Nicholas Christakis: How social networks predict epidemics

نیکلاس چریستکیس: چطور شبکه‌های اجتماعی بیماری‌های همه گیر را پیش بینی‌ میکنند؟

Translator: Parastoo Mirghafouri Reviewer: Farnaz Saghafi

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

در ۱۰ سال گذشته ، من وقتم را صرف پیدا کردن اینکه

how and why human beings

چطور و چرا انسانها

assemble themselves into social networks.

از خودشان شبکه‌های اجتماعی می‌‌سازند.

And the kind of social network I'm talking about

شبکه اجتماعی که من در مورد آن صحبت میکنم

is not the recent online variety,

از این شبکه‌های اجتماعی که جدیدا در اینترنت پیدا شده نیست

but rather, the kind of social networks

بلکه، نوعی از شبکه اجتماعی است

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

که انسانها از صدها هزار سال پیش در اطراف خود درست میکردند

ever since we emerged from the African savannah.

از زمانی‌ که ما از قارهٔ آفریقا جدا شدیم.

So, I form friendships and co-worker

بنابراین من روابط بین دوستان ، همکاران

and sibling and relative relationships with other people

هم نژاد ها و خویشاوندان با سایر افراد را ترسیم میکنم.

who in turn have similar relationships with other people.

که هر یک از این افراد روابط مشابه ای با دیگران دارند

And this spreads on out endlessly into a distance.

و این روابط به صورت نامحدود در مسیری گسترش پیدا می کنند

And you get a network that looks like this.

و در نهایت شما شبکه ای نظیر این را میبینید

Every dot is a person.

هر نقطه‌ یک فرد هست

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

و هر خط بین آن ها نمایانگر روابط بین دو فرد است

different kinds of relationships.

انواع روابط مختلف

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

و در نهایت جامعه وسیعی از انسان ها به این صورت خواهیم داشت

in which we're all embedded.

که همه ما در آن حضور داریم.

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

من و همکارم، جیمز فلر برای مدتی است که در این رابطه مطالعه میکنیم

what are the mathematical, social,

تا ببینیم قوانین محاسباتی، اجتماعی

biological and psychological rules

بیولوژی و روانشناختی

that govern how these networks are assembled

حاکم بر این شبکه ها چه گونه شکل گرفته

and what are the similar rules

و قوانین مشترک برای شکل گیری این شبکه ها چیست

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

و چگونه بر زندگی ما تاثیر میگذارند

But recently, we've been wondering

اما اخیرا به این فکر افتادیم

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

که ببینیم چطور می شود از این اطلاعات طور دیگری استفاده کرد،

to actually find ways to improve the world,

و راهی برای بهتر شدن دنیا پیدا کرد.

to do something better,

کارهای بهتر انجام داد

to actually fix things, not just understand things.

تا در عمل بتوان مسائل را حل کرد، نه اینکه فقط مسائل را درک کرد

So one of the first things we thought we would tackle

بنابراین اولین چیزی که فکر کردیم میتوان از عهده اش بر آمد

would be how we go about predicting epidemics.

مسئله چگونگی پیش بینی بیماری های همه گیر بود

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

در حال حاضر وضعیت پیش بینی بیماری های همه گیر

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

اگر عضو یک مرکز کنترل دارو و یا یکی از افراد ملی باشید

is to sit in the middle where you are

به گونه ای است که باید منتظربمانید

and collect data

و اطلاعات جمع کنید

from physicians and laboratories in the field

از پزشکان و آزمایشگاه ها ی مرتبط

that report the prevalence or the incidence of certain conditions.

که شیوع یا بروز مسئله خاصی را گزارش میکنند

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

تعداد بسیار زیادی به بیماری خاصی تشخیص داده می شوند

or other patients have been diagnosed,

یا بیماران دیگری تشخیص داده می شوند

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

و همه این اطلاعات با کمی تاخیر در یک مکان جمع آوری می شوند

And if everything goes smoothly,

و اگر همه چیز خوب پیش برود

one to two weeks from now

یک تا دوهفته بعد

you'll know where the epidemic was today.

