled together
378
896000
3000
I wszystkie te dane administracyjne mogą być zebrane razem
15:14
and processed to understand human behavior
379
899000
2000
i przetworzone aby zrozumieć ludzkie zachowanie
15:16
in a way we never could before.
380
901000
3000
w sposób jaki nigdy wcześniej nie był możliwy.
15:19
So, for example, we could use truckers' purchases of fuel.
381
904000
3000
I tak na przykład, moglibyśmy użyć dane o zakupach paliwa kierowcy TIRa.
15:22
So the truckers are just going about their business,
382
907000
2000
Tak więc kierowcy ciężarówek prowadzą swoją działalność
15:24
and they're buying fuel.
383
909000
2000
i kupują paliwo.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
911000
3000
Widzimy skok w zakupie paliwa,
15:29
and we know that a recession is about to end.
385
914000
2000
i wiemy, że recesja się wkrótce skończy.
15:31
Or we can monitor the velocity
386
916000
2000
Lub też możemy monitorować prędkość
15:33
with which people are moving with their phones on a highway,
387
918000
3000
z jaką ludzie poruszają się ze swoimi telefonami na autostradzie,
15:36
and the phone company can see,
388
921000
2000
i firma telekomunikacyjna może zobaczyć,
15:38
as the velocity is slowing down,
389
923000
2000
gdy prędkość się zmniejsza,
15:40
that there's a traffic jam.
390
925000
2000
że pojawił się korek.
15:42
And they can feed that information back to their subscribers,
391
927000
3000
I mogą przesłać te informacje do swoich użytkowników,
15:45
but only to their subscribers on the same highway
392
930000
2000
ale tylko do tych którzy są na tej samej autostradzie
15:47
located behind the traffic jam!
393
932000
2000
zlokalizowani przed korkiem.
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
934000
3000
Lub możemy monitorować recepty wypisane przez lekarzy,
15:52
and see how the diffusion of innovation with pharmaceuticals
395
937000
3000
i zobaczyć jak dyfuzja innowacji farmaceutycznych
15:55
occurs within [networks of] doctors.
396
940000
2000
występuje w środowisku lekarzy.
15:57
Or again, we can monitor purchasing behavior in people
397
942000
2000
Lub też, możemy monitorować zakupy ludzi,
15:59
and watch how these types of phenomena
398
944000
2000
i obserwować jak tego typu zjawiska
16:01
can diffuse within human populations.
399
946000
3000
szerzą się wśród ludzkiej populacji.
16:04
And there are three ways, I think,
400
949000
2000
I są trzy sposoby, moim zdaniem,
16:06
that these massive-passive data can be used.
401
951000
2000
na które te masywno-pasywne zbieranie danych, które mogą być użyte.
16:08
One is fully passive,
402
953000
2000
Jeden z nich jest całkowicie pasywny,
16:10
like I just described --
403
955000
2000
tak jak to właśnie opisałem --
16:12
as in, for instance, the trucker example,
404
957000
2000
na przykładzie kierowców ciężarówek,
16:14
where we don't actually intervene in the population in any way.
405
959000
2000
gdzie w zasadzie nie wpływamy na populacje w żaden sposób.
16:16
One is quasi-active,
406
961000
2000
Drugi jest pseudo-aktywny
16:18
like the flu example I gave,
407
963000
2000
jak w przykładzie grypy,
16:20
where we get some people to nominate their friends
408
965000
3000
gdzie prosimy niektórych ludzi o wskazanie swoich przyjaciół
16:23
and then passively monitor their friends --
409
968000
2000
i następnie pasywnie monitorujemy ich przyjaciół --
16:25
do they have the flu, or not? -- and then get warning.
410
970000
2000
czy mają grypę, czy nie? -- i wtedy otrzymujemy ostrzeżenie.
