TED@Cannes
Nicholas Christakis: How social networks predict epidemics
Nicholas Christakis: Sosyal ağlar salgınları nasıl öngörebilir?
Filmed:
Readability: 4.9
669,862 views
İnsanların karmaşık sosyal ağlarını haritalandıran Nicholas Christakis ve meslektaşı James Fowler bu bilginin hayatımızı nasıl daha iyi hale getirebileceğini araştırmaya başladı. Şimdi de bulgularını bizimle paylaşıyor: Bu ağlar her türlü salgını -- yenilikçi fikirlerden, riskli davranışlara ve domuz gribi (H1N1) gibi tehlikeli virüslere dek-- her zamankinden daha erken tespit etmek için kullanılabilir.
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
Son 10 yıldır insanların nasıl ve neden
00:18
how and why human beings
1
3000
2000
sosyal ağlar üzerinde bir araya geldiklerini
00:20
assemble themselves into social networks.
2
5000
3000
anlamak için vakit harcıyorum.
00:23
And the kind of social network I'm talking about
3
8000
2000
Va kastettiğim sosyal ağ türü
00:25
is not the recent online variety,
4
10000
2000
son zamanlardaki internet ağları değil,
00:27
but rather, the kind of social networks
5
12000
2000
insanlığın yüzlerce, binlerce yıldır
00:29
that human beings have been assembling for hundreds of thousands of years,
6
14000
3000
insanlığın Afrika bozkırlarında ilk ortaya çıktığı zamanlardan beri
00:32
ever since we emerged from the African savannah.
7
17000
3000
bir araya geldikleri sosyal ağlar.
00:35
So, I form friendships and co-worker
8
20000
2000
Yani ben insanlarla iş arkadaşlığı, kardeşlik
00:37
and sibling and relative relationships with other people
9
22000
3000
ve akrabalık gibi değişik derecelerde ilişkiler kuruyorum;
00:40
who in turn have similar relationships with other people.
10
25000
2000
ve bu insanlar da diğer insanlarla benzer ilişkiler kuruyorlar.
00:42
And this spreads on out endlessly into a distance.
11
27000
3000
Ve bu çok geniş bir alana yayılıyor.
00:45
And you get a network that looks like this.
12
30000
2000
Ve buna benzer bir ağınız oluyor.
00:47
Every dot is a person.
13
32000
2000
Her nokta bir insan.
00:49
Every line between them is a relationship between two people --
14
34000
2000
Aralarındaki her çizgi iki insan arasındaki ilişki.
00:51
different kinds of relationships.
15
36000
2000
Farklı türde ilişkiler.
00:53
And you can get this kind of vast fabric of humanity,
16
38000
3000
Ve her birimizin dahil olduğu
00:56
in which we're all embedded.
17
41000
2000
bu tarz büyük bir insanlık dokusu elde ediyorsunuz.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
43000
3000
Meslektaşım James Fowler ve ben bir süredir
01:01
what are the mathematical, social,
19
46000
2000
bu sosyal ağların işleyişini yönlendiren
01:03
biological and psychological rules
20
48000
3000
matematiksel, sosyal, biyolojik ve psikolojik
01:06
that govern how these networks are assembled
21
51000
2000
kuralların nasıl bir araya geldiğini,
01:08
and what are the similar rules
22
53000
2000
benzer kuralların neler olduğunu
01:10
that govern how they operate, how they affect our lives.
23
55000
3000
nasıl işlediklerini ve yaşamımızı nasıl etkilediklerini araştırıyoruz.
01:13
But recently, we've been wondering
24
58000
2000
Ve son zamanlarda, ekrandaki modeli kullanarak
01:15
whether it might be possible to take advantage of this insight,
25
60000
3000
dünyayı iyi bir hale getirebilmek için
01:18
to actually find ways to improve the world,
26
63000
2000
yeni yöntemler bulabilir miyiz.
01:20
to do something better,
27
65000
2000
bazı şeyleri sadece anlamak yerine çözebilir miyiz
01:22
to actually fix things, not just understand things.
28
67000
3000
diye düşünmeye başladık.
01:25
So one of the first things we thought we would tackle
29
70000
3000
Uğraşmaya düşündüğümüz şeylerden ilki
01:28
would be how we go about predicting epidemics.
30
73000
3000
salgın hastalıkları nasıl önceden tahmin ederiz oldu.
01:31
And the current state of the art in predicting an epidemic --
31
76000
2000
Salgın hastalıkları öngörmede kullanılan şu anki yöntem
01:33
if you're the CDC or some other national body --
32
78000
3000
- salgın hastalıklarla savaşma kurumu veya başka bir ulusal kurumsanız -
01:36
is to sit in the middle where you are
33
81000
2000
olduğunuz yerde oturmak
01:38
and collect data
34
83000
2000
ve bilgileri
01:40
from physicians and laboratories in the field
35
85000
2000
bölgedeki doktorlar ve laboratuvarlardan toplayarak
01:42
that report the prevalence or the incidence of certain conditions.
36
87000
3000
belli durumların yaygınlığını ve sıklığını rapor etmek şeklindedir.
01:45
So, so and so patients have been diagnosed with something,
37
90000
3000
Böyle, böyle, bazı hastalara burada şu tanılar konuldu,
01:48
or other patients have been diagnosed,
38
93000
2000
bazı diğer hastalara ise şurada şu tanılar konuldu gibi....
01:50
and all these data are fed into a central repository, with some delay.
39
95000
3000
ve bütün bu veriler biraz gecikmeyle merkezi bir kaynakta depolanır.
01:53
And if everything goes smoothly,
40
98000
2000
Ve eğer herşey sorunsuz giderse,
01:55
one to two weeks from now
41
100000
2000
bir veya iki hafta sonra,
01:57
you'll know where the epidemic was today.
42
102000
3000
salgın hastalığın bugün hangi durumda olduğunu öğrenebilirsiniz.
02:00
And actually, about a year or so ago,
43
105000
2000
Ve aslında, bir yıl kadar önce,
02:02
there was this promulgation
44
107000
2000
resmi bir açıklamayla tanıtılan
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
109000
3000
Google Flu Trends fikrine göre
02:07
where by looking at people's searching behavior today,
46
112000
3000
grip salgınlarında insanların günlük arama davranışlarına bakarak
02:10
we could know where the flu --
47
115000
2000
salgının nerede olduğunu,
02:12
what the status of the epidemic was today,
48
117000
2000
salgın hastalığın bugünki durumunun ne olduğunu,
02:14
what's the prevalence of the epidemic today.
49
119000
3000
ve yaygınlığının bugün ne kadar olduğunu görebilecektik.
