Nicholas Christakis: How social networks predict epidemics

Překladatel: Tereza Pavlickova Korektor: Petr Frish

For the last 10 years, I've been spending my time trying to figure out

Posledních 10 let trávím čas tím, že se snažím zjistit,

how and why human beings

jak a proč se lidé

assemble themselves into social networks.

sdružují v sociálních sítích.

And the kind of social network I'm talking about

Sociálními sítěmi, které mám na mysli,

is not the recent online variety,

nejsou současné online sítě,

but rather, the kind of social networks

ale ty sociální sítě,

that human beings have been assembling for hundreds of thousands of years,

ve kterých se lidé sdružují po stovky tisíc let,

ever since we emerged from the African savannah.

od té doby co jsme se objevili na afrických savanách.

So, I form friendships and co-worker

Takže, navazuji přátelství, vztahy s kolegy,

and sibling and relative relationships with other people

sourozenecké a příbuzenské vztahy s ostatními lidmi,

who in turn have similar relationships with other people.

kteří mají obdobné vztahy s dalšími lidmi.

And this spreads on out endlessly into a distance.

A to se jde dál a dál.

And you get a network that looks like this.

Získáme síť, která vypadá takto.

Every dot is a person.

Každý bod je jeden člověk.

Every line between them is a relationship between two people --

Každá čára představuje vztah mezi dvěma lidmi --

different kinds of relationships.

různé typy vztahů.

And you can get this kind of vast fabric of humanity,

Získáte tak rozsáhlou spleť lidstva,

in which we're all embedded.

jehož jsme všichni součástí.

And my colleague, James Fowler and I have been studying for quite sometime

S kolegou Jamesem Fowlerem už delší dobu studujeme,

what are the mathematical, social,

jaká jsou matematická, společenská,

biological and psychological rules

biologická a psychologická pravidla,

that govern how these networks are assembled

která určují, jak jsou tyto sítě sestavovány,

and what are the similar rules

a stejně tak pravidla

that govern how they operate, how they affect our lives.

určující jak fungují a jak ovlivňují naše životy.

But recently, we've been wondering

Poslední dobou jsme přemýšleli,

whether it might be possible to take advantage of this insight,

jestli by bylo možné využít těchto poznatků

to actually find ways to improve the world,

při hledání způsobů jak zlepšit svět,

to do something better,

něco zlepšit,

to actually fix things, not just understand things.

něco opravdu vylepšit, nejen tomu porozumět.

So one of the first things we thought we would tackle

Jedna z prvních věcí, na které jsme se rozhodli zaměřit,

would be how we go about predicting epidemics.

je jak předpovídat epidemie.

And the current state of the art in predicting an epidemic --

Současný způsob předvídání epidemií --

if you're the CDC or some other national body --

jste-li CDC (Centrum kontroly a prevence chorob) či jiné národní centrum --

is to sit in the middle where you are

je být uprostřed

and collect data

a sbírat údaje

from physicians and laboratories in the field

od lékařů a laboratoří v dané oblasti,

that report the prevalence or the incidence of certain conditions.

kteří referují o rozšíření nebo výskytu určitých podmínek.

So, so and so patients have been diagnosed with something,

Ti a ti pacienti byli s něčím diagnostikováni,

or other patients have been diagnosed,

ti pacienti byli diagnostikováni [tady],

and all these data are fed into a central repository, with some delay.

a všechny tyto údaje se s jistým zpožděním shromažďují v centrálním archivu.

And if everything goes smoothly,

A jde-li vše hladce,

one to two weeks from now

budete ode dneška za týden či dva

you'll know where the epidemic was today.

vědět, kde byla epidemie dnes.

And actually, about a year or so ago,

Vlastně, asi tak před rokem

there was this promulgation

byl spuštěn

of the idea of Google Flu Trends, with respect to the flu,

projekt Google Flu Trends (Google vývoj chřipky),

where by looking at people's searching behavior today,

kde na základě toho, jak a co dnes lidé vyhledávají,

we could know where the flu --

můžeme říct, že chřipka …

what the status of the epidemic was today,

jaký je dnešní stav epidemie,

what's the prevalence of the epidemic today.

jak je epidemie rozšířená právě dnes.

But what I'd like to show you today

Nyní bych vám však chtěl ukázat

is a means by which we might get

způsob, díky němuž bychom mohli získat

not just rapid warning about an epidemic,

nejen rychlé varování před epidemií,

but also actually

ale rovněž možnost odhalit

early detection of an epidemic.

nákazu v jejím začátku.

