Nicholas Christakis: How social networks predict epidemics

93,295 views ・ 2010-09-16

TED


Κάντε διπλό κλικ στους αγγλικούς υπότιτλους παρακάτω για να αναπαραγάγετε το βίντεο.

Μετάφραση: Fotini Sotiropoulou Επιμέλεια: Agapi Archontaki
00:15
For the last 10 years, I've been spending my time trying to figure out
0
15260
3000
Τα τελευταία δέκα χρόνια, περνάω τον καιρό μου προσπαθώντας να καταλάβω
00:18
how and why human beings
1
18260
2000
πώς και γιατί τα ανθρώπινα όντα συναθροίζονται σε κοινωνικά δίκτυα.
00:20
assemble themselves into social networks.
2
20260
3000
00:23
And the kind of social network I'm talking about
3
23260
2000
Το είδος των κοινωνικών δικτύων για το οποίο μιλάω
00:25
is not the recent online variety,
4
25260
2000
δεν είναι η πρόσφατη online ποικιλία,
00:27
but rather, the kind of social networks
5
27260
2000
αλλά περισσότερο, το είδος των κοινωνικών δικτύων
00:29
that human beings have been assembling for hundreds of thousands of years,
6
29260
3000
στα οποία τα ανθρώπινα όντα συναθροίζονται εδώ και εκατοντάδες χιλιάδες χρόνια,
00:32
ever since we emerged from the African savannah.
7
32260
3000
από τότε που εμφανιστήκαμε στην Αφρικανική σαβάνα.
00:35
So, I form friendships and co-worker
8
35260
2000
Λοιπόν, δημιουργώ φιλίες και συνεργατικές
00:37
and sibling and relative relationships with other people
9
37260
3000
και αδελφικές και συγγενικές σχέσεις με άλλους ανθρώπους
00:40
who in turn have similar relationships with other people.
10
40260
2000
που με τη σειρά τους έχουν παρόμοιες σχέσεις με άλλους ανθρώπους.
00:42
And this spreads on out endlessly into a distance.
11
42260
3000
Και αυτό εξαπλώνεται αδιάκοπα σε μεγάλη απόσταση.
00:45
And you get a network that looks like this.
12
45260
2000
Και παίρνετε ένα δίκτυο που μοιάζει με αυτό.
00:47
Every dot is a person.
13
47260
2000
Κάθε τελεία είναι ένα άτομο.
00:49
Every line between them is a relationship between two people --
14
49260
2000
Κάθε γραμμή ανάμεσά τους είναι μια σχέση μεταξύ δυο ανθρώπων --
00:51
different kinds of relationships.
15
51260
2000
διάφορα είδη σχέσεων.
00:53
And you can get this kind of vast fabric of humanity,
16
53260
3000
Και μπορείτε να πάρετε αυτό το είδος τεράστιου ιστού της ανθρωπότητας,
00:56
in which we're all embedded.
17
56260
2000
στον οποίο όλοι είμαστε ενσωματωμένοι.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
58260
3000
Ο συνεργάτης μου, ο Τζέιμς Φάουλερ κι εγώ μελετάμε εδώ και αρκετό καιρό
01:01
what are the mathematical, social,
19
61260
2000
ποιοι είναι οι μαθηματικοί, κοινωνικοί, βιολογικοί και ψυχολογικοί κανόνες
01:03
biological and psychological rules
20
63260
3000
που καθορίζουν πώς σχηματίζονται αυτά τα δίκτυα
01:06
that govern how these networks are assembled
21
66260
2000
01:08
and what are the similar rules
22
68260
2000
και ποιοι είναι οι παρόμοιοι κανόνες
01:10
that govern how they operate, how they affect our lives.
23
70260
3000
που καθορίζουν τον τρόπο που αυτά διευθύνουν, που επηρεάζουν τις ζωές μας.
01:13
But recently, we've been wondering
24
73260
2000
Και πρόσφατα, αναρωτιώμαστε
01:15
whether it might be possible to take advantage of this insight,
25
75260
3000
αν θα ήταν δυνατό να επωφεληθούμε από αυτή την επίγνωση,
01:18
to actually find ways to improve the world,
26
78260
2000
ώστε πράγματι να βρούμε τρόπους να βελτιώσουμε τον κόσμο,
01:20
to do something better,
27
80260
2000
να κάνουμε κάτι καλύτερο,
01:22
to actually fix things, not just understand things.
28
82260
3000
πράγματι να διορθώσουμε πράγματα, όχι απλώς να τα καταλάβουμε.
01:25
So one of the first things we thought we would tackle
29
85260
3000
Έτσι ένα από τα πρώτα πράγματα που σκεφτήκαμε να αντιμετωπίσουμε
01:28
would be how we go about predicting epidemics.
30
88260
3000
ήταν πώς προσεγγίζουμε την πρόβλεψη επιδημιών.
01:31
And the current state of the art in predicting an epidemic --
31
91260
2000
Και η τρέχουσα πρακτική στην πρόβλεψη μιας επιδημίας --
01:33
if you're the CDC or some other national body --
32
93260
3000
αν είστε το ΚΕΕΛΠΝΟ ή κάποιο άλλο εθνικό σώμα --
01:36
is to sit in the middle where you are
33
96260
2000
είναι να καθήσεις στη μέση εκεί που είσαι
01:38
and collect data
34
98260
2000
και να συλλέγεις δεδομένα από γιατρούς και εργαστήρια του τομέα
01:40
from physicians and laboratories in the field
35
100260
2000
01:42
that report the prevalence or the incidence of certain conditions.
36
102260
3000
που αναφέρουν την εξάπλωση ή τη συχνότητα συγκεκριμένων καταστάσεων.
01:45
So, so and so patients have been diagnosed with something,
37
105260
3000
Λοιπόν, τόσοι ασθενείς έχουν διαγνωστεί με κάτι
01:48
or other patients have been diagnosed,
38
108260
2000
ή άλλοι ασθενείς έχουν διαγνωστεί,
01:50
and all these data are fed into a central repository, with some delay.
39
110260
3000
και όλα αυτά τα δεδομένα τροφοδοτούν ένα κεντρικό αρχειοστάσιο, με κάποια καθυστέρηση.
01:53
And if everything goes smoothly,
40
113260
2000
Και αν όλα κυλήσουν ομαλά,
01:55
one to two weeks from now
41
115260
2000
σε μία με δύο βδομάδες από τώρα,
01:57
you'll know where the epidemic was today.
42
117260
3000
θα ξέρετε πού ήταν η επιδημία σήμερα.
02:00
And actually, about a year or so ago,
43
120260
2000
Και πράγματι, πριν από περίπου ένα χρόνο,
02:02
there was this promulgation
44
122260
2000
υπήρξε αυτή η δημοσίευση
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
124260
3000
της ιδέας του Google Flu Trends, αναφορικά με τη γρίπη,
02:07
where by looking at people's searching behavior today,
46
127260
3000
όπου, παρατηρώντας τι αναζητούν οι άνθρωποι σήμερα,
02:10
we could know where the flu --
47
130260
2000
θα μπορούσαμε να ξέρουμε που η γρίπη ...
02:12
what the status of the epidemic was today,
48
132260
2000
ποια ήταν η κατάσταση της επιδημίας σήμερα,
02:14
what's the prevalence of the epidemic today.
49
134260
3000
ποια ήταν η εξάπλωση της επιδημίας σήμερα.
02:17
But what I'd like to show you today
50
137260
2000
Αλλά αυτό που θα ήθελα να σας δείξω σήμερα
02:19
is a means by which we might get
51
139260
2000
είναι ένα μέσο με το οποίο θα μπορούσαμε να πάρουμε
02:21
not just rapid warning about an epidemic,
52
141260
3000
όχι απλώς ταχεία προειδοποίηση για μια επιδημία,
02:24
but also actually
53
144260
2000
αλλά επίσης πραγματικά
02:26
early detection of an epidemic.
54
146260
2000
έγκαιρη ανίχνευση μιας επιδημίας.