02:17
But what I'd like to show you today
50
122000
2000
Ama bugün size göstermek istediğim şey,
02:19
is a means by which we might get
51
124000
2000
sadece bir salgınla ilgili
02:21
not just rapid warning about an epidemic,
52
126000
3000
acil uyarı değil,
02:24
but also actually
53
129000
2000
aynı zamanda
02:26
early detection of an epidemic.
54
131000
2000
salgının erkenden belirlenmesi
02:28
And, in fact, this idea can be used
55
133000
2000
Hatta, bu fikir
02:30
not just to predict epidemics of germs,
56
135000
3000
yalnızca bulaşıcı salgın hastalıkları değil,
02:33
but also to predict epidemics of all sorts of kinds.
57
138000
3000
her türlü soyut/somut salgınlığı öngörmek için kullanılabilir.
02:37
For example, anything that spreads by a form of social contagion
58
142000
3000
Örneğin, sosyal temas ile yayılan herhangi bir şey
02:40
could be understood in this way,
59
145000
2000
bu şekilde anlaşılabilir,
02:42
from abstract ideas on the left
60
147000
2000
Soldaki soyut düşüncelerden;
02:44
like patriotism, or altruism, or religion
61
149000
3000
yani vatanseverlik, başkalarını düşünürlük, din gibi,
02:47
to practices
62
152000
2000
uygulamalara, örneğin;
02:49
like dieting behavior, or book purchasing,
63
154000
2000
diyet alışkanlıklarından, kitap seçimine,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
156000
3000
içme alışkanlığından, bisiklet kaskı ve diğer önlem uygulamalarına,
02:54
or products that people might buy,
65
159000
2000
veya insanların satın alabileceği ürünlere,
02:56
purchases of electronic goods,
66
161000
2000
elektronik eşya satın alma yaygınlığı
02:58
anything in which there's kind of an interpersonal spread.
67
163000
3000
yani insanlararası olan herhangi bir yaygınlıktan söz ediyorum.
03:01
A kind of a diffusion of innovation
68
166000
2000
Bir yeniliğin yayılma türü
03:03
could be understood and predicted
69
168000
2000
size şimdi göstereceğim yapı ile
03:05
by the mechanism I'm going to show you now.
70
170000
3000
anlaşılabilir ve öngörülebilir.
03:08
So, as all of you probably know,
71
173000
2000
Hepinizin bildiği gibi
03:10
the classic way of thinking about this
72
175000
2000
bunu düşünmenin klasik yolu
03:12
is the diffusion-of-innovation,
73
177000
2000
yeniliğin-yayılması veya
03:14
or the adoption curve.
74
179000
2000
pazara tanıtılan ürünün kabul görme eğrisidir.
03:16
So here on the Y-axis, we have the percent of the people affected,
75
181000
2000
Burada Y ekseninde etkilenen insanların yüzdesi
03:18
and on the X-axis, we have time.
76
183000
2000
X ekseninde ise zaman var.
03:20
And at the very beginning, not too many people are affected,
77
185000
3000
İlk başlarda, çok fazla insan etkilenmemiş,
03:23
and you get this classic sigmoidal,
78
188000
2000
ve bu klasik sigmoid şekilli,
03:25
or S-shaped, curve.
79
190000
2000
veya S biçimli eğriyi elde ediyoruz.
03:27
And the reason for this shape is that at the very beginning,
80
192000
2000
Ve bu şeklin sebebi ilk başlarda,
03:29
let's say one or two people
81
194000
2000
bir veya iki kişi diyelim,
03:31
are infected, or affected by the thing
82
196000
2000
etkileniyor veya bulaşıyor
03:33
and then they affect, or infect, two people,
83
198000
2000
sonra bunlar iki kişiyi etkiliyor veya onlara bulaştırıyor
03:35
who in turn affect four, eight, 16 and so forth,
84
200000
3000
onlar da dört, sekiz, 16 kişiyi vs.
03:38
and you get the epidemic growth phase of the curve.
85
203000
3000
Ve eğrinin salgın büyüme kısmını elde ediyorsunuz. Ve salgın
03:41
And eventually, you saturate the population.
86
206000
2000
nüfusun büyük kısmına yayılınca doygunluğa ulaşıyor.
03:43
There are fewer and fewer people
87
208000
2000
Salgının yayılabileceği insan sayısı
03:45
who are still available that you might infect,
88
210000
2000
zaman ilerledikçe azalıyor
03:47
and then you get the plateau of the curve,
89
212000
2000
ve eğrinin sondaki düz kısmına ulaşıyorsunuz.
03:49
and you get this classic sigmoidal curve.
90
214000
3000
ve toplamda da bu S biçimli eğriyi elde ediyorsunuz.
03:52
And this holds for germs, ideas,
91
217000
2000
Bu biçim mikroplar için doğru olduğu kadar, fikirler
03:54
product adoption, behaviors,
92
219000
2000
davranışlar, pazara sunulan yeni ürünün benimsenmesi
03:56
and the like.
93
221000
2000
için de geçerli.
03:58
But things don't just diffuse in human populations at random.
94
223000
3000
Fakat bunlar yalnızca insan nüfusuna rastgele yayılmaz.
04:01
They actually diffuse through networks.
95
226000
2000
Aslında ağlar aracılığıyla yayılırlar.
04:03
Because, as I said, we live our lives in networks,
96
228000
3000
Çünkü, söylediğim gibi, hayatımızı ağlarda geçiriyoruz,
04:06
and these networks have a particular kind of a structure.
97
231000
3000
ve bu ağlar özel bir yapıya sahip.
04:09
Now if you look at a network like this --
98
234000
2000
Şimdi eğer bu tarz bir ağa bakarsanız ...
04:11
this is 105 people.
99
236000
2000
Burada 105 insan var.
04:13
And the lines represent -- the dots are the people,
100
238000
2000
Noktalar insanları,
04:15
and the lines represent friendship relationships.
101
240000
2000
ve çizgiler de arkadaşlık ilişkilerini temsil ediyor.
04:17
You might see that people occupy
102
242000
2000
Gördüğünüz gibi insanlar
04:19
different locations within the network.
103
244000
2000
ağda farklı yerlerde bulunuyor.
04:21
And there are different kinds of relationships between the people.
104
246000
2000
Ve insanlar arasında farklı türde ilişkiler var.
04:23
You could have friendship relationships, sibling relationships,
105
248000
3000
Bunlar, arkadaşlık bağı, kardeşlik bağı,
04:26
spousal relationships, co-worker relationships,
106
251000
3000
karı koca bağı, iş arkadaşlığı
04:29
neighbor relationships and the like.
107
254000
3000
ya da komşuluk bağı gibi..