And, in fact, this idea can be used

Tento způsob může být použit

not just to predict epidemics of germs,

nejen k předvídání epidemií bacilů,

but also to predict epidemics of all sorts of kinds.

ale k předvídání nákaz nejrůznějšího druhu.

For example, anything that spreads by a form of social contagion

To znamená vše, co se může šířit mezi lidmi formou

could be understood in this way,

společenské nákazy,

from abstract ideas on the left

od abstraktních idejí, nalevo,

like patriotism, or altruism, or religion

jako je vlastenectví, altruismus nebo náboženství

to practices

k zvyklostem

like dieting behavior, or book purchasing,

jako jsou diety, nákup knih,

or drinking, or bicycle-helmet [and] other safety practices,

pití alkoholu, používání cyklistické helmy a jiné bezpečnostní praktiky,

or products that people might buy,

nebo zboží, které si lidé mohou koupit,

purchases of electronic goods,

nákup elektroniky,

anything in which there's kind of an interpersonal spread.

cokoliv, co se může šířit mezilidskými vztahy.

A kind of a diffusion of innovation

Jakékoliv šíření inovací

could be understood and predicted

může být chápáno a předpovídáno

by the mechanism I'm going to show you now.

způsobem, který vám teď ukážu.

So, as all of you probably know,

Jak asi všichni víte,

the classic way of thinking about this

klasicky se používá

is the diffusion-of-innovation,

model "šíření inovací"

or the adoption curve.

neboli křivka osvojení.

So here on the Y-axis, we have the percent of the people affected,

Zde, osa Y znázorňuje procento ovlivněných lidí

and on the X-axis, we have time.

a na ose X máme čas.

And at the very beginning, not too many people are affected,

Na úplném začátku je jen velmi málo ovlivněných lidí,

and you get this classic sigmoidal,

získáme tuto klasickou sigmoidu,

or S-shaped, curve.

neboli křivku ve tvaru S.

And the reason for this shape is that at the very beginning,

Tento tvar má díky tomu, že na úplném začátku

let's say one or two people

je řekněme jeden nebo dva lidé,

are infected, or affected by the thing

kteří jsou tím něčím zasaženi nebo nakaženi,

and then they affect, or infect, two people,

ti pak to pak přenesou dál a nakazí další dva,

who in turn affect four, eight, 16 and so forth,

kteří pak následně nakazí 4, 8, 16 lidí, a tak dál,

and you get the epidemic growth phase of the curve.

a tak získáte vzrůstající fázi křivky epidemie.

And eventually, you saturate the population.

A nakonec nasytíte populaci.

There are fewer and fewer people

Je zde méně a méně lidí,

who are still available that you might infect,

které ještě stále můžete infikovat,

and then you get the plateau of the curve,

a to je moment, kdy je křivka opět rovná,

and you get this classic sigmoidal curve.

a vznikne tak tato klasická sigmoidní křivka.

And this holds for germs, ideas,

To platí po bacily, ideje,

product adoption, behaviors,

osvojení zboží, chování,

and the like.

a tak podobně.

But things don't just diffuse in human populations at random.

Ale věci se nešíří lidskou populací náhodně.

They actually diffuse through networks.

Ve skutečnosti se šíří skrze sítě.

Because, as I said, we live our lives in networks,

Jak jsem již řekl, žijeme v sítích

and these networks have a particular kind of a structure.

a tyto sítě mají určitou strukturu.

Now if you look at a network like this --

Teď, když se podíváte na síť jako je tato...

this is 105 people.

Toto je 105 lidí.

And the lines represent -- the dots are the people,

Ty čáry představují ... body jsou lidé

and the lines represent friendship relationships.

a čáry představují přátelské vztahy.

You might see that people occupy

Můžete vidět, že lidé se nachází

different locations within the network.

na různých místech v rámci sítě.

And there are different kinds of relationships between the people.

A vztahy mezi lidmi mají nejrůznější charakter.

You could have friendship relationships, sibling relationships,

Můžete mít přátelský či sourozenecký vztah,

spousal relationships, co-worker relationships,

manželský nebo pracovní vztah,

neighbor relationships and the like.

sousedský vztah, a tak dále.

And different sorts of things

A různé věci

spread across different sorts of ties.

se šíří prostřednictvím odlišných vazeb.

For instance, sexually transmitted diseases

Například, sexuálně přenosné choroby

will spread across sexual ties.

se budou šíří sexuálními vazbami.