02:28
And, in fact, this idea can be used
55
148260
2000
Και αυτή η ιδέα μπορεί να χρησιμοποιηθεί
02:30
not just to predict epidemics of germs,
56
150260
3000
όχι απλά στην πρόβλεψη επιδημιών από μικρόβια
02:33
but also to predict epidemics of all sorts of kinds.
57
153260
3000
αλλά επίσης στην πρόβλεψη επιδημιών κάθε είδους.
02:37
For example, anything that spreads by a form of social contagion
58
157260
3000
Για παράδειγμα, κάθε τι που εξαπλώνεται με μια μορφή κοινωνικής μετάδοσης
02:40
could be understood in this way,
59
160260
2000
θα μπορούσε να γίνει κατανοητό με αυτό τον τρόπο,
02:42
from abstract ideas on the left
60
162260
2000
από αφηρημένες ιδέες στα αριστερά
02:44
like patriotism, or altruism, or religion
61
164260
3000
όπως ο πατριωτισμός, ή ο αλτρουισμός, ή η θρησκεία,
02:47
to practices
62
167260
2000
μέχρι συνήθειες
02:49
like dieting behavior, or book purchasing,
63
169260
2000
όπως διατροφικές συνήθειες, ή αγορά βιβλίων,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
171260
3000
ή κατανάλωση αλκοόλ, ή κράνη ποδηλάτων [και] άλλα μέτρα ασφαλείας,
02:54
or products that people might buy,
65
174260
2000
ή προϊόντα που οι άνθρωποι ίσως αγόραζαν,
02:56
purchases of electronic goods,
66
176260
2000
αγορές ηλεκτρονικών αγαθών,
02:58
anything in which there's kind of an interpersonal spread.
67
178260
3000
οτιδήποτε στο οποίο ενυπάρχει ένα είδος διαπροσωπικής εξάπλωσης.
03:01
A kind of a diffusion of innovation
68
181260
2000
Ένα είδος διάχυσης καινοτομίας
03:03
could be understood and predicted
69
183260
2000
θα μπορούσε να γίνει κατανοητό και να προβλεφθεί
03:05
by the mechanism I'm going to show you now.
70
185260
3000
από το μηχανισμό τον οποίο πρόκειται να σας δείξω τώρα.
03:08
So, as all of you probably know,
71
188260
2000
Λοιπόν, όπως πιθανώς όλοι γνωρίζετε,
03:10
the classic way of thinking about this
72
190260
2000
ο κλασικός τρόπος να σκεφτόμαστε γι' αυτό
03:12
is the diffusion-of-innovation,
73
192260
2000
είναι η διάχυση καινοτομίας,
03:14
or the adoption curve.
74
194260
2000
ή η καμπύλη υιοθέτησης.
03:16
So here on the Y-axis, we have the percent of the people affected,
75
196260
2000
Έτσι εδώ στον άξονα Υ, έχουμε το ποσοστό των ανθρώπων που επηρεάζονται,
03:18
and on the X-axis, we have time.
76
198260
2000
και στον άξονα Χ, έχουμε το χρόνο.
03:20
And at the very beginning, not too many people are affected,
77
200260
3000
Και ακριβώς στην αρχή, δεν έχουν επηρεαστεί πάρα πολλοί άνθρωποι,
03:23
and you get this classic sigmoidal,
78
203260
2000
και παίρνετε αυτή την κλασική σιγμοειδή,
03:25
or S-shaped, curve.
79
205260
2000
ή σχήματος S, καμπύλη.
03:27
And the reason for this shape is that at the very beginning,
80
207260
2000
Και ο λόγος γι' αυτό το σχήμα είναι ότι ακριβώς στην αρχή,
03:29
let's say one or two people
81
209260
2000
ας πούμε ένας ή δυο άνθρωποι
03:31
are infected, or affected by the thing
82
211260
2000
έχουν επηρεαστεί, ή μολυνθεί, από τον παράγοντα,
03:33
and then they affect, or infect, two people,
83
213260
2000
και στη συνέχεια επηρεάζουν ή μολύνουν, δυο ανθρώπους,
03:35
who in turn affect four, eight, 16 and so forth,
84
215260
3000
που με τη σειρά τους επηρεάζουν τέσσερις, οκτώ, δεκαέξι κ.ο.κ.,
03:38
and you get the epidemic growth phase of the curve.
85
218260
3000
και έχετε την επιδημική φάση αύξησης της καμπύλης.
03:41
And eventually, you saturate the population.
86
221260
2000
Και τελικά, γεμίζετε όλο τον πληθυσμό.
03:43
There are fewer and fewer people
87
223260
2000
Υπάρχουν όλο και λιγότεροι άνθρωποι
03:45
who are still available that you might infect,
88
225260
2000
που ακόμα θα μπορούσατε να μολύνετε,
03:47
and then you get the plateau of the curve,
89
227260
2000
και τότε παίρνετε το πλατώ της καμπύλης,
03:49
and you get this classic sigmoidal curve.
90
229260
3000
και έχετε αυτή την κλασική σιγμοειδή καμπύλη.
03:52
And this holds for germs, ideas,
91
232260
2000
Και αυτό ισχύει για μικρόβια, ιδέες,
03:54
product adoption, behaviors,
92
234260
2000
υιοθέτηση προϊόντων, συμπεριφορές,
03:56
and the like.
93
236260
2000
και τα συναφή.
03:58
But things don't just diffuse in human populations at random.
94
238260
3000
Αλλά τα πράγματα δεν διαχέονται απλά στους ανθρώπινους πληθυσμούς τυχαία.
04:01
They actually diffuse through networks.
95
241260
2000
Στην πραγματικότητα διαχέονται μέσω δικτύων.
04:03
Because, as I said, we live our lives in networks,
96
243260
3000
Επειδή, όπως είπα, ζούμε τις ζωές μας σε δίκτυα,
04:06
and these networks have a particular kind of a structure.
97
246260
3000
και αυτά τα δίκτυα έχουν ένα συγκεκριμένο είδος δομής.
04:09
Now if you look at a network like this --
98
249260
2000
Τώτα αν κοιτάξετε ένα δίκτυο σαν αυτό ...
04:11
this is 105 people.
99
251260
2000
Αυτό είναι 105 άνθρωποι.
04:13
And the lines represent -- the dots are the people,
100
253260
2000
Και οι γραμμές απεικονίζουν ... οι τελείες είναι οι άνθρωποι,
04:15
and the lines represent friendship relationships.
101
255260
2000
και οι γραμμές απεικονίζουν φιλικές σχέσεις.
04:17
You might see that people occupy
102
257260
2000
Μπορεί να βλέπετε ότι οι άνθρωποι καταλαμβάνουν
04:19
different locations within the network.
103
259260
2000
διαφορετικές θέσεις μέσα στο δίκτυο.
04:21
And there are different kinds of relationships between the people.
104
261260
2000
Και υπάρχουν διαφορετικά είδη σχέσεων μεταξύ των ανθρώπων.
04:23
You could have friendship relationships, sibling relationships,
105
263260
3000
Θα μπορούσατε να έχετε φιλικές σχέσεις, αδελφικές σχέσεις,
04:26
spousal relationships, co-worker relationships,
106
266260
3000
συζυγικές σχέσεις, συναδελφικές σχέσεις,
04:29
neighbor relationships and the like.
107
269260
3000
γειτονικές σχέσεις και τα συναφή.
04:32
And different sorts of things
108
272260
2000
Και διαφορετικά είδη πραγμάτων
04:34
spread across different sorts of ties.
109
274260
2000
εξαπλώνονται κατά μήκος διαφορετικών ειδών δεσμών.
04:36
For instance, sexually transmitted diseases
110
276260
2000
Για παράδειγμα, σεξουαλικώς μεταδιδόμενες ασθένειες
04:38
will spread across sexual ties.
111
278260
2000
θα εξαπλώνονται κατά μήκος σεξουαλικών δεσμών.
04:40
Or, for instance, people's smoking behavior
112
280260
2000
Ή, για παράδειγμα, η καπνιστική συμπεριφορά των ανθρώπων
04:42
might be influenced by their friends.
113
282260
2000
θα μπορούσε να επηρεαστεί από τους φίλους τους.