04:32
And different sorts of things
108
257000
2000
Ve farklı şeyler
04:34
spread across different sorts of ties.
109
259000
2000
farklı ilişkiler ile yayılır
04:36
For instance, sexually transmitted diseases
110
261000
2000
Örneğin cinsel yolla bulaşan hastalıklar
04:38
will spread across sexual ties.
111
263000
2000
cinsel ilişki ile yayılır
04:40
Or, for instance, people's smoking behavior
112
265000
2000
Veya örneğin, bir insanın sigara içmesinin nedeni
04:42
might be influenced by their friends.
113
267000
2000
sigara içen arkadaşlarından etkilenmesi olabilir.
04:44
Or their altruistic or their charitable giving behavior
114
269000
2000
veya o kişinin bencil olmayan ve hayırsever davranışlarının nedeni
04:46
might be influenced by their coworkers,
115
271000
2000
iş arkadaşlarından etkilenmesi olabilir,
04:48
or by their neighbors.
116
273000
2000
ya da komşularından.
04:50
But not all positions in the network are the same.
117
275000
3000
Ancak ağdaki her nokta aynı değil.
04:53
So if you look at this, you might immediately grasp
118
278000
2000
Eğer buna bakarsanız, hemen fark edeceksiniz ki
04:55
that different people have different numbers of connections.
119
280000
3000
değişik insanların değişik sayıda ilişkisi var.
04:58
Some people have one connection, some have two,
120
283000
2000
Bazı insanların bir, bazılarının iki
05:00
some have six, some have 10 connections.
121
285000
3000
kimisinin altı, kimisinin de on tane bağlantısı var.
05:03
And this is called the "degree" of a node,
122
288000
2000
Buna noktanın (düğümün), derecesi,
05:05
or the number of connections that a node has.
123
290000
2000
ya da o noktanın sahip olduğu bağlantı sayısı denir.
05:07
But in addition, there's something else.
124
292000
2000
Ancak bundan öte, başka bir şey daha var.
05:09
So, if you look at nodes A and B,
125
294000
2000
Eğer A ve B noktalarına bakarsanız,
05:11
they both have six connections.
126
296000
2000
her ikisinin de altı bağlantısı var.
05:13
But if you can see this image [of the network] from a bird's eye view,
127
298000
3000
Oysa bu ağın resmini kuş bakışı açısından görebilseniz
05:16
you can appreciate that there's something very different
128
301000
2000
A ve B noktalarının arasında bir şeyin çok farklı olduğunu keşfedeceksiniz
05:18
about nodes A and B.
129
303000
2000
keşfedeceksiniz.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
305000
3000
Size şunu sormak istiyorum, -- Bu sezgiyi sizde bir soru sorarak sizde uyandırabilirim --
05:23
who would you rather be
131
308000
2000
Eğer ölümcül bir mikrop yayılıyorsa
05:25
if a deadly germ was spreading through the network, A or B?
132
310000
3000
hangisi olmayı yeğlersiniz? A ya da B?
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
313000
2000
(Dinleyici: B) Nicholas Christakis: B, açık ve seçik olarak.
05:30
B is located on the edge of the network.
134
315000
2000
B ağın ucunda yer alıyor.
05:32
Now, who would you rather be
135
317000
2000
Pekala, eğer ilginizi çekebilecek
05:34
if a juicy piece of gossip were spreading through the network?
136
319000
3000
bir dedikodu yayılıyorsa, hangisi olmayı yeğlersiniz?
05:37
A. And you have an immediate appreciation
137
322000
3000
A. Hemen kavrayacağınız üzere
05:40
that A is going to be more likely
138
325000
2000
ağın yapısı
05:42
to get the thing that's spreading and to get it sooner
139
327000
3000
ve A'nın ağdaki konumu nedeniyle
05:45
by virtue of their structural location within the network.
140
330000
3000
A'nın yayılan "şeyleri" daha çabuk alacağı açıktır.
05:48
A, in fact, is more central,
141
333000
2000
A, gerçekten, daha merkezde
05:50
and this can be formalized mathematically.
142
335000
3000
ve bu matematiksel olarak ifade edilebilir.
05:53
So, if we want to track something
143
338000
2000
Bu yüzden, eğer ağ boyunca yayılan
05:55
that was spreading through a network,
144
340000
3000
bir şeyi izlemek istiyorsak,
05:58
what we ideally would like to do is to set up sensors
145
343000
2000
Mantıklı olanı, ağın merkezindeki noktalara
06:00
on the central individuals within the network,
146
345000
2000
algılayıcılar yerleştirip,
06:02
including node A,
147
347000
2000
ki A da buna dahil;
06:04
monitor those people that are right there in the middle of the network,
148
349000
3000
daha sonra bu merkezdeki noktaları/insanları gözlemleriz,
06:07
and somehow get an early detection
149
352000
2000
ve bir şekilde ağda yayılan "şeyi"
06:09
of whatever it is that is spreading through the network.
150
354000
3000
erkenden tespit etmemiz mümkün olur.
06:12
So if you saw them contract a germ or a piece of information,
151
357000
3000
Eğer o noktaların mikropla temas ettiğini ya da bir "şey" öğrendiğini görürseniz,
06:15
you would know that, soon enough,
152
360000
2000
yakın zamanda herkesin
06:17
everybody was about to contract this germ
153
362000
2000
o mikropla temas edeceğini ya da
06:19
or this piece of information.
154
364000
2000
o bir "şey"i öğreneceğini biliyorsunuz.
06:21
And this would be much better
155
366000
2000
Ve bu ağın yapısı referans alınmadan
06:23
than monitoring six randomly chosen people,
156
368000
2000
rastgele seçilen altı kişi gözetlemekten
06:25
without reference to the structure of the population.
157
370000
3000
çok daha iyidir.
06:28
And in fact, if you could do that,
158
373000
2000
Ve gerçekten, eğer bunu yapabilirseniz
06:30
what you would see is something like this.
159
375000
2000
göreceğiniz şunun gibi bir şey olacaktır.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
377000
3000
Sol tarafta, yine, S biçimli salgın eğrimiz var.
06:35
In the dotted red line, we show
161
380000
2000
Noktalı kırmızı çizgiyle salgının
06:37
what the adoption would be in the random people,
162
382000
2000
rastgele insanlar arasında nasıl yayılabileceğini;
06:39
and in the left-hand line, shifted to the left,
163
384000
3000
ve solundaki, sola doğru kaydırılmış eğride de
06:42
we show what the adoption would be
164
387000
2000
salgının ağın merkezindeki insanlarda
06:44
in the central individuals within the network.
165
389000
2000
nasıl yayılacağını gösteriyoruz.