Or, for instance, people's smoking behavior

Nebo třeba vztah lidí ke kouření

might be influenced by their friends.

může být ovlivněn jejich přáteli.

Or their altruistic or their charitable giving behavior

Jejich altruismus či ochota přispívat na charitu

might be influenced by their coworkers,

mohou být ovlivněny jejich spolupracovníky

or by their neighbors.

či sousedy.

But not all positions in the network are the same.

Ne všechna postavení v rámci sítě jsou totožná.

So if you look at this, you might immediately grasp

Podíváte-li se sem, okamžitě si všimnete,

that different people have different numbers of connections.

že různí lidé mají odlišný počet vazeb.

Some people have one connection, some have two,

Někteří mají jednu vazbu, jiní dvě,

some have six, some have 10 connections.

někteří šest a jiní deset.

And this is called the "degree" of a node,

Tomu se říká "stupeň" uzlového bodu,

or the number of connections that a node has.

čili množství vazeb, které daný uzel má.

But in addition, there's something else.

A pak je tu ještě jedna věc.

So, if you look at nodes A and B,

Když se podíváte na uzel A a B,

they both have six connections.

oba mají šest vazeb.

But if you can see this image [of the network] from a bird's eye view,

Ale podíváte-li se na tento obrázek z ptačího pohledu,

you can appreciate that there's something very different

uvědomíte si, že mezi uzlem A a B

about nodes A and B.

je velký rozdíl.

So, let me ask you this -- I can cultivate this intuition by asking a question --

Takže se vás zeptám -- trochu to tou otázkou rozvinu --

who would you rather be

kým byste chtěli být,

if a deadly germ was spreading through the network, A or B?

kdyby se sítí šířila smrtelná bakterie, A nebo B?

(Audience: B.) Nicholas Christakis: B, it's obvious.

(Publikum: B) Nicholas Christakis: B, samozřejmě.

B is located on the edge of the network.

B se nachází na okraji sítě.

Now, who would you rather be

Teď, kým byste chtěli být,

if a juicy piece of gossip were spreading through the network?

kdyby se sítí šířil šťavnatý drb?

A. And you have an immediate appreciation

A. Okamžitě vám je jasné,

that A is going to be more likely

že A má mnohem větší šanci

to get the thing that's spreading and to get it sooner

dostat to, co se šíří, a že to dostane rychleji

by virtue of their structural location within the network.

díky své pozici v rámci dané struktury sítě.

A, in fact, is more central,

Ve skutečnosti je 'A' mnohem více v centru,

and this can be formalized mathematically.

což může být vyjádřeno matematicky.

So, if we want to track something

Takže pokud chceme sledovat to,

that was spreading through a network,

co se šíří sítí,

what we ideally would like to do is to set up sensors

ideálně bychom měli umístit senzory

on the central individuals within the network,

na jedince, kteří jsou v centru sítě,

including node A,

včetně uzlu A,

monitor those people that are right there in the middle of the network,

sledovat tyto osoby, jež jsou v centru sítě,

and somehow get an early detection

a tím nějak včasně odhalit to,

of whatever it is that is spreading through the network.

ať už je to cokoliv, co se šíří sítí.

So if you saw them contract a germ or a piece of information,

Takže, kdybyste viděli, že mají nějaký bacil nebo informaci,

you would know that, soon enough,

věděli byste, že časem

everybody was about to contract this germ

ten bacil nebo tu informaci

or this piece of information.

budou mít i všichni ostatní.

And this would be much better

Tohle by bylo mnohem lepší

than monitoring six randomly chosen people,

než sledovat šest náhodně vybraných jedinců

without reference to the structure of the population.

bez ohledu na strukturu dané populace.

And in fact, if you could do that,

Takže pokud byste to udělali,

what you would see is something like this.

uviděli byste něco takovéhoto.

On the left-hand panel, again, we have the S-shaped curve of adoption.

Nalevo máme opět esovitou křivku osvojení.

In the dotted red line, we show

Červeně tečkovaná linie ukazuje,

what the adoption would be in the random people,

jaké by bylo osvojení u náhodného vzorku,

and in the left-hand line, shifted to the left,

a křivka nalevo, posunutá doleva,

we show what the adoption would be

ukazuje, jaké by bylo osvojení

in the central individuals within the network.

v případě jedinců uprostřed sítě.

On the Y-axis is the cumulative instances of contagion,

Osa Y ukazuje narůstající případy nákazy

and on the X-axis is the time.

a osa X znázorňuje čas.