04:44
Or their altruistic or their charitable giving behavior
114
284260
2000
Ή η αλτρουιστική ή η φιλανθρωπική τους συμπεριφορά
04:46
might be influenced by their coworkers,
115
286260
2000
θα μπορούσε να επηρεαστεί από τους συνεργάτες τους,
04:48
or by their neighbors.
116
288260
2000
ή από τους γείτονές τους.
04:50
But not all positions in the network are the same.
117
290260
3000
Αλλά δεν είναι όλες οι θέσεις μέσα στο δίκτυο ίδιες.
04:53
So if you look at this, you might immediately grasp
118
293260
2000
Έτσι αν κοιτάξετε αυτό, θα μπορούσατε αμέσως να αντιληφθείτε
04:55
that different people have different numbers of connections.
119
295260
3000
ότι διαφορετικοί άνθρωποι έχουν διαφορετικούς αριθμούς συνδέσμων.
04:58
Some people have one connection, some have two,
120
298260
2000
Μερικοί άνθρωποι έχουν ένα σύνδεσμο, μερικοί έχουν δύο,
05:00
some have six, some have 10 connections.
121
300260
3000
μερικοί έχουν έξι, μερικοί έχουν δέκα συνδέσμους.
05:03
And this is called the "degree" of a node,
122
303260
2000
Και αυτό ονομάζεται "βαθμός" κόμβου,
05:05
or the number of connections that a node has.
123
305260
2000
ή ο αριθμός των συνδέσμων που έχει ένας κόμβος.
05:07
But in addition, there's something else.
124
307260
2000
Αλλά, επιπροσθέτως, υπάρχει κάτι άλλο.
05:09
So, if you look at nodes A and B,
125
309260
2000
Λοιπόν, αν κοιτάξετε τους κόμβους Α και Β,
05:11
they both have six connections.
126
311260
2000
και οι δυο έχουν έξι συνδέσμους
05:13
But if you can see this image [of the network] from a bird's eye view,
127
313260
3000
Αλλά αν μπορείτε να δείτε αυτή την εικόνα [του δικτύου] από ψηλά,
05:16
you can appreciate that there's something very different
128
316260
2000
μπορείτε να καταλάβετε ότι υπάρχει κάτι πολύ διαφορετικό
05:18
about nodes A and B.
129
318260
2000
σχετικά με τους κόμβους Α και Β.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
320260
3000
Λοιπον, επιτρέψτε μου να σας ρωτήσω το εξής -- Μπορώ να καλλιεργήσω αυτή τη διαίσθηση κάνοντας μια ερώτηση --
05:23
who would you rather be
131
323260
2000
ποιος θα προτιμούσατε να είστε
05:25
if a deadly germ was spreading through the network, A or B?
132
325260
3000
αν ένα θανατηφόρο μικρόβιο εξαπλωνόταν μέσω του δικτύου, ο Α ή ο Β;
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
328260
2000
(Κοινό: ο Β) Νικόλας Χριστάκης: ο Β, είναι προφανές.
05:30
B is located on the edge of the network.
134
330260
2000
Ο Β είναι τοποθετημένος στην άκρη του δκτύου.
05:32
Now, who would you rather be
135
332260
2000
Τώρα, ποιος θα προτιμούσατε να είστε
05:34
if a juicy piece of gossip were spreading through the network?
136
334260
3000
αν ένα ζουμερό κουτσομπολιό εξαπλωνόταν μέσω του δικτύου;
05:37
A. And you have an immediate appreciation
137
337260
3000
Ο Α. Και έχετε μια άμεση εκτίμηση
05:40
that A is going to be more likely
138
340260
2000
ότι ο Α είναι πιο πιθανό
05:42
to get the thing that's spreading and to get it sooner
139
342260
3000
να πάρει αυτό που εξαπλώνεται και να το πάρει γρηγορότερα
05:45
by virtue of their structural location within the network.
140
345260
3000
λόγω της δομικής του θέσης μέσα στο δίκτυο.
05:48
A, in fact, is more central,
141
348260
2000
Ο Α, στην πραγματικότητα, είναι πιο κεντρικός,
05:50
and this can be formalized mathematically.
142
350260
3000
και αυτό μπορεί να επικυρωθεί μαθηματικά.
05:53
So, if we want to track something
143
353260
2000
Έτσι, αν θέλαμε να εντοπίσουμε κάτι
05:55
that was spreading through a network,
144
355260
3000
που εξαπλωνόταν μέσω ενός δικτύου,
05:58
what we ideally would like to do is to set up sensors
145
358260
2000
το ιδανικό θα ήταν να βάλουμε αισθητήρες
06:00
on the central individuals within the network,
146
360260
2000
στα κεντρικά άτομα μέσα στο δίκτυο,
06:02
including node A,
147
362260
2000
συμπεριλαμβανομένου του κόμβου A,
06:04
monitor those people that are right there in the middle of the network,
148
364260
3000
να παρακολουθούμε εκείνους τους ανθρώπους που είναι ακριβώς εκεί στη μέση του δικτύου,
06:07
and somehow get an early detection
149
367260
2000
και με κάποιο τρόπο να έχουμε μια έγκαιρη ανίχνευση
06:09
of whatever it is that is spreading through the network.
150
369260
3000
από οτιδήποτε κι αν είναι αυτό που εξαπλώνεται μέσω του δικτύου.
06:12
So if you saw them contract a germ or a piece of information,
151
372260
3000
Με άλλα λόγια, αν τους βλέπατε να έρχονται σε επαφή με ένα μικρόβιο ή μια πληροφορία,
06:15
you would know that, soon enough,
152
375260
2000
θα γνωρίζατε ότι, αρκετά σύντομα,
06:17
everybody was about to contract this germ
153
377260
2000
ο καθένας θα επρόκειτο να έρθει σε επαφή με αυτό το μικρόβιο
06:19
or this piece of information.
154
379260
2000
ή με αυτή την πληροφορία.
06:21
And this would be much better
155
381260
2000
Και αυτό θα ήταν πολύ καλύτερο
06:23
than monitoring six randomly chosen people,
156
383260
2000
από το να παρακολουθείς έξι τυχαία επιλεγμένους ανθρώπους,
06:25
without reference to the structure of the population.
157
385260
3000
χωρίς αναφορά στη δομή του πληθυσμού.
06:28
And in fact, if you could do that,
158
388260
2000
Και στην πραγματικότητα, αν θα μπορούσατε να κάνετε αυτό,
06:30
what you would see is something like this.
159
390260
2000
αυτό που θα βλέπατε είναι κάτι σαν κι αυτό.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
392260
3000
Στον πίνακα στ' αριστερά, πάλι, έχουμε τη σιγμοειδή καμπύλη υιοθέτησης.
06:35
In the dotted red line, we show
161
395260
2000
Στη διακεκομμένη κόκκινη γραμμή, δείχνουμε
06:37
what the adoption would be in the random people,
162
397260
2000
πως θα ήταν η υιοθέτηση σε τυχαίους ανθρώπους,
06:39
and in the left-hand line, shifted to the left,
163
399260
3000
και στη γραμμή στ' αριστερά, μετατοπισμένη στ' αριστερά,
06:42
we show what the adoption would be
164
402260
2000
δείχνουμε πως θα ήταν η υιοθέτηση
06:44
in the central individuals within the network.
165
404260
2000
στα κεντρικά άτομα μέσα στο δίκτυο.
06:46
On the Y-axis is the cumulative instances of contagion,
166
406260
2000
Στον άξονα Υ είναι οι αθροιστικές περιπτώσεις μετάδοσης,
06:48
and on the X-axis is the time.
167
408260
2000
και στον άξονα των Χ είναι ο χρόνος.
06:50
And on the right-hand side, we show the same data,
168
410260
2000
Και στη δεξιά πλευρά, δείχνουμε τα ίδια δεδομένα,
06:52
but here with daily incidence.
169
412260
2000
αλλά εδώ με ημερήσια συχνότητα.
06:54
And what we show here is -- like, here --
170
414260
2000
Και αυτό που δείχνουμε εδώ είναι -- όπως εδώ --
06:56
very few people are affected, more and more and more and up to here,
171
416260
2000
πολύ λίγοι άνθρωποι επηρεάζονται, περισσότεροι και περισσότεροι και περισσότεροι και ως εδώ,
06:58
and here's the peak of the epidemic.