06:46
On the Y-axis is the cumulative instances of contagion,
166
391000
2000
Y doğrultusu toplam salgın vak'a sayısını;
06:48
and on the X-axis is the time.
167
393000
2000
X doğrultusu da zamanı gösteriyor.
06:50
And on the right-hand side, we show the same data,
168
395000
2000
Ve sağ tarafta, aynı veriyi gösteriyoruz ancak;
06:52
but here with daily incidence.
169
397000
2000
burada gösterilen günlük vak'alar.
06:54
And what we show here is -- like, here --
170
399000
2000
Ve burada gösterdiğimiz ise , -- örneğin burada --
06:56
very few people are affected, more and more and more and up to here,
171
401000
2000
çok az sayıda insan etkilenmiş, ilerledikçe ise daha fazla sayıda etkileniyor
06:58
and here's the peak of the epidemic.
172
403000
2000
ve burası da salgının tepe noktası.
07:00
But shifted to the left is what's occurring in the central individuals.
173
405000
2000
Sola kaydırılmış eğri, merkezdeki bireylerde ne olduğunu gösteriyor.
07:02
And this difference in time between the two
174
407000
3000
ve ikisi arasındaki bu zaman farklılığı bize
07:05
is the early detection, the early warning we can get,
175
410000
3000
yakında insan nüfusu arasında
07:08
about an impending epidemic
176
413000
2000
gerçekleşecek olan salgının
07:10
in the human population.
177
415000
2000
erken uyarısını verir.
07:12
The problem, however,
178
417000
2000
Fakat sorun ise;
07:14
is that mapping human social networks
179
419000
2000
insanların sosyal ağlarının bir haritasını çıkarmanın
07:16
is not always possible.
180
421000
2000
her zaman mümkün olmadığıdır.
07:18
It can be expensive, not feasible,
181
423000
2000
Çok pahalı olabilir [çok zor]
07:20
unethical,
182
425000
2000
ahlaki olmayabilir,
07:22
or, frankly, just not possible to do such a thing.
183
427000
3000
veya, dürüstçe söylemem gerekirse, mümkün de değil.
07:25
So, how can we figure out
184
430000
2000
Öyleyse, kimin ağın merkezinde olduğunu
07:27
who the central people are in a network
185
432000
2000
ağın haritasını çıkarmadan
07:29
without actually mapping the network?
186
434000
3000
nasıl anlayabiliriz?
07:32
What we came up with
187
437000
2000
Bunun üzerine aklımıza,
07:34
was an idea to exploit an old fact,
188
439000
2000
eski bir bilgiyi, daha doğrusu sosyal ağlarla ilgili
07:36
or a known fact, about social networks,
189
441000
2000
bilinen bir bilgiyi kullanmak geldi.
07:38
which goes like this:
190
443000
2000
Şöyle ki:
07:40
Do you know that your friends
191
445000
2000
Arkadaşlarının senden daha fazla
07:42
have more friends than you do?
192
447000
3000
arkadaşının olduğunu biliyor musun?
07:45
Your friends have more friends than you do,
193
450000
3000
Arkadaşlarının senden daha fazla arkadaşı var.
07:48
and this is known as the friendship paradox.
194
453000
2000
Bu arkadaşlık paradoksu [çelişkisi] olarak bilinir.
07:50
Imagine a very popular person in the social network --
195
455000
2000
İlk olarak, çevresinde çok revaçta olan birini düşünün,
07:52
like a party host who has hundreds of friends --
196
457000
3000
örneğin yüzlerce arkadaşına parti veren birisi; ve bir de
07:55
and a misanthrope who has just one friend,
197
460000
2000
herkesten kaçan ve yalnızca bir arkadaşı olan birini düşünün.
07:57
and you pick someone at random from the population;
198
462000
3000
ve kümeden rastgele birisini seçiyorsunuz
08:00
they were much more likely to know the party host.
199
465000
2000
ve bu seçtiğiniz kişiler büyük olasılıkla partiyi düzenleyeni tanıyacaktır.
08:02
And if they nominate the party host as their friend,
200
467000
2000
Eğer ki bu kişiler parti sahibini arkadaşı olarak tanımlarlarsa,
08:04
that party host has a hundred friends,
201
469000
2000
partiyi düzenleyenin yüzlerce arkadaşı vardır.
08:06
therefore, has more friends than they do.
202
471000
3000
bu nedenle de herkesten daha çok arkadaşı vardır.
08:09
And this, in essence, is what's known as the friendship paradox.
203
474000
3000
ve de bu temelde arkadaşlık çelişkisi olarak bilinir.
08:12
The friends of randomly chosen people
204
477000
3000
Rastgele seçilenin arkadaşlarının derecesi,
08:15
have higher degree, and are more central
205
480000
2000
daha fazladır ve bu yüzden rastgele seçilen kişilere göre
08:17
than the random people themselves.
206
482000
2000
daha merkezdedirler.
08:19
And you can get an intuitive appreciation for this
207
484000
2000
Eğer ki bu ağın kenarındaki insanları düşünecek olursanız,
08:21
if you imagine just the people at the perimeter of the network.
208
486000
3000
anlatılanı sezgisel olarak kavrayabilirsiniz.
08:24
If you pick this person,
209
489000
2000
Eğer bu kişiyi seçerseniz,
08:26
the only friend they have to nominate is this person,
210
491000
3000
arkadaş olarak tanımlayacağı tek kişi budur
08:29
who, by construction, must have at least two
211
494000
2000
mantıksal olarak da bu kişin de, en azından iki
08:31
and typically more friends.
212
496000
2000
ve genel olarak daha fazla arkadaşı olmalıdır.
08:33
And that happens at every peripheral node.
213
498000
2000
ve bu mantık tüm kenardaki bireyler için geçerlidir.
08:35
And in fact, it happens throughout the network as you move in,
214
500000
3000
Daha da doğrusu, ağda içeri ilerledikçe bu varsayım geçerlidir.
08:38
everyone you pick, when they nominate a random --
215
503000
2000
Seçtiğiniz kişi,
08:40
when a random person nominates a friend of theirs,
216
505000
3000
diğerleri tarafından arkadaş olarak tanımlandıkça;
08:43
you move closer to the center of the network.
217
508000
3000
ağın merkezine doğru gidiyorsunuz demektir.
08:46
So, we thought we would exploit this idea
218
511000
3000
Bu yüzden biz de bu bilgiyle ;
08:49
in order to study whether we could predict phenomena within networks.
219
514000
3000
ağ içinde gerçekleşebilecek bir olayı öngörmek için kullanmanın yollarını araştırdık.