16:27
Or another example would be,
411
972000
2000
Inny przykład mógłby być taki:
16:29
if you're a phone company, you figure out who's central in the network
412
974000
3000
jeśli jesteś firmą telekomunikacyjną, rozgryzłyś kto znajduje się w centrum sieci,
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
977000
3000
i spytałbyś tych ludzi: "Słuchaj, czy mógłbyś nam wysłać
16:35
Just text us your temperature."
414
980000
2000
codziennie swoją temperaturę?"
16:37
And collect vast amounts of information about people's temperature,
415
982000
3000
I zbierać ogromne ilości informacji o temperaturach ludzi,
16:40
but from centrally located individuals.
416
985000
2000
ale tylko od centralnie ulokowanych osobników.
16:42
And be able, on a large scale,
417
987000
2000
I być w stanie, na dużą skalę,
16:44
to monitor an impending epidemic
418
989000
2000
monitorować nadchodzącą epidemię
16:46
with very minimal input from people.
419
991000
2000
przy minimalnym udziale ludzi.
16:48
Or, finally, it can be more fully active --
420
993000
2000
Lub, w końcu, trzeci sposób w pełni aktywny --
16:50
as I know subsequent speakers will also talk about today --
421
995000
2000
o ile mi wiadomo następni prelegenci będą dziś o tym mówić --
16:52
where people might globally participate in wikis,
422
997000
2000
gdzie ludzie mogą globalnie brać udział w wiki,
16:54
or photographing, or monitoring elections,
423
999000
3000
lub fotografiach lub monitorowaniu wyborów,
16:57
and upload information in a way that allows us to pool
424
1002000
2000
i wgrywać informacje w sposób jaki umożliwiłby nam zbieranie tych
16:59
information in order to understand social processes
425
1004000
2000
informacji w celu zrozumienia procesów społecznych
17:01
and social phenomena.
426
1006000
2000
i zjawisk społecznych.
17:03
In fact, the availability of these data, I think,
427
1008000
2000
I na dobrą sprawę, uważam, że dostępność tych danych
17:05
heralds a kind of new era
428
1010000
2000
otwiera nową erę,
17:07
of what I and others would like to call
429
1012000
2000
którą ja i inni chcielibyśmy nazwać
17:09
"computational social science."
430
1014000
2000
"komputerowa nauka społeczna".
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1016000
3000
To jest coś jak, gdy Galileo wynalazł -- albo raczej nie tyle wynalazł, co
17:14
came to use a telescope
432
1019000
2000
zaczął używać teleskopu
17:16
and could see the heavens in a new way,
433
1021000
2000
i zobaczył niebo w zupełnie nowy sposób,
17:18
or Leeuwenhoek became aware of the microscope --
434
1023000
2000
lub Leeuwenhoek dowiedział się o mikroskopie --
17:20
or actually invented --
435
1025000
2000
lub właściwie go wynalazł --
17:22
and could see biology in a new way.
436
1027000
2000
i mógł zobaczyć biologię w nowy sposób.
17:24
But now we have access to these kinds of data
437
1029000
2000
Ale teraz mamy dostęp do tych danych
17:26
that allow us to understand social processes
438
1031000
2000
które pozwolą nam zrozumieć procesy społeczne
17:28
and social phenomena
439
1033000
2000
i zjawiska społeczne
17:30
in an entirely new way that was never before possible.
440
1035000
3000
w zupełnie nowy sposób, który nigdy wcześniej nie był możliwy.
17:33
And with this science, we can
441
1038000
2000
I z tą nauką, możemy
17:35
understand how exactly
442
1040000
2000
zrozumieć jak dokładnie
17:37
the whole comes to be greater
443
1042000
2000
całość staje się czymś więcej
17:39
than the sum of its parts.
444
1044000
2000
niż tylko sumą części.
17:41
And actually, we can use these insights
445
1046000
2000
I właściwie, możemy użyć tych spostrzeżeń
17:43
to improve society and improve human well-being.
446
1048000
3000
do poprawy społeczeństwa i poprawy dobrobytu ludzi.
17:46
Thank you.
447
1051000
2000
Dziękuję.
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