172
418260
2000
και εδώ είναι η κορυφή της επιδημίας.
07:00
But shifted to the left is what's occurring in the central individuals.
173
420260
2000
Αλλά μετατοπισμένο στ' αριστερά είναι αυτό που συμβαίνει στα κεντρικά άτομα.
07:02
And this difference in time between the two
174
422260
3000
Και αυτή η διαφορά στο χρόνο μεταξύ των δυο
07:05
is the early detection, the early warning we can get,
175
425260
3000
είναι η έγκαιρη ανίχνευση, η έγκαιρη προειδοποίηση που μπορούμε να έχουμε,
07:08
about an impending epidemic
176
428260
2000
για μια επικείμενη επιδημία
07:10
in the human population.
177
430260
2000
στον ανθρώπινο πληθυσμό.
07:12
The problem, however,
178
432260
2000
Το πρόβλημα, πάντως,
07:14
is that mapping human social networks
179
434260
2000
είναι ότι η χαρτογράφηση των ανθρώπινων κοινωνικών δικτύων
07:16
is not always possible.
180
436260
2000
δεν είναι πάντα δυνατή.
07:18
It can be expensive, not feasible,
181
438260
2000
Μπορεί να είναι ακριβή, [πολύ δύσκολη],
07:20
unethical,
182
440260
2000
ανήθικη,
07:22
or, frankly, just not possible to do such a thing.
183
442260
3000
ή, ειλικρινά, απλά μη δυνατό να κάνεις κάτι τέτοιο.
07:25
So, how can we figure out
184
445260
2000
Λοιπόν, πώς μπορούμε να καταλάβουμε
07:27
who the central people are in a network
185
447260
2000
ποιοι είναι οι κεντρικοί άνθρωποι σε ένα δίκτυο
07:29
without actually mapping the network?
186
449260
3000
χωρίς στην πραγματικότητα να χαρτογραφήσουμε το δίκτυο;
07:32
What we came up with
187
452260
2000
Αυτό που σκεφτήκαμε
07:34
was an idea to exploit an old fact,
188
454260
2000
ήταν μια ιδέα να εκμεταλλευτούμε ένα παλιό δεδομένο,
07:36
or a known fact, about social networks,
189
456260
2000
ή ένα γνωστό δεδομένο, για τα κοινωνικά δίκτυα,
07:38
which goes like this:
190
458260
2000
που πηγαίνει κάπως έτσι:
07:40
Do you know that your friends
191
460260
2000
Γνωρίζετε ότι οι φίλοι σας
07:42
have more friends than you do?
192
462260
3000
έχουν περισσότερους φίλους από ότι εσείς;
07:45
Your friends have more friends than you do,
193
465260
3000
Οι φίλοι σας έχουν περισσότερους φίλους από εσάς.
07:48
and this is known as the friendship paradox.
194
468260
2000
Και αυτό είναι γνωστό ως το παράδοξο της φιλίας.
07:50
Imagine a very popular person in the social network --
195
470260
2000
Φανταστείτε ένα πολύ δημοφιλές άτομο στο κοινωνικό δίκτυο --
07:52
like a party host who has hundreds of friends --
196
472260
3000
όπως έναν οικοδεσπότη πάρτυ που έχει εκατοντάδες φίλους --
07:55
and a misanthrope who has just one friend,
197
475260
2000
και έναν μισάνθρωπο που έχει μόνο ένα φίλο,
07:57
and you pick someone at random from the population;
198
477260
3000
και διαλέγετε τυχαία κάποιους από τον πληθυσμό,
08:00
they were much more likely to know the party host.
199
480260
2000
θα ήταν πολύ πιο πιθανό να γνωρίζουν τον οικοδεσπότη του πάρτυ.
08:02
And if they nominate the party host as their friend,
200
482260
2000
Και αν ονομάσουν τον οικοδεσπότη του πάρτυ φίλο τους,
08:04
that party host has a hundred friends,
201
484260
2000
εκείνος ο οικοδεσπότης του πάρτυ έχει εκατό φίλους,
08:06
therefore, has more friends than they do.
202
486260
3000
συνεπώς, έχει περισσότερους φίλους από όσους έχουν αυτοί.
08:09
And this, in essence, is what's known as the friendship paradox.
203
489260
3000
Και αυτό, κατ' ουσίαν, είναι γνωστό ως το παράδοξο της φιλίας.
08:12
The friends of randomly chosen people
204
492260
3000
Οι φίλοι τυχαία επιλεγμένων ανθρώπων
08:15
have higher degree, and are more central
205
495260
2000
έχουν υψηλότερο βαθμό, και είναι πιο κεντρικοί,
08:17
than the random people themselves.
206
497260
2000
από τους ίδιους τους τυχαίους ανθρώπους.
08:19
And you can get an intuitive appreciation for this
207
499260
2000
Και μπορείτε να έχετε μια διαισθητική εκτίμηση γι' αυτό
08:21
if you imagine just the people at the perimeter of the network.
208
501260
3000
αν φανταστείτε απλώς τους ανθρώπους στην περίμετρο του δικτύου.
08:24
If you pick this person,
209
504260
2000
Αν διαλέξετε αυτό το άτομο,
08:26
the only friend they have to nominate is this person,
210
506260
3000
ο μόνος φίλος που έχουν να κατονομάσουν είναι αυτό το άτομο,
08:29
who, by construction, must have at least two
211
509260
2000
ο οποίος, λόγω κατασκευής, πρέπει να έχει τουλάχιστον δύο,
08:31
and typically more friends.
212
511260
2000
και τυπικά περισσότερους, φίλους.
08:33
And that happens at every peripheral node.
213
513260
2000
Και αυτό συμβαίνει σε κάθε περιφερειακό κόμβο.
08:35
And in fact, it happens throughout the network as you move in,
214
515260
3000
Και στην πραγματικότητα, αυτό συμβαίνει σε όλο το δίκτυο καθώς κινείσαι μέσα σ'αυτό,
08:38
everyone you pick, when they nominate a random --
215
518260
2000
καθένας που διαλέγεις, όταν ονομάζουν έναν τυχαίο ...
08:40
when a random person nominates a friend of theirs,
216
520260
3000
όταν ένα τυχαίο άτομο ονομάζει ένα φίλο του,
08:43
you move closer to the center of the network.
217
523260
3000
κινείσαι πλησιέστερα προς το κέντρο του δικτύου.
08:46
So, we thought we would exploit this idea
218
526260
3000
Λοιπόν, σκεφτήκαμε να εξερευνήσουμε αυτή την ιδέα
08:49
in order to study whether we could predict phenomena within networks.
219
529260
3000
με σκοπό να μελετήσουμε αν θα μπορούσαμε να προβλέψουμε φαινόμενα μέσα σε δίκτυα.
08:52
Because now, with this idea
220
532260
2000
Επειδή τώρα, με αυτή την ιδέα,
08:54
we can take a random sample of people,
221
534260
2000
μπορούμε να πάρουμε ένα τυχαίο δείγμα ανθρώπων,
08:56
have them nominate their friends,
222
536260
2000
να τους ζητήσουμε να ονομάσουν τους φίλους τους,
08:58
those friends would be more central,
223
538260
2000
εκείνοι οι φίλοι θα ήταν πιο κεντρικοί,
09:00
and we could do this without having to map the network.
224
540260
3000
και θα μπορούσαμε να το κάνουμε χωρίς να χρειάζεται να χαρτογραφήσουμε το δίκτυο.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
543260
3000
Και τεστάραμε αυτή την ιδέα με μια έξαρση της γρίπης Η1Ν1
09:06
at Harvard College
226
546260
2000
στο Κολλέγιο Χάρβαρντ
09:08
in the fall and winter of 2009, just a few months ago.
227
548260
3000
το φθινόπωρο και το χειμώνα του 2009, μόλις λίγους μήνες πριν.