08:52
Because now, with this idea
220
517000
2000
Bu fikir sayesinde;
08:54
we can take a random sample of people,
221
519000
2000
insanlar arasından rastgele bir seçim yapabilir,
08:56
have them nominate their friends,
222
521000
2000
daha merkezde olabilecek arkadaşlarını
08:58
those friends would be more central,
223
523000
2000
göstermelerini isteyebilir,
09:00
and we could do this without having to map the network.
224
525000
3000
ve bu işlemi tüm ağın haritasını çıkarmadan yapabiliriz.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
528000
3000
Bu fikri, 2009'un sonbaharı ve kışında;
09:06
at Harvard College
226
531000
2000
- yalnızca birkaç ay önce -
09:08
in the fall and winter of 2009, just a few months ago.
227
533000
3000
H1N1 [Domuz] gribi için Harvard Üniversitesinde test ettik.
09:11
We took 1,300 randomly selected undergraduates,
228
536000
3000
1300 rastgele üniversite öğrencisi seçtik,
09:14
we had them nominate their friends,
229
539000
2000
ve arkadaşlarını göstermelerini istedik.
09:16
and we followed both the random students and their friends
230
541000
2000
ve hem rastgele seçilen öğrenciyi hem de arkadaşlarını
09:18
daily in time
231
543000
2000
günlük olarak
09:20
to see whether or not they had the flu epidemic.
232
545000
3000
gribe yakalanıp yakalanmadıklarını takip ettik.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
548000
3000
Bunu da dolaylı olarak, bu öğrencilerin sağlık merkezine gidip gitmediklerine bakarak elde ettik.
09:26
And also, we had them [actively] email us a couple of times a week.
234
551000
3000
ve ayrıca, doğrudan da bize haftada birkaç tane e-posta göndermelerini istedik.
09:29
Exactly what we predicted happened.
235
554000
3000
Aynen öngördüğümüz gerçekleşti.
09:32
So the random group is in the red line.
236
557000
3000
Rastgele seçilen grup kırmızı çizgi,
09:35
The epidemic in the friends group has shifted to the left, over here.
237
560000
3000
Arkadaş grubunda ise salgın eğrisi sola kaydı, buraya doğru.
09:38
And the difference in the two is 16 days.
238
563000
3000
ve ikisi arasındaki fark ise 16 gün.
09:41
By monitoring the friends group,
239
566000
2000
Arkadaş grubunu gözlemleyerek
09:43
we could get 16 days advance warning
240
568000
2000
bu insan topluluğu içerisinde yaklaşan salgın için
09:45
of an impending epidemic in this human population.
241
570000
3000
16 günlük bir erken uyarı zamanı elde edebildik.
09:48
Now, in addition to that,
242
573000
2000
Buna ek olarak
09:50
if you were an analyst who was trying to study an epidemic
243
575000
3000
Eğer örneğin, salgınları ya da pazara sunulan bir ürünün yayılmasını
09:53
or to predict the adoption of a product, for example,
244
578000
3000
inceleyen bir çözümleyici [analist] iseniz,
09:56
what you could do is you could pick a random sample of the population,
245
581000
3000
yapacağınız örnek kümenizden rastgele bir kişi seçip
09:59
also have them nominate their friends and follow the friends
246
584000
3000
arkadaşlarını belirleyip, hem o kişiyi hem de arkadaşlarını
10:02
and follow both the randoms and the friends.
247
587000
3000
gözlemlemektir.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
590000
3000
Arkadaşlar içinde, yaygınlık eğrisindeki küçük artış
10:08
in adoption of the innovation, for example,
249
593000
3000
eli kulağında olan bir salgının
10:11
would be evidence of an impending epidemic.
250
596000
2000
ya da yeniliği kabullenmenin ilk kanıtıdır.
10:13
Or you could see the first time the two curves diverged,
251
598000
3000
Ya da sol tarafta, iki eğrinin birbirinden ıraksamaya başladığı
10:16
as shown on the left.
252
601000
2000
ilk noktayı görüyorsunuz.
10:18
When did the randoms -- when did the friends take off
253
603000
3000
Ne zaman arkadaş grubu artışa geçiyor
10:21
and leave the randoms,
254
606000
2000
ve rastgele seçilenleri geride bırakıyor
10:23
and [when did] their curve start shifting?
255
608000
2000
ve ne zaman eğri kaymaya başlıyor?
10:25
And that, as indicated by the white line,
256
610000
2000
Bu beyaz çizgiyle gösterildiği gibi
10:27
occurred 46 days
257
612000
2000
salgının en yaygın hale ulaşmasından
10:29
before the peak of the epidemic.
258
614000
2000
46 gün önce olmuş.
10:31
So this would be a technique
259
616000
2000
Yani, bu belli bir topluluktaki
10:33
whereby we could get more than a month-and-a-half warning
260
618000
2000
grip salgınını bir buçuk ay gibi bir zaman öncesinden
10:35
about a flu epidemic in a particular population.
261
620000
3000
belirlemenin bir yöntemi olabilir.
10:38
I should say that
262
623000
2000
Şunu da belirtmeliyim ki;
10:40
how far advanced a notice one might get about something
263
625000
2000
erken belirlemenin süresi birçok
10:42
depends on a host of factors.
264
627000
2000
etkene bağlıdır.
10:44
It could depend on the nature of the pathogen --
265
629000
2000
Patojenin doğasına bağlı olabilir --
10:46
different pathogens,
266
631000
2000
farklı patojenlerle
10:48
using this technique, you'd get different warning --
267
633000
2000
bu yöntemi kullanarak farklı erken uyarılar elde edersiniz
10:50
or other phenomena that are spreading,
268
635000
2000
veya da yayılan bir olayı...
10:52
or frankly, on the structure of the human network.
269
637000
3000
ya da insan sosyal ağının yapısını...
10:55
Now in our case, although it wasn't necessary,
270
640000
3000
Bizim örneğimizde, gerekli değilse de
10:58
we could also actually map the network of the students.
271
643000
2000
öğrencilerin ağını haritalandırabiliriz.
11:00
So, this is a map of 714 students
272
645000
2000
Bu 714 öğrencinin
11:02
and their friendship ties.
273
647000
2000
ve arkadaşlık bağlarının yer aldığı bir harita.
11:04
And in a minute now, I'm going to put this map into motion.
274
649000
2000
Ve bir dakika içerisinde,bunu inceleyeceğiz.
11:06
We're going to take daily cuts through the network
275
651000
2000
Bu ağdan 120 gün boyunca
11:08
for 120 days.
276
653000
2000
günlük örnekler alacağız
11:10
The red dots are going to be cases of the flu,
277
655000
3000
Kırmızı noktalar grip vak'asını,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
658000
3000
sarı noktalar ise grip olanların arkadaşlarını,
11:16
And the size of the dots is going to be proportional
279
661000
2000
ve noktaların boyutu da o noktanın grip olan
11:18
to how many of their friends have the flu.