تازه می فهمید که بیماری همه گیر از کجا شروع شده

And actually, about a year or so ago,

حدودا یک سال پیش بود که

there was this promulgation

ایده ای رواج یافته بود

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

در رابطه با {روند آنفولانزای گوگل}، که با توجه به آنفولانزا

where by looking at people's searching behavior today,

و نحوه جست و جوی مردم

we could know where the flu --

میتوانیم بفهمیم که آنفولانزا کجا بوده

what the status of the epidemic was today,

و وضعیت همه گیری امروز چگونه بوده است

what's the prevalence of the epidemic today.

و شیوع این همه گیری به چه شکل بوده

But what I'd like to show you today

اما چیزی که من امروز قرار است به شما نشان دهم

is a means by which we might get

ابزاری است که از طریق آن

not just rapid warning about an epidemic,

نه تنها خیلی سریع در رابطه با یک بیماری همه گیر هشداردریافت میکنیم

but also actually

بلکه در حقیقت

early detection of an epidemic.

خیلی زود میتوان این بیماری همه گیر را شناسایی کرد

And, in fact, this idea can be used

و در واقع این ایده

not just to predict epidemics of germs,

فقط برای پیش بینی همه گیری میکروبها مناسب نیست

but also to predict epidemics of all sorts of kinds.

بلکه برای انواع همه گیری میتوان از آن استفاده کرد

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

برای مثال هر چیزی که از طریق اجتماع شیوع پیدا می کند

could be understood in this way,

میتواند از این طریق شناخته شود

from abstract ideas on the left

از موضوعات انتزاعی

like patriotism, or altruism, or religion

مانند وطن دوستی، نوع دوستی، یا مذهب گرفته

to practices

تا کارهایی مثل

like dieting behavior, or book purchasing,

رفتار غذایی، خرید کتاب

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

نوشیدن، کلاه ایمنی دوچرخه سواری و سایر کارهای ایمنی

or products that people might buy,

یا محصولاتی که مردم ممکن است بخرند

purchases of electronic goods,

خرید لوازم الکترونیکی

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

یا هرچیزی که در آن نوعی گسترش بین فردی وجود دارد

A kind of a diffusion of innovation

نوعی انتشار نوع آوری

could be understood and predicted

که همه این ها با استفاده از مکانیزمی که توضیح خواهم داد

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

قابل درک و قابل پیش بینی هستند

So, as all of you probably know,

پس از آنجایی که احتمالا همه شما میدانید

the classic way of thinking about this

شیوه کلاسیک فکر در رابطه با این موضوع

is the diffusion-of-innovation,

را انتشار نوآوری

or the adoption curve.

یا منحنی تصویب می نامند

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

در محور عمودی افرادی که مبتلا به بیماری شده اند نمایش داده شده

and on the X-axis, we have time.

و در محور افقی زمان

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

و در همان ابتدا افراد زیادی به بیماری آلوده نشده اند

and you get this classic sigmoidal,

و در اینجا یک منحنی هلالی شکل

or S-shaped, curve.

شبیه به حرف S داریم

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

و دلیل به وجود آمدن این شکل این است که در ابتدا

let's say one or two people

مثلا زمانی که یک یا دو نفر

are infected, or affected by the thing

آلوده یا مبتلا به بیماری شده اند

and then they affect, or infect, two people,

دو نفر دیگر را بیمار و مبتلا می کنند

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

و در عوض این دو نفر چهار، هشت، شانزده و همین طور افراد دیگر را مبتلا میسازند

and you get the epidemic growth phase of the curve.

و ما به مرحله رشد همه گیری منحنی خواهیم رسید

And eventually, you saturate the population.

و در نهایت یک جمعیت آلوده به بیماری می شود.