And on the right-hand side, we show the same data,

Napravo máme ty samé údaje,

but here with daily incidence.

které tentokrát ukazují výskyt podle dní.

And what we show here is -- like, here --

Zde vidíte -- třeba tady --

very few people are affected, more and more and more and up to here,

jen několik málo lidí je zasaženo, víc, víc a víc až sem,

and here's the peak of the epidemic.

a toto je vrchol epidemie.

But shifted to the left is what's occurring in the central individuals.

Křivka posunutá doleva ukazuje situaci u jedinců v centru.

And this difference in time between the two

A tento rozdíl v čase mezi těmito dvěma křivkami

is the early detection, the early warning we can get,

říká, jak včasné odhalení či upozornění můžeme

about an impending epidemic

získat o epidemii šířící se

in the human population.

populací.

The problem, however,

Problémem ovšem je,

is that mapping human social networks

že ne vždy je možné mapovat

is not always possible.

lidské společenské sítě.

It can be expensive, not feasible,

Může to být drahé, obtížné,

unethical,

neetické,

or, frankly, just not possible to do such a thing.

nebo to prostě není proveditelné.

So, how can we figure out

Takže, jak můžeme zjistit,

who the central people are in a network

kdo jsou lidé ve středu sítě,

without actually mapping the network?

aniž bychom tu síť mapovali?

What we came up with

Napadalo nás

was an idea to exploit an old fact,

využít starou známou skutečnost,

or a known fact, about social networks,

známý fakt o společenských sítích,

which goes like this:

který říká:

Do you know that your friends

Víte, že vaši přátelé

have more friends than you do?

mají více přátel než vy?

Your friends have more friends than you do,

Vaši přátelé mají více přátel než vy.

and this is known as the friendship paradox.

To je označováno jako paradox přátelství.

Imagine a very popular person in the social network --

Představte si velmi oblíbeného člena společenské sítě --

like a party host who has hundreds of friends --

třeba hostitele party, který má stovky přátel --

and a misanthrope who has just one friend,

a misantropa, který má jen jednoho přítele,

and you pick someone at random from the population;

a náhodně vyberte několik lidí z populace.

they were much more likely to know the party host.

Je mnohem větší šance, že budou znát daného organizátora party.

And if they nominate the party host as their friend,

Pokud oni označí tohoto hostitele jako svého přítele,

that party host has a hundred friends,

tento hostitel má stovky přátel,

therefore, has more friends than they do.

takže má více přátel než oni sami.

And this, in essence, is what's known as the friendship paradox.

A to je v podstatě to, čemu se říká paradox přátelství.

The friends of randomly chosen people

Přátelé náhodně vybraného vzorku

have higher degree, and are more central

mají vyšší stupeň a jsou více v centru,

than the random people themselves.

než jedinci z náhodného vzorku samotní.

And you can get an intuitive appreciation for this

Což je zřejmé ve chvíli, kdy si

if you imagine just the people at the perimeter of the network.

představíte pouze lidi na obvodu dané sítě.

If you pick this person,

Pokud vyberete tuto osobu,

the only friend they have to nominate is this person,

ta může jako svého přítele označit pouze tuto osobu,

who, by construction, must have at least two

která musí mít, vzhledem ke struktuře, alespoň dva,

and typically more friends.

ale většinou více přátel.

And that happens at every peripheral node.

K tomu dochází na každém okrajovém uzlu.

And in fact, it happens throughout the network as you move in,

To se děje v celé sítí, jak se pohybujete směrem ke středu,

everyone you pick, when they nominate a random --

když náhodně vybraný člověk

when a random person nominates a friend of theirs,

označí svého přítele,

you move closer to the center of the network.

dostanete se blíže ke středu sítě.

So, we thought we would exploit this idea

Tak jsme si řekli, že využijeme tuto teorii,

in order to study whether we could predict phenomena within networks.

abychom zjistili, jestli můžeme předvídat jevy v rámci sítí.

Because now, with this idea

Na základě této ideje totiž

we can take a random sample of people,

můžeme vzít náhodný vzorek,

have them nominate their friends,

který označí své přátele,

those friends would be more central,

a ti budou blíže středu,

and we could do this without having to map the network.

to můžeme dělat, aniž bychom tu síť museli mapovat.