280
663000
2000
arkadaş sayısını gösteriyor.
11:20
So bigger dots mean more of your friends have the flu.
281
665000
3000
Yani, büyük noktalar daha çok arkadaşınızın grip olduğu anlamında.
11:23
And if you look at this image -- here we are now in September the 13th --
282
668000
3000
Bu şekle bakarsanız -- burada 13 Eylüldeyiz --
11:26
you're going to see a few cases light up.
283
671000
2000
az miktarda vak'anın oluştuğunu göreceksiniz.
11:28
You're going to see kind of blooming of the flu in the middle.
284
673000
2000
ve burada ortada grip vak'alarında adeta bir patlama yaşandığını görüyorsunuz.
11:30
Here we are on October the 19th.
285
675000
3000
Burada 19 Ekimdeyiz.
11:33
The slope of the epidemic curve is approaching now, in November.
286
678000
2000
ve Kasım ayında eğrinin eğimi artıyor ve ...
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
680000
3000
Bum, bum bum. Ortada vaka'a sayısında bir patlama olduğunu görüyorsunuz.
11:38
and then you're going to see a sort of leveling off,
288
683000
2000
ve ardından bir tür denge durumunu görüyorsunuz.
11:40
fewer and fewer cases towards the end of December.
289
685000
3000
Aralığın sonuna doğru da vak'alar gittikçe azalıyor.
11:43
And this type of a visualization
290
688000
2000
Bu tür bir görsel açıklama,
11:45
can show that epidemics like this take root
291
690000
2000
bu tür salgınların başkalarını etkilemeden önce
11:47
and affect central individuals first,
292
692000
2000
ilk olarak merkezdeki bireylerde kök saldığını
11:49
before they affect others.
293
694000
2000
ve onları etkilediğini gösteriyor.
11:51
Now, as I've been suggesting,
294
696000
2000
Ben bu yöntemin yalnızca
11:53
this method is not restricted to germs,
295
698000
3000
mikroplara değil, tüm topluluk içerisinde
11:56
but actually to anything that spreads in populations.
296
701000
2000
yayılan bir "şey"e de uygulanabileceğini öne sürüyorum.
11:58
Information spreads in populations,
297
703000
2000
Bilgi topluluklar içinde yayılır...
12:00
norms can spread in populations,
298
705000
2000
Kurallar topluluklar içerisinde yayılabilir...
12:02
behaviors can spread in populations.
299
707000
2000
Davranışlar topluluklar içerisinde yayılabilir...
12:04
And by behaviors, I can mean things like criminal behavior,
300
709000
3000
Davranışlar derken, kastettiğim suç içeren davranışlar gibi..
12:07
or voting behavior, or health care behavior,
301
712000
3000
veya oy verme gibi, veya sağlığa özen davranışı gibi,
12:10
like smoking, or vaccination,
302
715000
2000
örneğin sigara içme ya da aşılanma...
12:12
or product adoption, or other kinds of behaviors
303
717000
2000
ya da ürün yaygınlaşması, veya insanlararası etkileşimle
12:14
that relate to interpersonal influence.
304
719000
2000
ortaya çıkan diğer tüm çeşit davranışlar gibi.
12:16
If I'm likely to do something that affects others around me,
305
721000
3000
Eğer başkalarını da etkileyecek bir şey yapıyorsam,
12:19
this technique can get early warning or early detection
306
724000
3000
bu yöntem ile bu "şey"in toplulukta yayılmasıyla ilgili
12:22
about the adoption within the population.
307
727000
3000
erken uyarı ya da erken belirleme sağlayabiliriz.
12:25
The key thing is that for it to work,
308
730000
2000
Bu yöntemin işe yaraması için kilit nokta,
12:27
there has to be interpersonal influence.
309
732000
2000
insanlar arası bir etkileşimin var olması gerekir.
12:29
It cannot be because of some broadcast mechanism
310
734000
2000
Yayılma mekanizması herkesi aynı ölçüde
12:31
affecting everyone uniformly.
311
736000
3000
etkilemeyebilir.
12:35
Now the same insights
312
740000
2000
Aynı kavrayışlar
12:37
can also be exploited -- with respect to networks --
313
742000
3000
-- ağlar için olduğu kadar-- başka konular
12:40
can also be exploited in other ways,
314
745000
3000
için de kullanılabilir.
12:43
for example, in the use of targeting
315
748000
2000
örneğin, bir konuya müdahale için
12:45
specific people for interventions.
316
750000
2000
belirli kişileri seçmede kullanılabilir.
12:47
So, for example, most of you are probably familiar
317
752000
2000
Örneğin, muhtemelen "sürü bağışıklığı" kavramı
12:49
with the notion of herd immunity.
318
754000
2000
çoğunuza tanıdık geliyor olabilir.
12:51
So, if we have a population of a thousand people,
319
756000
3000
Yani, eğer bin kişiden oluşan bir topluluğumuz varsa
12:54
and we want to make the population immune to a pathogen,
320
759000
3000
ve o topluluğa bir patojene karşı bağışıklık kazandırmak istiyorsak.
12:57
we don't have to immunize every single person.
321
762000
2000
herkesi bağışık hale getirmemiz gerekmez.
12:59
If we immunize 960 of them,
322
764000
2000
960 kişinin bağışıklık kazanması;
13:01
it's as if we had immunized a hundred [percent] of them.
323
766000
3000
topluğun hepsinin bağışıklık kazanması ile eşdeğerdir.
13:04
Because even if one or two of the non-immune people gets infected,
324
769000
3000
Çünkü bir ya da iki bağışık olmayan kişi hastalansa bile,
13:07
there's no one for them to infect.
325
772000
2000
onların etkileyeceği başka insan yoktur.
13:09
They are surrounded by immunized people.
326
774000
2000
Çünkü çevresindekilerin hepsi bağışık insanlardır.
13:11
So 96 percent is as good as 100 percent.
327
776000
3000
Yani, yüzde 96 yüzde yüz ile eşdeğerdir.
13:14
Well, some other scientists have estimated
328
779000
2000
Bazı bilim insanları, bin kişiden yüzde 30'luk rastgele bir
13:16
what would happen if you took a 30 percent random sample
329
781000
2000
seçim yaparak, 300 kişiyi bağışık hale getirdikten sonra
13:18
of these 1000 people, 300 people and immunized them.
330
783000
3000
ne olacağını kestirmeye çalışmışlar.
13:21
Would you get any population-level immunity?
331
786000
2000
Topluluk düzeyinde bir bağışık elde eder miyiz?
13:23
And the answer is no.