There are fewer and fewer people

با گذر زمان تعداد افرادی که قابل مبتلا کردن هستند

who are still available that you might infect,

کم تر و کم تر میشود

and then you get the plateau of the curve,

تا به پایان منحنی نزدیک می شویم

and you get this classic sigmoidal curve.

و به این منحنی هلالی شکل کلاسیک می رسیم

And this holds for germs, ideas,

و این منحنی برای میکروبها، ایده ها

product adoption, behaviors,

پذیرش محصول، رفتار

and the like.

و چیزهایی شبیه به این هم صادق است.

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

اما این چیزها به صورت تصادفی بین جمعیت ها انتشار پیدا نمیکنند

They actually diffuse through networks.

آن ها از طریق شبکه ها انتشار پیدا می کنند

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

زیرا همان طور که گفتم ما درون شبکه ها زندگی میکنیم

and these networks have a particular kind of a structure.

و این شبکه ها ویژگی های خاصی دارند

Now if you look at a network like this --

حالا اگر به شبکه ای مثل این نگاه کنید

this is 105 people.

۱۵۰ نفر میبینید

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

و یک سری خطوط... نقطه ها افراد هستند

and the lines represent friendship relationships.

و خطوط نماینگر روابط دوستانه

You might see that people occupy

ممکن است ببنید بعضی از افراد

different locations within the network.

نقاط مختلفی از شبکه را اشغال کردند

And there are different kinds of relationships between the people.

روابط مختلفی بین افراد وجود دارد

You could have friendship relationships, sibling relationships,

در اینجا روابط دوستی، خویشاوندی

spousal relationships, co-worker relationships,

روباط زناشوهری، روابط همکاری

neighbor relationships and the like.

روابط همسایه ای و شبیه به آن وجود دارد

And different sorts of things

و چیزهای مختلفی که

spread across different sorts of ties.

از طریق گره های مختلفی گسترش می یابد

For instance, sexually transmitted diseases

به عنوان مثال، بیماریهایی که از طریق روابط جنسی منتقل می شوند

will spread across sexual ties.

از طریق گره های روابط جنسی منتقل خواهند شد

Or, for instance, people's smoking behavior

یا مثلا رفتار سیگار کشیدن افراد

might be influenced by their friends.

ممکن است از دوستانشان تاثیر گرفته باشد

Or their altruistic or their charitable giving behavior

و یا رفتار هم نوع دوستی و کمک به خیریه

might be influenced by their coworkers,

از همکارانشان تاثیر گرفته باشد

or by their neighbors.

یا همسایه هایشان

But not all positions in the network are the same.

اما همه جایگاه های شبکه مثل هم نیستند

So if you look at this, you might immediately grasp

پس اگر به این نگاه کنید سریع متوجه می شوید که

that different people have different numbers of connections.

تعداد روابط افراد با یکدیگر متفاوت است.

Some people have one connection, some have two,

برخی افراد با یک نفر در ارتباط هستند برخی دیگر با دو نفر

some have six, some have 10 connections.

برخی با ۶ نفر و دیگری با ۱۰ نفر

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

و این تعداد روابط را " درجه گره "

or the number of connections that a node has.

یا " تعداد روابط گره " می گویند.

But in addition, there's something else.

اما نکته دیگری هم وجود دارد

So, if you look at nodes A and B,

اگر به گره های A و B نگاه کنید

they both have six connections.

هر دو با ۶ نفر در ارتباط هستند

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

اما اگر به این عکس شبکه به طور کلی از بالا نگاه کنید

you can appreciate that there's something very different

احساس میکنید چیزی متفاوت

about nodes A and B.

در رابطه با نقطه A و B وجود دارد.