09:11
We took 1,300 randomly selected undergraduates,
228
551260
3000
Πήραμε 1300 τυχαία επιλεγμένους φοιτητές,
09:14
we had them nominate their friends,
229
554260
2000
τους ζητήσαμε να ονομάσουν τους φίλους τους,
09:16
and we followed both the random students and their friends
230
556260
2000
και ακολουθήσαμε και τους τυχαίους φοιτητές και τους φίλους τους
09:18
daily in time
231
558260
2000
καθημερινά
09:20
to see whether or not they had the flu epidemic.
232
560260
3000
για να δούμε αν είχαν ή όχι την επιδημία γρίπης.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
563260
3000
Και το κάναμε αυτό παθητικά εξετάζοντας αν είχαν πάει ή όχι στις υπηρεσίες υγείας του πανεπιστημίου.
09:26
And also, we had them [actively] email us a couple of times a week.
234
566260
3000
Και επίσης, τους ζητήσαμε [ενεργητικά] να μας στέλνουν ένα ηλεκτρονικό μήνυμα δυο φορές την εβδομάδα.
09:29
Exactly what we predicted happened.
235
569260
3000
Ακριβώς αυτό που προβλέψαμε συνέβη.
09:32
So the random group is in the red line.
236
572260
3000
Λοιπόν η τυχαία ομάδα είναι στην κόκκινη γραμμή.
09:35
The epidemic in the friends group has shifted to the left, over here.
237
575260
3000
Η επιδημία στην ομάδα των φίλων έχει μετατοπιστεί στα αριστερά, εδώ.
09:38
And the difference in the two is 16 days.
238
578260
3000
Και η διαφορά ανάμεσα στα δυο είναι 16 μέρες.
09:41
By monitoring the friends group,
239
581260
2000
Παρακολουθώντας την ομάδα των φίλων,
09:43
we could get 16 days advance warning
240
583260
2000
θα μπορούσαμε να έχουμε προειδοποίηση 16 μέρες πριν
09:45
of an impending epidemic in this human population.
241
585260
3000
από μια επικείμενη επιδημία σε αυτό τον ανθρώπινο πληθυσμό.
09:48
Now, in addition to that,
242
588260
2000
Λοιπόν, επιπροσθέτως,
09:50
if you were an analyst who was trying to study an epidemic
243
590260
3000
αν ήσασταν ένας αναλυτής που προσπαθούσε να μελετήσει μια επιδημία
09:53
or to predict the adoption of a product, for example,
244
593260
3000
ή να προβλέψει την υιοθέτηση ενός προϊόντος, για παράδειγμα,
09:56
what you could do is you could pick a random sample of the population,
245
596260
3000
αυτό που να μπορούσατε να κάνετε είναι να διαλέξετε ένα τυχαίο δείγμα του πληθυσμού
09:59
also have them nominate their friends and follow the friends
246
599260
3000
να τους ζητήσετε να ονομάσουν τους φίλους τους και να ακολουθήσουν τους φίλους τους,
10:02
and follow both the randoms and the friends.
247
602260
3000
και να ακολουθήσετε και τους τυχαίους και τους φίλους.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
605260
3000
Ανάμεσα στους φίλους, η πρώτη ένδειξη που θα βλέπατε μιας μικρής μεταβολής πάνω από το μηδέν
10:08
in adoption of the innovation, for example,
249
608260
3000
στην υιοθέτηση καινοτομίας, για παράδειγμα,
10:11
would be evidence of an impending epidemic.
250
611260
2000
θα ήταν στοιχείο για μια επικείμενη επιδημία.
10:13
Or you could see the first time the two curves diverged,
251
613260
3000
Ή θα μπορούσατε να δείτε την πρώτη φορά που οι δυο καμπύλες απέκλιναν,
10:16
as shown on the left.
252
616260
2000
όπως φαίνεται στ' αριστερά.
10:18
When did the randoms -- when did the friends take off
253
618260
3000
Πότε οι τυχαίοι ... πότε οι φίλοι απομακρύνθηκαν
10:21
and leave the randoms,
254
621260
2000
και άφησαν τους τυχαίους,
10:23
and [when did] their curve start shifting?
255
623260
2000
και [πότε] οι καμπύλες άρχισαν να μετατοπίζονται;
10:25
And that, as indicated by the white line,
256
625260
2000
Και αυτό, όπως φαίνεται από τη λευκή γραμμή,
10:27
occurred 46 days
257
627260
2000
συνέβη 46 μέρες
10:29
before the peak of the epidemic.
258
629260
2000
πριν την έξαρση της επιδημίας.
10:31
So this would be a technique
259
631260
2000
Έτσι αυτό θα μπορούσε να είναι μια τεχνική
10:33
whereby we could get more than a month-and-a-half warning
260
633260
2000
όπου θα μπορούσαμε να πάρουμε προειδοποίηση ενάμιση μήνα νωρίτερα
10:35
about a flu epidemic in a particular population.
261
635260
3000
για μια επιδημία γρίπης σε ένα συγκεκριμένο πληθυσμό.
10:38
I should say that
262
638260
2000
Θα έλεγα ότι
10:40
how far advanced a notice one might get about something
263
640260
2000
το πόσο νωρίς θα μπορούσε κάποιος να έχει μια προειδοποίηση για κάτι
10:42
depends on a host of factors.
264
642260
2000
εξαρτάται από διάφορους παράγοντες.
10:44
It could depend on the nature of the pathogen --
265
644260
2000
Θα μπορούσε να εξαρτηθεί από τη φύση του παθογόνου --
10:46
different pathogens,
266
646260
2000
διαφορετικά παθογόνα,
10:48
using this technique, you'd get different warning --
267
648260
2000
με αυτή την τεχνική, θα παίρνατε διαφορετικές προειδοποιήσεις --
10:50
or other phenomena that are spreading,
268
650260
2000
ή από άλλα φαινόμενα που εξαπλώνονται,
10:52
or frankly, on the structure of the human network.
269
652260
3000
ή, ειλικρινά, από τη δομή του ανθρώπινου δικτύου.
10:55
Now in our case, although it wasn't necessary,
270
655260
3000
Τώρα, στην περίπτωσή μας, αν και δεν ήταν απαραίτητο,
10:58
we could also actually map the network of the students.
271
658260
2000
θα μπορούσαμε στην πραγματικότητα να χαρτογραφήσουμε το δίκτυο των φοιτητών.
11:00
So, this is a map of 714 students
272
660260
2000
Αυτός, λοιπόν, είναι ένας χάρτης 714 φοιτητών
11:02
and their friendship ties.
273
662260
2000
και των φιλικών δεσμών τους.
11:04
And in a minute now, I'm going to put this map into motion.
274
664260
2000
Και σε ένα λεπτό, πρόκειται να θέσω αυτό το χάρτη σε κίνηση.
11:06
We're going to take daily cuts through the network
275
666260
2000
Πρόκειται να πάρουμε καθημερινές τομές μέσα στο δίκτυο
11:08
for 120 days.
276
668260
2000
για 120 μέρες.
11:10
The red dots are going to be cases of the flu,
277
670260
3000
Οι κόκκινες τελείες θα είναι περιπτώσεις γρίπης,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
673260
3000
και οι κίτρινες τελείες θα είναι φίλοι των ανθρώπων με γρίπη.
11:16
And the size of the dots is going to be proportional
279
676260
2000
Και το μέγεθος των τελειών θα είναι ανάλογο
11:18
to how many of their friends have the flu.
280
678260
2000
με το πόσοι από τους φίλους τους έχουν γρίπη.
11:20
So bigger dots mean more of your friends have the flu.
281
680260
3000
Έτσι μεγαλύτερες τελείες σημαίνει ότι περισσότεροι από τους φίλους σου έχουν γρίπη.
11:23
And if you look at this image -- here we are now in September the 13th --
282
683260
3000
Και αν κοιτάξετε αυτή την εικόνα -- εδώ είμαστε τώρα στις 13 Σεπτεμβρίου --
11:26
you're going to see a few cases light up.
283
686260
2000
θα δείτε λίγες περιπτώσεις να φωτίζονται.
11:28
You're going to see kind of blooming of the flu in the middle.
284
688260
2000
Πρόκειται να δείτε κάτι σαν έξαρση της γρίπης στη μέση.