332
788000
3000
Yanıt, hayır.
13:26
But if you took this 30 percent, these 300 people
333
791000
2000
ancak eğer bu 300 kişiyi alır ve
13:28
and had them nominate their friends
334
793000
2000
arkadaşlarını bulursanız,
13:30
and took the same number of vaccine doses
335
795000
3000
ve aynı miktarda aşı alır
13:33
and vaccinated the friends of the 300 --
336
798000
2000
ve bu 300 kişinin
13:35
the 300 friends --
337
800000
2000
300 arkadaşını aşılarsanız
13:37
you can get the same level of herd immunity
338
802000
2000
sanki topluluğun yüzde 96sını aşılamış gibi
13:39
as if you had vaccinated 96 percent of the population
339
804000
3000
bir "sürü bağışıklığı" düzeyi elde edersiniz
13:42
at a much greater efficiency, with a strict budget constraint.
340
807000
3000
ve bunu çok daha verimli şekilde ve kısıtlı bütçe ile yapmış olursunuz.
13:45
And similar ideas can be used, for instance,
341
810000
2000
Benzer fikirler örneğin gelişmekte olan ülkelerde
13:47
to target distribution of things like bed nets
342
812000
2000
cibinlik dağıtılması ile ilgili kilit kişileri
13:49
in the developing world.
343
814000
2000
seçmekte kullanılabilir.
13:51
If we could understand the structure of networks in villages,
344
816000
3000
Eğer köylerdeki ilişki ağının yapısını anlayabilirsek
13:54
we could target to whom to give the interventions
345
819000
2000
bu tür yaygınlaşmayı hızlandırabilmek için
13:56
to foster these kinds of spreads.
346
821000
2000
hedefimizin kim olduğunu bulabiliriz.
13:58
Or, frankly, for advertising with all kinds of products.
347
823000
3000
Ya da samimi olmak gerekirse, her tür ürün reklamı için geçerlidir.
14:01
If we could understand how to target,
348
826000
2000
Eğer nasıl hedeflememiz gerektiğini anlayabilirsek,
14:03
it could affect the efficiency
349
828000
2000
verimliliği ya da neye ulaşmak istediğimizi
14:05
of what we're trying to achieve.
350
830000
2000
olumlu yönde etkilemiş oluruz.
14:07
And in fact, we can use data
351
832000
2000
Ve gerçekten de, bunu gerçekleştirmek için
14:09
from all kinds of sources nowadays [to do this].
352
834000
2000
tüm değişik kaynaklardan verileri kullanabiliriz.
14:11
This is a map of eight million phone users
353
836000
2000
Bu bir avrupa ülkesindeki sekiz milyon
14:13
in a European country.
354
838000
2000
telefon kullanıcısının haritası.
14:15
Every dot is a person, and every line represents
355
840000
2000
Her nokta bir insanı ve her çizgi ise insanlar arasındaki
14:17
a volume of calls between the people.
356
842000
2000
arama yoğunluğunu gösteriyor.
14:19
And we can use such data, that's being passively obtained,
357
844000
3000
Ve tüm ülkenin haritasını çıkarmak için bu pasif yolla
14:22
to map these whole countries
358
847000
2000
elde edilen verileri kullanabilir ve
14:24
and understand who is located where within the network.
359
849000
3000
kişilerin ağın neresinde olduklarını anlayabiliriz.
14:27
Without actually having to query them at all,
360
852000
2000
hem de kimseyi sorgulamak zorunda kalmadan
14:29
we can get this kind of a structural insight.
361
854000
2000
bu tür bir yapısal kavrayış elde edebiliriz.
14:31
And other sources of information, as you're no doubt aware
362
856000
3000
Benzer yapı için diğer bilgi kaynakları da kullanılabilir,
14:34
are available about such features, from email interactions,
363
859000
3000
hepinizin bildiği gibi, e-posta alışverişi,
14:37
online interactions,
364
862000
2000
sanal etkileşimler
14:39
online social networks and so forth.
365
864000
3000
sanal sosyal ağlar vb....
14:42
And in fact, we are in the era of what I would call
366
867000
2000
Şu an, "Devasa - pasif"
14:44
"massive-passive" data collection efforts.
367
869000
3000
olarak adlandırdığım bilgi toplama çabalarının olduğu bir çağda yaşıyoruz.
14:47
They're all kinds of ways we can use massively collected data
368
872000
3000
Toplanmış devasa bilgileri kullanabileceğimiz pek çok yöntem var,
14:50
to create sensor networks
369
875000
3000
örneğin bir toplumu izlemek için,
14:53
to follow the population,
370
878000
2000
algılayıcı ağlar yaratmak,
14:55
understand what's happening in the population,
371
880000
2000
toplumda olan biteni anlayabilmek,
14:57
and intervene in the population for the better.
372
882000
3000
ve toplumun iyiliği için ortama müdahele etmek gibi şeyler.
15:00
Because these new technologies tell us
373
885000
2000
Çünkü bu yeni teknolojiler bize
15:02
not just who is talking to whom,
374
887000
2000
yalnızca kimin kimle konuştuğunu değil
15:04
but where everyone is,
375
889000
2000
kimlerin nerede olduğunu
15:06
and what they're thinking based on what they're uploading on the Internet,
376
891000
3000
internete yüklediklerini temel alarak ne düşündüklerini,
15:09
and what they're buying based on their purchases.
377
894000
2000
ve satın aldıklarına bakarak daha neler alacaklarını söylüyor.
15:11
And all this administrative data can be pulled together
378
896000
3000
Ve tüm bu yönetsel veriler bir araya getirilebilir
15:14
and processed to understand human behavior
379
899000
2000
ve insan davranışlarını daha önce hiç olmadığı kadar
15:16
in a way we never could before.
380
901000
3000
anlamamız için işlenebilir.
15:19
So, for example, we could use truckers' purchases of fuel.
381
904000
3000
Örneğin, tır sürücülerinin benzin satın almalarını inceleyebiliriz.
15:22
So the truckers are just going about their business,
382
907000
2000
Yani yalnızca tır sürücüleri tır kullanmıyorlar,
15:24
and they're buying fuel.
383
909000
2000
benzin de satın alıyorlar.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
911000
3000
Ve onların benzin almalarındaki küçük artışa bakarak
15:29
and we know that a recession is about to end.
385
914000
2000
ekonomik durgunluğun sona ereceğini görebiliriz.
15:31
Or we can monitor the velocity
386
916000
2000
Ya da mobil operatörler
15:33
with which people are moving with their phones on a highway,
387
918000
3000
otobanda yolda yolculuk yapan insanların
15:36
and the phone company can see,
388
921000
2000
cep telefonlarının hızlarını ölçebilir
15:38
as the velocity is slowing down,
389
923000
2000
ve hızın azaldığı yerlerde trafiğin
15:40
that there's a traffic jam.