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

پس بگذارید یک سوال بپرسم. با این سوال موضوع را بهتر میتوانم منتقل کنم.

who would you rather be

ترجیح می دهید کدام یک از این افراد باشید؟

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

اگر یک میکروب کشنده در حال گسترش در این شبکه بود؟ A یا B

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

شنونده ها: B نیکولاس چریستکیس: بله B، کاملا واضح است.

B is located on the edge of the network.

B در گوشه این شبکه قرار دارد.

Now, who would you rather be

حالا ترجیح می دهید کدام یک از این افراد باشید؟

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

وقتی یک شایعه داغ در حال گسترش در شبکه است.

A. And you have an immediate appreciation

A. شما نزدیک ترین فردی هستید که از او قدردانی می شود.

that A is going to be more likely

احتمال شنیدن خبر توسط A

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

بیش تر از بقیه است و خیلی زود متوجه خبر ها در شبکه می شود

by virtue of their structural location within the network.

به علت جای ساختاری اش درون شبکه

A, in fact, is more central,

A در واقع فردی مرکزی است.

and this can be formalized mathematically.

و این می تواند فرمول ریاضی داشته باشد.

So, if we want to track something

بنابراین اگر بخواهیم رد چیزی را بگیریم

that was spreading through a network,

که در شبکه در حال گسترش است

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

ایده الش این است که یک سری گیرنده

on the central individuals within the network,

به افراد مرکزی شبکه متصل کنیم.

including node A,

همچنین گره A

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

نظارت بر افرادی که در مرکز شبکه قرار دارند

and somehow get an early detection

و تا حدودی ردیابی به موقع

of whatever it is that is spreading through the network.

هر چیزی که درون شبکه در حال گسترش است.

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

بنابراین اگر دیدید که این افراد میکروب یا اطلاعاتی را دریافت کردند،

you would know that, soon enough,

متوجه خواهید شد که به زودی

everybody was about to contract this germ

همه افراد میکروب یا اطلاعات را

or this piece of information.

دریافت خواهند کرد

And this would be much better

و مسلما این کار خیلی بهتر از این است که

than monitoring six randomly chosen people,

روی ۶ نفر به صورت تصادفی و بدون رجوع به ساختار جمعیت

without reference to the structure of the population.

نظارت داشته باشیم.

And in fact, if you could do that,

نظارت داشته باشیم

what you would see is something like this.

چیزی که خواهید دید شبیه به این خواهد بود

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

در پنل سمت چپ دوباره منحنی جذبی شبیه به حرف S داریم

In the dotted red line, we show

خط قرمز نقطه نقطه نشان می دهد که

what the adoption would be in the random people,

جذب در انتخاب تصادفی افراد چگونه شکل می گیرد

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

و خط سمت راست که به سمت چپ حرکت کرده

we show what the adoption would be

نشان می دهد که جذب در مرکز افراد

in the central individuals within the network.

داخل شبکه چگونه صورت میگیرد

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

روی محور عمودی تجمع افرادی است که مورد سرایت قرار گرفته اند

and on the X-axis is the time.

و محور افقی زمان است

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

و در سمت راست اطلاعات مشابه ای میبینید

but here with daily incidence.

اما در اینجا همراه شیوع روزانه

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

و چیزی که اینجا میبینید مثل اینجاست

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

تعداد کمی مبتلا شده اند و بعد زیاد و زیادتر می شوند تا به اینجا می رسند

and here's the peak of the epidemic.

و اینجا نقطه اوج همه گیری است

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

اما سمت چپ اتفاقی است که برای افراد مرکزی می افتد

And this difference in time between the two

و این تفاوت زمان بین این دو

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

شناسایی و هشدار سریع تر را در رابطه با همه گیری احتمالی

about an impending epidemic

در یک جمعیت انسانی را

in the human population.

برای ما مهیا می سازد.

The problem, however,

با این وجود مشکل اینجاست که

is that mapping human social networks

ترسیم نقشه شبکه

is not always possible.