11:30
Here we are on October the 19th.
285
690260
3000
Εδώ είμαστε στις 19 Οκτωβρίου.
11:33
The slope of the epidemic curve is approaching now, in November.
286
693260
2000
Η κλίση της επιδημικής καμπύλης πλησιάζει εδώ, στο Νοέμβριο.
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
695260
3000
Μπανγκ, μπανγκ, μπανγκ, μπανγκ, μπανγκ, πρόκειται να δείτε πολλές εξάρσεις στη μέση,
11:38
and then you're going to see a sort of leveling off,
288
698260
2000
και πρόκειται να δείτε ένα είδος ύφεσης,
11:40
fewer and fewer cases towards the end of December.
289
700260
3000
όλο και λιγότερες περιπτώσεις προς τα τέλη Δεκεμβρίου.
11:43
And this type of a visualization
290
703260
2000
Και αυτός ο τύπος οπτικοποίησης
11:45
can show that epidemics like this take root
291
705260
2000
μπορεί να δείξει ότι επιδημίες σαν κι αυτή ξεκινούν
11:47
and affect central individuals first,
292
707260
2000
και επηρεάζουν τα κεντρικά άτομα πρώτα,
11:49
before they affect others.
293
709260
2000
πριν επηρεάσουν άλλους.
11:51
Now, as I've been suggesting,
294
711260
2000
Λοιπόν, όπως προτείνω,
11:53
this method is not restricted to germs,
295
713260
3000
αυτή η μέθοδος δεν περιορίζεται σε μικρόβια,
11:56
but actually to anything that spreads in populations.
296
716260
2000
αλλά στην πραγματικότητα σε οτιδήποτε εξαπλώνεται σε πληθυσμούς.
11:58
Information spreads in populations,
297
718260
2000
Οι πληροφορίες εξαπλώνονται σε πληθυσμούς.
12:00
norms can spread in populations,
298
720260
2000
Τα πρότυπα μπορούν να εξαπλώνονται σε πληθυσμούς.
12:02
behaviors can spread in populations.
299
722260
2000
Οι συμπεριφορές μπορούν να εξαπλώνονται σε πληθυσμούς.
12:04
And by behaviors, I can mean things like criminal behavior,
300
724260
3000
Και λέγοντας συμπεριφορές, μπορώ να εννοώ πράγματα όπως η εγκληματική συμπεριφορά,
12:07
or voting behavior, or health care behavior,
301
727260
3000
ή η εκλογική συμπεριφορά, ή η συμπεριφορά σχετικά με την υγεία,
12:10
like smoking, or vaccination,
302
730260
2000
όπως το κάπνισμα, ή ο εμβολιασμός,
12:12
or product adoption, or other kinds of behaviors
303
732260
2000
ή η υιοθέτηση προϊόντος, ή άλλα είδη συμπεριφοράς
12:14
that relate to interpersonal influence.
304
734260
2000
που σχετίζονται με διαπροσωπική επιρροή.
12:16
If I'm likely to do something that affects others around me,
305
736260
3000
Αν είναι πιθανό να κάνω κάτι που επηρεάζει άλλους γύρω μου,
12:19
this technique can get early warning or early detection
306
739260
3000
αυτή η τεχνική μπορεί να δώσει έγκαιρη προειδοποίηση, ή έγκαιρη ανίχνευση,
12:22
about the adoption within the population.
307
742260
3000
γύρω από την υιοθέτηση μέσα στον πληθυσμό.
12:25
The key thing is that for it to work,
308
745260
2000
Το σημείο κλειδί είναι, ότι για να δουλέψει,
12:27
there has to be interpersonal influence.
309
747260
2000
θα πρέπει να υπάρχει διαπροσωπική επιρροή.
12:29
It cannot be because of some broadcast mechanism
310
749260
2000
Δε μπορεί να είναι λόγω κάποιου μηχανισμού μετάδοσης
12:31
affecting everyone uniformly.
311
751260
3000
που επηρεάζει όλους ομοιόμορφα.
12:35
Now the same insights
312
755260
2000
Τώρα τις ίδιες επιγνώσεις
12:37
can also be exploited -- with respect to networks --
313
757260
3000
μπορούμε επίσης να τις εκμεταλλευτούμε - αντίστοιχα με τα δίκτυα --
12:40
can also be exploited in other ways,
314
760260
3000
μπορούν επίσης να χρησιμοποιηθούν με άλλους τρόπους,
12:43
for example, in the use of targeting
315
763260
2000
για παράδειγμα, στη στοχοποίηση
12:45
specific people for interventions.
316
765260
2000
συγκεκριμένων ανθρώπων για παρεμβάσεις.
12:47
So, for example, most of you are probably familiar
317
767260
2000
Λοιπόν, για παράδειγμα, οι περισσότεροι από εσάς πιθανώς γνωρίζετε
12:49
with the notion of herd immunity.
318
769260
2000
την έννοια της ανοσίας της αγέλης.
12:51
So, if we have a population of a thousand people,
319
771260
3000
Λοιπόν, αν έχουμε ένα πληθυσμό χιλίων ανθρώπων,
12:54
and we want to make the population immune to a pathogen,
320
774260
3000
και θέλουμε να ανοσοποιήσουμε τον πληθυσμό σε ένα παθογόνο,
12:57
we don't have to immunize every single person.
321
777260
2000
δε χρειάζεται να ανοσοποιήσουμε κάθε ένα άτομο.
12:59
If we immunize 960 of them,
322
779260
2000
Αν ανοσοποιήσουμε 960 απ' αυτούς,
13:01
it's as if we had immunized a hundred [percent] of them.
323
781260
3000
είναι σα να είχαμε ανοσοποιήσει το 100% αυτών.
13:04
Because even if one or two of the non-immune people gets infected,
324
784260
3000
Επειδή ακόμα κι αν ένας ή δύο από τους μη ανοσοποιημένους ανθρώπους μολυνθούν,
13:07
there's no one for them to infect.
325
787260
2000
δεν υπάρχει κανένας που να μπορούν να μολύνουν.
13:09
They are surrounded by immunized people.
326
789260
2000
Περιβάλλονται από ανοσοποιημένους ανθρώπους.
13:11
So 96 percent is as good as 100 percent.
327
791260
3000
Έτσι το 96% είναι τόσο καλό όσο και το 100%.
13:14
Well, some other scientists have estimated
328
794260
2000
Λοιπόν, κάποιοι άλλοι επιστήμονες έχουν υπολογίσει
13:16
what would happen if you took a 30 percent random sample
329
796260
2000
τι θα συνέβαινε αν παίρνατε ένα τυχαίο δείγμα του 30%
13:18
of these 1000 people, 300 people and immunized them.
330
798260
3000
από αυτούς τους 1000 ανθρώπους, 300 ανθρώπους και τους ανοσοποιούσατε.
13:21
Would you get any population-level immunity?
331
801260
2000
Θα είχατε ανοσία σε επίπεδο πληθυσμού;
13:23
And the answer is no.
332
803260
3000
Και η απάντηση είναι όχι.
13:26
But if you took this 30 percent, these 300 people
333
806260
2000
Αλλά αν παίρνατε αυτό το 30%, αυτούς τους 300 ανθρώπους,
13:28
and had them nominate their friends
334
808260
2000
και τους ζητούσατε να ονομάσουν τους φίλους τους
13:30
and took the same number of vaccine doses
335
810260
3000
και παίρνατε τον ίδιο αριθμό δόσεων εμβολίων
13:33
and vaccinated the friends of the 300 --
336
813260
2000
και εμβολιάζατε τους φίλους των 300,
13:35
the 300 friends --
337
815260
2000
τους φίλους των 300,
13:37
you can get the same level of herd immunity
338
817260
2000
θα μπορέσετε να έχετε το ίδιο επίπεδο ανοσίας της αγέλης
13:39
as if you had vaccinated 96 percent of the population
339
819260
3000
σα να είχατε εμβολιάσει το 96% του πληθυσμού
13:42
at a much greater efficiency, with a strict budget constraint.
340
822260
3000
με πολύ μεγαλύτερη αποτελεσματικότητα, με αυστηρά περιορισμένο προϋπολογισμό.