And we tested this idea with an outbreak of H1N1 flu

Rozhodli jsme se to otestovat, když propukla chřipka H1N1

at Harvard College

na harvardské koleji

in the fall and winter of 2009, just a few months ago.

na podzim a v zimě 2009, což je před pár měsíci.

We took 1,300 randomly selected undergraduates,

Náhodně jsme vybrali 1300 vysokoškoláků,

we had them nominate their friends,

nechali jsme je označit své přátele

and we followed both the random students and their friends

a denně jsme sledovali jak náhodně vybrané studenty

daily in time

tak jejich přátele,

to see whether or not they had the flu epidemic.

abychom viděli, jestli tu chřipku mají nebo nemají.

And we did this passively by looking at whether or not they'd gone to university health services.

Pasivně jsme sledovali, zda byli či nebyli v univerzitním zdravotnickém středisku.

And also, we had them [actively] email us a couple of times a week.

Také jsme je požádali, aby nám několikrát za týden poslali email.

Exactly what we predicted happened.

Stalo se přesně to, co jsme předpověděli.

So the random group is in the red line.

Náhodný vzorek je červená linka.

The epidemic in the friends group has shifted to the left, over here.

Epidemie u skupiny 'přátelé' se posunula doleva, zde.

And the difference in the two is 16 days.

Rozdíl mezi těmito dvěma skupinami je 16 dní.

By monitoring the friends group,

Sledováním skupiny 'přátelé'

we could get 16 days advance warning

bychom získali varování před blížící se

of an impending epidemic in this human population.

epidemii v lidské populaci o 16 dní dříve.

Now, in addition to that,

Navíc, jste-li

if you were an analyst who was trying to study an epidemic

analytik, který se snaží studovat nějakou nákazu,

or to predict the adoption of a product, for example,

nebo například předvídat osvojení produktu,

what you could do is you could pick a random sample of the population,

můžete vzít náhodný vzorek populace,

also have them nominate their friends and follow the friends

nechat je vybrat své přátele a sledovat tyto přátele,

and follow both the randoms and the friends.

sledovat jak náhodný vzorek, tak skupinu 'přátelé'.

Among the friends, the first evidence you saw of a blip above zero

Jakmile by v případě 'přátel' vzskočila křivka

in adoption of the innovation, for example,

osvojení inovace nad nulu

would be evidence of an impending epidemic.

znamenalo by to, že nastupuje epidemie.

Or you could see the first time the two curves diverged,

Nalevo můžete vidět, kdy se ty dvě křivky

as shown on the left.

poprvé rozchází.

When did the randoms -- when did the friends take off

Kdy se přátelé odtrhnou

and leave the randoms,

a nechají náhodný vzorek za sebou

and [when did] their curve start shifting?

a kdy se jejich křivka začne posouvat?

And that, as indicated by the white line,

To, což ukazuje bílá linka,

occurred 46 days

nastalo 46 dní

before the peak of the epidemic.

před vyvrcholením epidemie.

So this would be a technique

Takže tímto způsobem

whereby we could get more than a month-and-a-half warning

můžeme získat upozornění na epidemii chřipky

about a flu epidemic in a particular population.

v konkrétní populaci víc než měsíc a půl předem.

I should say that

Měl bych říct, že to jak

how far advanced a notice one might get about something

moc dopředu dostaneme na něco upozornění,

depends on a host of factors.

záleží na množství faktorů.

It could depend on the nature of the pathogen --

Může to záležet na povaze patogenu --

different pathogens,

u různých patogenů,

using this technique, you'd get different warning --

použitím této techniky, můžete dostat různá varování --

or other phenomena that are spreading,

nebo dalších jevech, které se šíří,

or frankly, on the structure of the human network.

strukturou lidské sítě.

Now in our case, although it wasn't necessary,

V našem případě, i přestože to nebylo nutné,

we could also actually map the network of the students.

jsme mohli rovněž mapovat síť studentů.

So, this is a map of 714 students

Tahle mapa zobrazuje 714 studentů

and their friendship ties.

a jejich přátelské vztahy.

And in a minute now, I'm going to put this map into motion.

Za dám tu mapu do pohybu.

We're going to take daily cuts through the network

Uvidíte situaci den po dni,

for 120 days.

po dobu 120 dní.

The red dots are going to be cases of the flu,

Červené body budou případy chřipky,

and the yellow dots are going to be friends of the people with the flu.

a žluté body budou přátelé lidí s chřipkou.

And the size of the dots is going to be proportional

Velikost každého bodu je úměrná

to how many of their friends have the flu.

počtu přátel s chřipkou.