همیشه امکان پذیر نیست

It can be expensive, not feasible,

این کار بسیار پر هزینه است و عملی نیست.

unethical,

غیر اخلاقی است

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

یا اگر بخواهم رک بگویم اصلا امکان پذیر نیست.

So, how can we figure out

بنابراین چگونه می توانیم بفهمیم

who the central people are in a network

که چه کسانی در مرکز شبکه قرار دارند

without actually mapping the network?

آن هم بدون ترسیم نقشه شبکه

What we came up with

نتیجه ای که ما گرفتیم

was an idea to exploit an old fact,

این بود که از واقعیتی قدیمی

or a known fact, about social networks,

و حقیقتی شناخته شده در رابطه با شبکه های اجتماعی استفاده کنیم

which goes like this:

که این گونه مطرح می شود

Do you know that your friends

آیا میدانستید که

have more friends than you do?

دوستانتان از شما دوستان بیش تری دارند؟

Your friends have more friends than you do,

دوستانتان از شما دوستان بیش تری دارند،

and this is known as the friendship paradox.

این به عنوان پارادکس دوستی شناخته می شود

Imagine a very popular person in the social network --

فردی بسیار اجتماعی را در یک شبکه اجتماعی در نظر بگیرید

like a party host who has hundreds of friends --

مثل یک میزبانی که صد نفر مهمان دارد

and a misanthrope who has just one friend,

و یک مردم گریز که فقط یک دوست دارد

and you pick someone at random from the population;

و شما یک فرد را به صورت تصادفی از جمعیت انتخاب میکنید

they were much more likely to know the party host.

احتمال اینکه میزبان را بشناسند خیلی بیش تر است

And if they nominate the party host as their friend,

و اگر میزبان مهمانی را به عنوان دوست خود انتخاب کنند

that party host has a hundred friends,

آن میزبان صد دوست خواهد داشت

therefore, has more friends than they do.

بنابراین او دوستان بیش تری نسبت به سایر افراد خواهد داشت

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

و در اصل این چیزی است که به عنوان پارادکس دوستی شناخته میشود

The friends of randomly chosen people

دوستان افرادی که به طور تصادفی انتخاب شده اند

have higher degree, and are more central

درجه بیش تری دارند و نسبت به خود افرادی که تصادفی انتخاب شده اند

than the random people themselves.

مرکزی تر هستند

And you can get an intuitive appreciation for this

اگر تنها افراد پیرامون شبکه را تصور کنید

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

میتوانید درک بصری نسبت به این موضوع داشته باشید

If you pick this person,

اگر این فرد را انتخاب کنید

the only friend they have to nominate is this person,

تنها فردی که او می تواند به عنوان دوستش انتخاب کند این فرد است

who, by construction, must have at least two

که از نظر ساختاری باید حداقل به طور معمول دو دوست

and typically more friends.

یا تعداد بیش تری دوست داشته باشد

And that happens at every peripheral node.

و این روند پیرامون هر گره رخ می دهد

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

و در واقع این روند در تمام شبکه ها رخ می دهد.

everyone you pick, when they nominate a random --

وقتی داخل شبکه می شوید هر فردی که انتخاب میکنید

when a random person nominates a friend of theirs,

وقتی یک فرد تصادفی، یکی از دوستانش را انتخاب میکند

you move closer to the center of the network.

به مرکز شبکه نزدیک تر می شوید

So, we thought we would exploit this idea

بنابراین فکر کردیم می توانیم این ایده را به کار گیریم

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

تا ببینیم آیا می شود پدیده ها را داخل شبکه ها پیش بینی کرد

Because now, with this idea

زیرا الان با این ایده

we can take a random sample of people,

می توانیم یک نمونه تصادفی از مردم را انتخاب کنیم

have them nominate their friends,

و از آن ها بخواهیم که دوستانشان را مشخص کنند

those friends would be more central,

دوستانشان مرکزی تر خواهند بود

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

و می توانیم این کار را بدون ترسیم نقشه شبکه انجام دهیم

And we tested this idea with an outbreak of H1N1 flu

این ایده را در مورد شیوع آنفولانزای H1N1 در یکی از دانشکده های هاروارد

at Harvard College

مورد آزمایش قرار دادیم.