13:45
And similar ideas can be used, for instance,
341
825260
2000
Και παρόμοιες ιδέες μπορούν να χρησιμοποιηθούν, για παράδειγμα,
13:47
to target distribution of things like bed nets
342
827260
2000
για να κατευθύνετε την κατανομή αντικειμένων όπως οι κουνουπιέρες
13:49
in the developing world.
343
829260
2000
στον αναπτυσσόμενο κόσμο.
13:51
If we could understand the structure of networks in villages,
344
831260
3000
Αν μπορούσαμε να καταλάβουμε τη δομή των δικτύων στα χωριά,
13:54
we could target to whom to give the interventions
345
834260
2000
θα μπορούσαμε να εστιάσουμε σε ποιον θα αναθέταμε τη μεσολάβηση
13:56
to foster these kinds of spreads.
346
836260
2000
για να προωθήσει αυτά τα είδη των εξαπλώσεων.
13:58
Or, frankly, for advertising with all kinds of products.
347
838260
3000
Ή, ειλικρινά, για να διαφημίσουμε προϊόντα κάθε είδους.
14:01
If we could understand how to target,
348
841260
2000
Αν μπορούσαμε να καταλάβουμε πώς να στοχεύσουμε,
14:03
it could affect the efficiency
349
843260
2000
αυτό θα μπορούσε να επηρεάσει την αποτελεσματικότητα
14:05
of what we're trying to achieve.
350
845260
2000
αυτού που προσπαθούμε να επιτύχουμε.
14:07
And in fact, we can use data
351
847260
2000
Και στην πραγματικότητα, μπορούμε να χρησιμοποιήσουμε δεδομένα
14:09
from all kinds of sources nowadays [to do this].
352
849260
2000
από πηγές κάθε είδους στις μέρες μας [για να το κάνουμε].
14:11
This is a map of eight million phone users
353
851260
2000
Αυτός είναι ένας χάρτης οκτώ εκατομμυρίων χρηστών τηλεφώνου
14:13
in a European country.
354
853260
2000
σε μια Ευρωπαϊκή χώρα.
14:15
Every dot is a person, and every line represents
355
855260
2000
Κάθε τελεία είναι ένα άτομο, και κάθε γραμμή απεικονίζει
14:17
a volume of calls between the people.
356
857260
2000
έναν όγκο κλήσεων μεταξύ των ανθρώπων.
14:19
And we can use such data, that's being passively obtained,
357
859260
3000
Και μπορούμε να χρησιμοποιήσουμε τέτοια στοιχεία, που συλλέγονται παθητικά,
14:22
to map these whole countries
358
862260
2000
για να χαρτογραφήσουμε ολόκληρες χώρες
14:24
and understand who is located where within the network.
359
864260
3000
και να καταλάβουμε ποιος είναι τοποθετημένος πού μέσα στο δίκτυο.
14:27
Without actually having to query them at all,
360
867260
2000
Πράγματι, χωρίς καθόλου να χρειαστεί να τους ρωτήσουμε,
14:29
we can get this kind of a structural insight.
361
869260
2000
μπορούμε να έχουμε αυτό το είδος δομικής επίγνωσης.
14:31
And other sources of information, as you're no doubt aware
362
871260
3000
Και άλλες πηγές πληροφοριών, όπως χωρίς αμφιβολία γνωρίζετε,
14:34
are available about such features, from email interactions,
363
874260
3000
είναι διαθέσιμες για τέτοια χαρακτηριστικά, από την επικοινωνία με ηλεκτρονικά μηνύματα,
14:37
online interactions,
364
877260
2000
on line επικοινωνία,
14:39
online social networks and so forth.
365
879260
3000
online κοινωνικά δίκτυα, κ.ο.κ.
14:42
And in fact, we are in the era of what I would call
366
882260
2000
Και στην πραγματικότητα, είμαστε στην εποχή αυτού που θα αποκαλούσα
14:44
"massive-passive" data collection efforts.
367
884260
3000
«μαζικές-παθητικές» προσπάθειες συλλογής δεδομένων.
14:47
They're all kinds of ways we can use massively collected data
368
887260
3000
Υπάρχουν κάθε είδους τρόποι που μπορούμε να χρησιμοποιήσουμε μαζικώς συλλεγμένα δεδομένα
14:50
to create sensor networks
369
890260
3000
να δημιουργήσουμε δίκτυα αισθητήρων
14:53
to follow the population,
370
893260
2000
να ακολουθήσουμε τον πληθυσμό,
14:55
understand what's happening in the population,
371
895260
2000
να καταλάβουμε τι συμβαίνει στον πληθυσμό,
14:57
and intervene in the population for the better.
372
897260
3000
και να παρέμβουμε στον πληθυσμό προς το καλύτερο.
15:00
Because these new technologies tell us
373
900260
2000
Επειδή αυτές οι νέες τεχνολογίες μας λένε
15:02
not just who is talking to whom,
374
902260
2000
όχι μόνο ποιος μιλά σε ποιον,
15:04
but where everyone is,
375
904260
2000
αλλά πού είναι ο καθένας,
15:06
and what they're thinking based on what they're uploading on the Internet,
376
906260
3000
και τι σκέφτονται με βάση τι ανεβάζουν στο διαδίκτυο,
15:09
and what they're buying based on their purchases.
377
909260
2000
και τι αγοράζουν με βάση τα ψώνια τους.
15:11
And all this administrative data can be pulled together
378
911260
3000
Και όλα αυτά τα διαχειριστικά δεδομένα μπορούν να συγκεντρωθούν
15:14
and processed to understand human behavior
379
914260
2000
και να επεξεργαστούν για να καταλάβουμε την ανθρώπινη συμπεριφορά
15:16
in a way we never could before.
380
916260
3000
με ένα τρόπο που ποτέ πριν δεν μπορούσαμε.
15:19
So, for example, we could use truckers' purchases of fuel.
381
919260
3000
Για παράδειγμα θα μπορούσαμε να χρησιμοποιήσουμε τις αγορές καυσίμων των φορτηγατζήδων.
15:22
So the truckers are just going about their business,
382
922260
2000
Έτσι οι φορτηγατζήδες απλώς κάνουν την δουλειά τους,
15:24
and they're buying fuel.
383
924260
2000
και αγοράζουν καύσιμα.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
926260
3000
Και εμείς βλέπουμε μια μικρή άνοδο στις αγορές καυσίμων των φορτηγατζήδων,
15:29
and we know that a recession is about to end.
385
929260
2000
και ξέρουμε ότι μια ύφεση βρίσκεται στο τέλος της.
15:31
Or we can monitor the velocity
386
931260
2000
Ή μπορούμε να καταγράψουμε την ταχύτητα
15:33
with which people are moving with their phones on a highway,
387
933260
3000
με την οποία οι άνθρωποι κινούνται με τα τηλέφωνά τους σε μια λεωφόρο,
15:36
and the phone company can see,
388
936260
2000
και η τηλεφωνική εταιρία μπορεί να δει,
15:38
as the velocity is slowing down,
389
938260
2000
καθώς η ταχύτητα μειώνεται,
15:40
that there's a traffic jam.
390
940260
2000
ότι υπάρχει ένα μποτιλιάρισμα.
15:42
And they can feed that information back to their subscribers,
391
942260
3000
Και μπορούν να προωθήσουν την πληροφορία στους συνδρομητές τους,
15:45
but only to their subscribers on the same highway
392
945260
2000
αλλά μόνο στους συνδρομητές αυτούς που βρίσκονται στον ίδιο αυτοκινητόδρομο
15:47
located behind the traffic jam!
393
947260
2000
και μάλιστα πίσω από το μποτιλιάρισμα!
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
949260
3000
Ή μπορούμε να παρακολουθήσουμε τις συμπεριφορές συνταγογράφησης των γιατρών, παθητικά,
15:52
and see how the diffusion of innovation with pharmaceuticals
395
952260
3000
και να δούμε πώς η διάχυση καινοτομίας με τα φάρμακα
15:55
occurs within [networks of] doctors.
396
955260
2000
συμβαίνει μέσα στα [δίκτυα των] γιατρών.