So bigger dots mean more of your friends have the flu.

Je-li bod větší, znamená to, že máte více přátel, kteří mají chřipku.

And if you look at this image -- here we are now in September the 13th --

Když se podíváte na tento obrázek -- 13. září --

you're going to see a few cases light up.

uvidíte, že se rozzáří několik případů.

You're going to see kind of blooming of the flu in the middle.

Uprostřed uvidíte jakýsi rozkvět chřipky.

Here we are on October the 19th.

Toto je 19. října.

The slope of the epidemic curve is approaching now, in November.

Svažování křivky epidemie se blíží, tady, v listopadu.

Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,

bum, bum, bum, bum, bum, uvidíte velký rozkvět uprostřed,

and then you're going to see a sort of leveling off,

a pak uvidíte jakousi stabilizaci,

fewer and fewer cases towards the end of December.

méně a méně případů ke konci prosince.

And this type of a visualization

Tento typ vizualizace

can show that epidemics like this take root

může ukázat, že epidemie, jako je tato, mají základy

and affect central individuals first,

a působí jako první na osoby uprostřed,

before they affect others.

předtím než zasáhnou ostatní.

Now, as I've been suggesting,

Jak jsem již naznačoval,

this method is not restricted to germs,

tato metoda neplatí pouze na bacily,

but actually to anything that spreads in populations.

ale na vše, co se šíří populací.

Information spreads in populations,

Informace se šíří populací.

norms can spread in populations,

Normy se mohou šíří populací.

behaviors can spread in populations.

Chování se může šířit populací.

And by behaviors, I can mean things like criminal behavior,

Chováním mám na mysli, například kriminální jednání,

or voting behavior, or health care behavior,

nebo jak lidé volí, jak se starají o své zdraví

like smoking, or vaccination,

například vztah ke kouření, očkování,

or product adoption, or other kinds of behaviors

nebo osvojování produktů, či jiná jednání,

that relate to interpersonal influence.

která souvisí s tím, jak se lidé ovlivňují mezi sebou.

If I'm likely to do something that affects others around me,

Chci-li udělat něco, co bude mít vliv na lidi kolem mě,

this technique can get early warning or early detection

tato metoda mě může upozornit nebo včasně odhalit

about the adoption within the population.

osvojení v rámci populace.

The key thing is that for it to work,

Má-li to fungovat, klíčovým faktorem je

there has to be interpersonal influence.

přítomnost mezilidského vlivu.

It cannot be because of some broadcast mechanism

Nemůže to být postaveno na nějakém vysílání,

affecting everyone uniformly.

které působí na všechny jednotně.

Now the same insights

Tato zjištění

can also be exploited -- with respect to networks --

můžeme použít -- s ohledem na síť --

can also be exploited in other ways,

můžeme použít i jinými způsoby,

for example, in the use of targeting

například pro zacílení těch,

specific people for interventions.

kteří by měli být zasaženi či vybráni.

So, for example, most of you are probably familiar

Například, většina z vás je nejspíše obeznámena

with the notion of herd immunity.

s pojmem imunita stáda.

So, if we have a population of a thousand people,

Takže, máme-li skupinu čítající tisíc obyvatel.

and we want to make the population immune to a pathogen,

a chceme, aby tito obyvatelé byli imunní vůči určitému patogenu,

we don't have to immunize every single person.

nemusíme očkovat všechny jedince v dané skupině.

If we immunize 960 of them,

Oočkujeme-li 960 z nich,

it's as if we had immunized a hundred [percent] of them.

je to, jako bychom oočkovali sto [procent].

Because even if one or two of the non-immune people gets infected,

I kdyby se jeden nebo dva z těch, kteří nebyli očkování, nakazili,

there's no one for them to infect.

oni sami nemají koho nakazit.

They are surrounded by immunized people.

Jsou obklopeni oočkovanými.

So 96 percent is as good as 100 percent.

Takže 96 procent je stejně dobrých jako 100 procent.

Well, some other scientists have estimated

Jiní vědci odhadli,

what would happen if you took a 30 percent random sample

co by se stalo, kdybyste vzali náhodný vzorek 30%

of these 1000 people, 300 people and immunized them.

z 1000 lidí, tedy 300 lidí a oočkovali je.

Would you get any population-level immunity?

Je možné, aby pak daná skupina byla imunní?

And the answer is no.

Odpověď je ne.