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

زمستان سال ۲۰۰۹ یعنی چند ماه پیش

We took 1,300 randomly selected undergraduates,

هزارو سیصد دانشجو را به صورت تصادفی انتخاب کردیم

we had them nominate their friends,

از آن ها خواستیم تا دوستانشان را معرفی کنند

and we followed both the random students and their friends

و هر روز هم افراد تصادفی و هم دوستانشان را

daily in time

دنبال کردیم.

to see whether or not they had the flu epidemic.

تا ببینیم که آیا مبتلا به همه گیری آنفولانزا شده اند یا خیر.

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

و با توجه به اینکه آیا دانشجویان به خدمات درمانی دانشگاه مراجعه کرده بودند یا خیر این کار را به صورت غیر مستقیم انجام دادیم

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

و همچنین از آن ها خواستیم چند بار در هفته تا به صورت مستقیم از طریق ایمیل با ما در ارتباط باشند

Exactly what we predicted happened.

درست همان چیزی اتفاق افتاد که انتظار داشتیم.

So the random group is in the red line.

گروه تصادفی روی خط قرمز نشان داده شده

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

و همه گیری در گروه دوستان به سمت چپ حرکت کرده

And the difference in the two is 16 days.

و تفاوت بین این دو شانزده روز است

By monitoring the friends group,

با مشاهده گروه دوستان

we could get 16 days advance warning

میتوانیم شانزده روز زودتر

of an impending epidemic in this human population.

از یک همه گیری که در شرف وقوع در یک جمعیت انسانی است با خبر شویم.

Now, in addition to that,

علاوه بر این

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

اگر شما یک تحلیل گری بودید که در مورد همه گیری مطالعه می کردید

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

یا حتی در مورد پیش بینی جذب یک محصول تحقیق می کردید

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

کاری که می توانید انجام دهید این است که یک نمونه تصادفی از جمعیت را انتخاب کنید

also have them nominate their friends and follow the friends

و از آن ها بخواهید که دوستانشان را معرفی کنند و سپس آن ها را دنبال کنید

and follow both the randoms and the friends.

هم افراد تصادفی را دنبال کنید و هم دوستانشان را

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

در بین دوستان اولین مدرک بالای صفری که روی صفحه نمودار مشاهده کردید

in adoption of the innovation, for example,

مثلا در جذب نوآوری

would be evidence of an impending epidemic.

مدرکی است از یک همه گیری قریب الوقوع

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

یا اولین باری که دیدید دو منحنی از هم دور می شوند

as shown on the left.

همان طور که سمت چپ نشان داده شده

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

زمانی که نمونه های تصادفی -- زمانی که دوستان افزایش می بایند

and leave the randoms,

و از نمونه تصادفی بالاتر می روند

and [when did] their curve start shifting?

و منحنی آن ها شروع به حرکت میکند

And that, as indicated by the white line,

که اینجا با خط سفید نشان داده شده

occurred 46 days

چهل و شش روز

before the peak of the epidemic.

قبل از اینکه به اوج همه گیری برسیم این اتفاق افتاده

So this would be a technique

پس این تکنیکی است که توسط آن

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

می توانیم از شیوع یک آنفولانزای همه گیر

about a flu epidemic in a particular population.

در یک جمعیت جلوگیری کنیم

I should say that

باید بگویم که

how far advanced a notice one might get about something

میزان پیشرفته بودن اخطاری که یک نفر در مورد چیزی می تواند دریافت کند

depends on a host of factors.

بستگی به عوامل زیادی دارد.