390
925000
2000
yoğunlaşmaya başladığını anlayabilir.
15:42
And they can feed that information back to their subscribers,
391
927000
3000
Ve bu bilgiyi tekrardan aynı yol üzerindeki
15:45
but only to their subscribers on the same highway
392
930000
2000
trafik sıkışıklığına henüz varmamış
15:47
located behind the traffic jam!
393
932000
2000
abonelerine iletebilir.
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
934000
3000
Ya da doktorların ilaç yazma davranışlarını inceleyebilir
15:52
and see how the diffusion of innovation with pharmaceuticals
395
937000
3000
ve ilaç alanındaki bir yeniliğin doktorlar arasındaki bir ağda
15:55
occurs within [networks of] doctors.
396
940000
2000
nasıl yaygınlaştığını görebiliriz.
15:57
Or again, we can monitor purchasing behavior in people
397
942000
2000
Ya da, insanların satın alma alışkanlıklarını gözlemleyebilir
15:59
and watch how these types of phenomena
398
944000
2000
ve bu tür olayların insan topluluklarında
16:01
can diffuse within human populations.
399
946000
3000
nasıl yayıldığını izleyebiliriz.
16:04
And there are three ways, I think,
400
949000
2000
Sanırım bu devasa-pasif
16:06
that these massive-passive data can be used.
401
951000
2000
verilerin kullanılabileceği üç farklı yol var.
16:08
One is fully passive,
402
953000
2000
İlki tamamen pasif,
16:10
like I just described --
403
955000
2000
az önce tır sürücüleri
16:12
as in, for instance, the trucker example,
404
957000
2000
örneğinde tanımladığım gibi.
16:14
where we don't actually intervene in the population in any way.
405
959000
2000
burada topluluğa bir müdahalede bulunmuyoruz.
16:16
One is quasi-active,
406
961000
2000
İkincisi yarı-etkin;
16:18
like the flu example I gave,
407
963000
2000
domuz gribi örneğinde öğrencilerden
16:20
where we get some people to nominate their friends
408
965000
3000
arkadaşlarını göstermelerini istediğimiz gibi.
16:23
and then passively monitor their friends --
409
968000
2000
ve daha sonra arkadaşlarını pasif olarak gözlemleyerek,
16:25
do they have the flu, or not? -- and then get warning.
410
970000
2000
grip olup olmadıklarına bakarak, erken tespitte bulunabiliriz.
16:27
Or another example would be,
411
972000
2000
Diğeri örnek ise,
16:29
if you're a phone company, you figure out who's central in the network
412
974000
3000
eğer bir telefon operatörü iseniz, kimin ağın merkezinde olduğunu bulabilir
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
977000
3000
ve onlara "bize her gün vücut sıcaklığını ölçüp yollar mısın?" diye sorabilirsiniz
16:35
Just text us your temperature."
414
980000
2000
Yalnızca bize vücut sıcaklığını gönder...
16:37
And collect vast amounts of information about people's temperature,
415
982000
3000
Ve bütün bu insanların vücut sıcaklıklarını toplayıp
16:40
but from centrally located individuals.
416
985000
2000
-- ama ağın merkezinde olan kişilerden --
16:42
And be able, on a large scale,
417
987000
2000
ve büyük ölçekte ise,
16:44
to monitor an impending epidemic
418
989000
2000
yayılmakta olan bir salgın hastalığı
16:46
with very minimal input from people.
419
991000
2000
az miktarda veri toplayarak gözlemleyebilirsiniz.
16:48
Or, finally, it can be more fully active --
420
993000
2000
Ya da son olarak,
16:50
as I know subsequent speakers will also talk about today --
421
995000
2000
bi sonraki konuşmacılar, insanların küresel olarak
16:52
where people might globally participate in wikis,
422
997000
2000
wiki'lere [imece bilgi topluluklarının] katkıda bulunabileceği,
16:54
or photographing, or monitoring elections,
423
999000
3000
fotoğraflayabileceği, ya da seçimleri gözlemleyebileceklerinden,
16:57
and upload information in a way that allows us to pool
424
1002000
2000
ve bu bilgileri bizim bir araya getirerek sosyal olay ve olguları
16:59
information in order to understand social processes
425
1004000
2000
anlamamızı sağlayacak şekilde nasıl
17:01
and social phenomena.
426
1006000
2000
paylaşabileceklerinden bahsedecekler.
17:03
In fact, the availability of these data, I think,
427
1008000
2000
Doğrusu, bu verilerin ulaşılabildiği, bence
17:05
heralds a kind of new era
428
1010000
2000
benim ve benim gibilerin
17:07
of what I and others would like to call
429
1012000
2000
"sayısal sosyal bilimler" olarak adlandırdığı
17:09
"computational social science."
430
1014000
2000
yeni bir çağın habercisi.
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1016000
3000
Bu biraz Galileo'nun
17:14
came to use a telescope
432
1019000
2000
teleskobu kullanarak
17:16
and could see the heavens in a new way,
433
1021000
2000
yıldızları farklı bir gözle incelemesi gibi bir şey,
17:18
or Leeuwenhoek became aware of the microscope --
434
1023000
2000
ya da Leewenhoek'in mikroskobu keşfederek
17:20
or actually invented --
435
1025000
2000
-- daha doğrusu icat ederek--
17:22
and could see biology in a new way.
436
1027000
2000
biyolojide yeni bir çağ açması gibi bir şey.
17:24
But now we have access to these kinds of data
437
1029000
2000
Artık bizim bu tür verilere erişimimiz var ve
17:26
that allow us to understand social processes
438
1031000
2000
bu durum sosyal olayları ve olguları
17:28
and social phenomena
439
1033000
2000
daha önce hiç olmadığı bir şekilde
17:30
in an entirely new way that was never before possible.
440
1035000
3000
görmemizi ve anlamamızı sağlayacak.
17:33
And with this science, we can
441
1038000
2000
Ve bu bilim ile, bir araya gelmiş toplamın
17:35
understand how exactly
442
1040000
2000
nasıl tek tek küçük parçaların
17:37
the whole comes to be greater
443
1042000
2000
toplamından daha değerli
17:39
than the sum of its parts.
444
1044000
2000
olduğunu anlıyoruz.
17:41
And actually, we can use these insights
445
1046000
2000
Ve gerçekten de, bu kavrayışı kullanarak
17:43
to improve society and improve human well-being.
446
1048000
3000
toplumun ve insanların esenliklerini arttırabiliriz.
17:46
Thank you.
447
1051000
2000
Sağ olun.
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