But if you took this 30 percent, these 300 people

Ale pokud vezmete těchto 300 lidí,

and had them nominate their friends

a necháte je nominovat své přátele,

and took the same number of vaccine doses

budete mít stejné množství vakcín jako předtím,

and vaccinated the friends of the 300 --

a oočkujete jen přátele těch náhodných 300 lidí,

the 300 friends --

tedy 300 přátel,

you can get the same level of herd immunity

získáte stejnou úroveň stádové imunity,

as if you had vaccinated 96 percent of the population

jako byste oočkovali 96 procent dané populace,

at a much greater efficiency, with a strict budget constraint.

s větší účinností a s omezeným rozpočtem.

And similar ideas can be used, for instance,

Podobně lze například určit,

to target distribution of things like bed nets

jak distribuovat například moskytiéry

in the developing world.

v rozvojových zemích.

If we could understand the structure of networks in villages,

Když porozumíme struktuře vztahů ve vesnicích

we could target to whom to give the interventions

můžeme určit jedince, které zplnomocníme,

to foster these kinds of spreads.

aby měli dané šíření na starosti.

Or, frankly, for advertising with all kinds of products.

Nebo pro reklamu a různé produkty.

If we could understand how to target,

Pochopíme-li, jak určit cíl,

it could affect the efficiency

můžeme ovlivnit účinnost

of what we're trying to achieve.

toho, čeho se snažíme dosáhnout.

And in fact, we can use data

Takto, můžeme použít údaje

from all kinds of sources nowadays [to do this].

z nejrůznějších zdrojů.

This is a map of eight million phone users

Toto je mapa 8 milionů uživatelů mobilů

in a European country.

v jedné z evropských zemí.

Every dot is a person, and every line represents

Každý bod je osoba a každá linka představuje

a volume of calls between the people.

množství hovorů mezi těmito lidmi.

And we can use such data, that's being passively obtained,

Tyto údaje, které jsme získali pasivně, můžeme použít

to map these whole countries

k zmapování těchto zemí

and understand who is located where within the network.

a k pochopení, kdo se nachází kde v rámci této sítě.

Without actually having to query them at all,

Aniž bychom museli s kýmkoliv mluvit,

we can get this kind of a structural insight.

můžeme zjistit, jaká je struktura dané sítě.

And other sources of information, as you're no doubt aware

Dalším zdrojem takovýchto informací,

are available about such features, from email interactions,

což si určitě uvědomujete, je výměna emailů,

online interactions,

online interakce,

online social networks and so forth.

online sociální sítě, a tak dále.

And in fact, we are in the era of what I would call

Nacházíme se v době, kterou bych mohl nazvat

"massive-passive" data collection efforts.

"masivně pasivní" snahou o sběr dat.

They're all kinds of ways we can use massively collected data

Jsou zde různé způsoby, jak můžeme použít masově získaná data

to create sensor networks

k vytvoření senzorů v síti,

to follow the population,

abychom sledovali danou populaci

understand what's happening in the population,

a pochopili, k čemu v této populaci dochází,

and intervene in the population for the better.

a mohli tak zasáhnout a přispět ke zlepšení.

Because these new technologies tell us

Protože nové technologie nám nejen

not just who is talking to whom,

řeknou, kdo mluví s kým,

but where everyone is,

ale také kde se kdo nachází,

and what they're thinking based on what they're uploading on the Internet,

a podle toho, co zveřejňují na internetu, co si myslí,

and what they're buying based on their purchases.

a podle toho co kupují, podle jejich předešlých nákupů.

And all this administrative data can be pulled together

Všechny takovéto informace mohou být shromážděny

and processed to understand human behavior

a použity k pochopili lidského jednání

in a way we never could before.

způsobem, jaký do té doby nebyl možný.

So, for example, we could use truckers' purchases of fuel.

Mohli bychom například použít údaje o nákupu paliva autodopravci.

So the truckers are just going about their business,

Takže autodopravce dělá svou práci,

and they're buying fuel.

a kupuje palivo.

And we see a blip up in the truckers' purchases of fuel,

My vidíme, že autodopravcův nákup paliva vyskočil nahoru,

and we know that a recession is about to end.

a víme, že recese brzo skončí.

Or we can monitor the velocity

Nebo můžeme monitorovat rychlost,

with which people are moving with their phones on a highway,

s jakou se lidé s telefony pohybují na dálnici,

and the phone company can see,

takže telefonní společnost může vidět,

as the velocity is slowing down,

že se rychlost snižuje, takže

that there's a traffic jam.

je tam dopravní zácpa.