15:57
Or again, we can monitor purchasing behavior in people
397
957260
2000
Ή πάλι, μπορούμε να καταγράψουμε την αγοραστική συμπεριφορά σε ανθρώπους,
15:59
and watch how these types of phenomena
398
959260
2000
και να παρακολουθήσουμε πώς αυτοί οι τύποι φαινομένων
16:01
can diffuse within human populations.
399
961260
3000
μπορούν να διαχυθούν μέσα στους ανθρώπινους πληθυσμούς.
16:04
And there are three ways, I think,
400
964260
2000
Και υπάρχουν τρεις τρόποι, νομίζω,
16:06
that these massive-passive data can be used.
401
966260
2000
που μπορούν να χρησιμοποιηθούν αυτά τα μαζικά-παθητικά δεδομένα.
16:08
One is fully passive,
402
968260
2000
Ο ένας είναι εντελώς παθητικά,
16:10
like I just described --
403
970260
2000
όπως μόλις περιέγραψα --
16:12
as in, for instance, the trucker example,
404
972260
2000
όπως, για παράδειγμα, στο παράδειγμα των φορτηγατζήδων,
16:14
where we don't actually intervene in the population in any way.
405
974260
2000
όπου στην πραγματικότητα δεν παρεμβαίνουμε στον πληθυσμό με κανένα τρόπο.
16:16
One is quasi-active,
406
976260
2000
Ένας είναι ημι-ενεργητικός,
16:18
like the flu example I gave,
407
978260
2000
όπως το παράδειγμα της γρίπης που παρουσίασα,
16:20
where we get some people to nominate their friends
408
980260
3000
όπου πείθουμε κάποιους ανθρώπους να ονομάσουν τους φίλους τους
16:23
and then passively monitor their friends --
409
983260
2000
και μετά παθητικά παρακολουθούμε τους φίλους τους --
16:25
do they have the flu, or not? -- and then get warning.
410
985260
2000
έχουν τη γρίπη, ή όχι - και μετά παίρνουμε την προειδοποίηση.
16:27
Or another example would be,
411
987260
2000
Ή ένα άλλο παράδειγμα θα ήταν,
16:29
if you're a phone company, you figure out who's central in the network
412
989260
3000
αν ήσασταν μια εταιρεία τηλεφωνίας, θα καταλαβαίνατε ποιοι είναι κεντρικοί στο δίκτυο,
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
992260
3000
και θα τους ρωτούσατε, «Θα μας στέλνετε σε μήνυμα για τη θερμοκρασία σας κάθε μέρα;
16:35
Just text us your temperature."
414
995260
2000
Απλώς στείλτε μας τη θερμοκρασία σας».
16:37
And collect vast amounts of information about people's temperature,
415
997260
3000
Και θα συγκεντρώνατε τεράστιες ποσότητες πληροφοριών για τη θερμοκρασία των ανθρώπων,
16:40
but from centrally located individuals.
416
1000260
2000
αλλά από κεντρικά τοποθετημένα άτομα.
16:42
And be able, on a large scale,
417
1002260
2000
Και θα μπορούσατε, σε μεγάλη κλίμακα,
16:44
to monitor an impending epidemic
418
1004260
2000
να παρακολουθείσετε μια επικείμενη επιδημία
16:46
with very minimal input from people.
419
1006260
2000
με πολύ λιγες καταχωρήσεις από ανθρώπους.
16:48
Or, finally, it can be more fully active --
420
1008260
2000
Ή, τέλος, μπορεί να είναι εντελώς ενεργητικά --
16:50
as I know subsequent speakers will also talk about today --
421
1010260
2000
όπως γνωρίζω οι επόμενοι ομιλητές θα μιλήσουν επίσης γι' αυτό σήμερα --
16:52
where people might globally participate in wikis,
422
1012260
2000
όπου άνθρωποι θα μπορούσαν παγκοσμίως να συμμετέχουν σε wikis,
16:54
or photographing, or monitoring elections,
423
1014260
3000
ή φωτογραφίζοντας ή καταγράφοντας εκλογές,
16:57
and upload information in a way that allows us to pool
424
1017260
2000
και να ανεβάζουν πληροφορίες με ένα τρόπο που μας επιτρέπει να συγκεντρώσουμε
16:59
information in order to understand social processes
425
1019260
2000
πληροφορίες για να καταλάβουμε κοινωνικές διαδικασίες
17:01
and social phenomena.
426
1021260
2000
και κοινωνικά φαινόμενα.
17:03
In fact, the availability of these data, I think,
427
1023260
2000
Στην πραγματικότητα, η διαθεσιμότητα αυτών των δεδομένων, νομίζω,
17:05
heralds a kind of new era
428
1025260
2000
κηρύττει ένα είδος νέας εποχής
17:07
of what I and others would like to call
429
1027260
2000
αυτού που εγώ και άλλοι θα θέλαμε να αποκαλέσουμε
17:09
"computational social science."
430
1029260
2000
«υπολογιστική κοινωνική επιστήμη».
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1031260
3000
Είναι κάπως όπως όταν ο Γαλιλαίος εφηύρε - ή, δεν εφηύρε --
17:14
came to use a telescope
432
1034260
2000
χρησιμοποίησε το τηλεσκόπιο
17:16
and could see the heavens in a new way,
433
1036260
2000
και μπορούσε να δει τους ουρανούς με ένα καινούργιο τρόπο,
17:18
or Leeuwenhoek became aware of the microscope --
434
1038260
2000
ή ο Λέβενχουκ έμαθε για το μικροσκόπιο --
17:20
or actually invented --
435
1040260
2000
ή στην πραγματικότητα το εφήυρε --
17:22
and could see biology in a new way.
436
1042260
2000
και μπορούσε να δει τη βιολογία με ένα νέο τρόπο.
17:24
But now we have access to these kinds of data
437
1044260
2000
Αλλά τώρα έχουμε πρόσβαση σε αυτά τα είδη πληροφοριών
17:26
that allow us to understand social processes
438
1046260
2000
που μας επιτρέπει να κατανοούμε κοινωνικές διαδικασίες
17:28
and social phenomena
439
1048260
2000
και κοινωνικά φαινόμενα
17:30
in an entirely new way that was never before possible.
440
1050260
3000
με έναν εντελώς νέο τρόπο που ποτέ πριν δεν ήταν δυνατό.
17:33
And with this science, we can
441
1053260
2000
Και με αυτή την επιστήμη, μπορούμε
17:35
understand how exactly
442
1055260
2000
να κατανοήσουμε πώς ακριβώς
17:37
the whole comes to be greater
443
1057260
2000
το όλον καταλήγει να γίνει σπουδαιότερο
17:39
than the sum of its parts.
444
1059260
2000
από το σύνολο των μερών του.
17:41
And actually, we can use these insights
445
1061260
2000
Και στην πραγματικότητα, μπορούμε να χρησιμοποιήσουμε αυτή την επίγνωση
17:43
to improve society and improve human well-being.
446
1063260
3000
για να βελτιώσουμε την κοινωνία και να βελτιώσουμε την ανθρώπινη ευημερία.
17:46
Thank you.
447
1066260
2000
Σας ευχαριστώ.
Σχετικά με αυτόν τον ιστότοπο

Αυτός ο ιστότοπος θα σας παρουσιάσει βίντεο στο YouTube που είναι χρήσιμα για την εκμάθηση της αγγλικής γλώσσας. Θα δείτε μαθήματα αγγλικών που διδάσκουν κορυφαίοι καθηγητές από όλο τον κόσμο. Κάντε διπλό κλικ στους αγγλικούς υπότιτλους που εμφανίζονται σε κάθε σελίδα βίντεο για να αναπαράγετε το βίντεο από εκεί. Οι υπότιτλοι μετακινούνται συγχρονισμένα με την αναπαραγωγή του βίντεο. Εάν έχετε οποιαδήποτε σχόλια ή αιτήματα, παρακαλούμε επικοινωνήστε μαζί μας χρησιμοποιώντας αυτή τη φόρμα επικοινωνίας.

https://forms.gle/WvT1wiN1qDtmnspy7