And they can feed that information back to their subscribers,

Tyto informace pak mohou zpět poskytnout svým klientům,

but only to their subscribers on the same highway

ale pouze těm, kteří jsou na té samé dálnici

located behind the traffic jam!

mířící k té dopravní zácpě!

Or we can monitor doctors prescribing behaviors, passively,

Můžeme pasivně sledovat, jak doktoři předepisují léky,

and see how the diffusion of innovation with pharmaceuticals

a uvidíme, jak se nové farmaceutické produkty

occurs within [networks of] doctors.

šíří v rámci [sítě] doktorů.

Or again, we can monitor purchasing behavior in people

Opět, můžeme monitorovat, jak lidé nakupují

and watch how these types of phenomena

a sledovat jak se takové jevy

can diffuse within human populations.

mohou šířit v rámci populace.

And there are three ways, I think,

Zde jsou tři způsoby,

that these massive-passive data can be used.

jak tato masivně pasivní data mohou být použita.

One is fully passive,

První je zcela pasivní,

like I just described --

jak jsem již popsal --

as in, for instance, the trucker example,

třeba ten příklad autodopravců,

where we don't actually intervene in the population in any way.

kde vlastně vůbec nezasahujeme do dané populace.

One is quasi-active,

Druhý je napůl aktivní,

like the flu example I gave,

jako příklad chřipky, který jsem uvedl,

where we get some people to nominate their friends

kde necháme určité lidi nominovat své přátele,

and then passively monitor their friends --

a pak pasivně sledujeme tyto přátele --

do they have the flu, or not? -- and then get warning.

mají chřipku, nebo ne? -- až dostaneme varování.

Or another example would be,

Další příklad by byl,

if you're a phone company, you figure out who's central in the network

jste-li telefonní společnost, zjistíte, kdo je v centru sítě,

and you ask those people, "Look, will you just text us your fever every day?

a zeptáte se jich: "Můžete nám každý den poslat SMS se svou tělesnou teplotou?

Just text us your temperature."

Jen nám pošlete svou teplotu."

And collect vast amounts of information about people's temperature,

Sbíráte rozsáhlé informace o teplotě lidí,

but from centrally located individuals.

ale od lidí, kteří jsou ve středu.

And be able, on a large scale,

A jste schopni, ve velkém měřítku,

to monitor an impending epidemic

monitorovat hrozící epidemii

with very minimal input from people.

s jen minimálním vkladem informací od lidí.

Or, finally, it can be more fully active --

A nakonec třetí, který je aktivní --

as I know subsequent speakers will also talk about today --

následující řečník o tom dnes bude rovněž mluvit --

where people might globally participate in wikis,

kde se lidé mohou globálně účastnit ve wiki systémech,

or photographing, or monitoring elections,

nebo fotografování, monitorování voleb,

and upload information in a way that allows us to pool

a nahrávání údajů způsobem, který nám umožňuje sdílet

information in order to understand social processes

informace za účelem porozumět sociálním procesům

and social phenomena.

a společenským jevům.

In fact, the availability of these data, I think,

Myslím, že dostupnost těchto údajů,

heralds a kind of new era

ohlašuje určitou novou éru,

of what I and others would like to call

něčeho, co bych spolu s ostatními chtěl označit jako

"computational social science."

"výpočetní společenské vědy".

It's sort of like when Galileo invented -- or, didn't invent --

To je jako když Galileo vynalezl -- nevynalezl --

came to use a telescope

začal používat telescop

and could see the heavens in a new way,

a uviděl nebe novým způsobem,

or Leeuwenhoek became aware of the microscope --

nebo Leeuwenhoek, který začal používat mikroskop --

or actually invented --

-- vlastně vynalezl --

and could see biology in a new way.

pohlédl na biologii novým způsobem.

But now we have access to these kinds of data

Nyní máme přístup k těmto údajům,

that allow us to understand social processes

které nám umožňují pochopit společenské procesy

and social phenomena

a společenské jevy

in an entirely new way that was never before possible.

zcela novým způsobem, který do té doby nebyl možný.

And with this science, we can

S touto znalostí můžeme

understand how exactly

pochopit, jak přesně

the whole comes to be greater

celek může být větší

than the sum of its parts.

než součet jeho částí.

And actually, we can use these insights

Dokonce můžeme použít tyto zjištění

to improve society and improve human well-being.

ke zlepšení společnosti a lidského blahobytu.

Thank you.

Děkuji.