It could depend on the nature of the pathogen --

ممکن است با توجه به نوع بیماری

different pathogens,

بیماری های متفاوت

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

با استفاده از این تکنیک هشدار های متفاوتی اعلام کنند،

or other phenomena that are spreading,

یا حتی اتفاقات دیگری که در حال وقوع است یا

or frankly, on the structure of the human network.

اگر بخواهمم رک بگویم در ساختار یک شبکه انسانی.

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

حالا در مورد ما با وجود اینکه لازم نبود اما

we could also actually map the network of the students.

نقشه شبکه دانشجویان را ترسیم کردیم.

So, this is a map of 714 students

این نقشه ۷۱۴ دانشجو و

and their friendship ties.

گره های دوستانشان است.

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

حالا در یک دقیقه میخواهم این نقشه را به حرکت در آورم

We're going to take daily cuts through the network

و تغییرات روزانه شبکه را

for 120 days.

در ۱۲۰ روز نشان دهم.

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

نقاط قرمز نمایانگر افرادی مبتلا به آنفولانزا هستند

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

و نقاط زرد نمایانگر دوستان افرادی است که مبتلا به آنفولانزا هستند

And the size of the dots is going to be proportional

سایز نقطه ها متناسب با

to how many of their friends have the flu.

تعداد دوستانی است که از یک نفر آنفولانزا گرفته اند.

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

پس هر چه نقطه بزرگتر باشد نشان دهنده این است که تعداد بیش تری از دوستانتان به آنفولاتزا مبتلا هستند.

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

و اگر به این تصویر نگاه کنید، اینجا در سیزدهم سپتامبر هستیم

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

تعداد کسانی که مبتلا به آنفولانزا هستند کم است

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

اینجا گسترش آنفولانزا را در میانه شبکه میبینید

Here we are on October the 19th.

اینجا ۱۹ اکتبر است.

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

در نوامبر به شیب منحنی همه گیری نزدیک می شویم.

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

بنگ بنگ بنگ ، حالا تعداد زیادی نقطه در مرکز شبکه میبینید

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

و در اینحا مقداری کاهش در شیوع آنفولانزا میبینید

fewer and fewer cases towards the end of December.

و تا پایان دسامبر روز به روز تعداد کم تر می شود

And this type of a visualization

و این نوع تصویر سازی

can show that epidemics like this take root

نشان می دهد که این نوع همه گیری ها مرکز را نشانه میگیرند

and affect central individuals first,

و افراد مرکزی را

before they affect others.

قبل از دیگران تحت تاثیر قرار می دهند

Now, as I've been suggesting,

حالا همان طور که پیشنهاد دادم

this method is not restricted to germs,

این روش تنها به میکروب ها محدود نمیشود.

but actually to anything that spreads in populations.

و روی هر چیزی که در یک جمعیت پخش می شود تاثیر گذار است

Information spreads in populations,

اطلاعات در جمعیت پخش می شود

norms can spread in populations,

هنجار ها در جمعیت پخش می شوند

behaviors can spread in populations.

رفتار ها در جمعیت پخش می شوند

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

و منظور من از رفتار می تواند چیزهایی مثل اخلاق مجرمانه

or voting behavior, or health care behavior,

رفتار انتخاباتی، یا رفتار های مربوط به سلامتی

like smoking, or vaccination,

مثل سیگار کشیدن یا واکسیناسیون

or product adoption, or other kinds of behaviors

جذب محصول یا هر نوع رفتار دیگری

that relate to interpersonal influence.

که مربوط به تاثیرات درون فردی می شود.

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

اگر من قرار است کاری انجام دهم که افراد کنار من را تحت تاثیر قرار دهد

this technique can get early warning or early detection

این تکنیک می تواند زودتر هشدار دهد

about the adoption within the population.

و جذب در یک جکعیت را زودتر شناسایی کند

The key thing is that for it to work,

نکته اصلی برای این کار این است که

there has to be interpersonal influence.

باید تاثیرات درون فردی حتما وجود داشته باشد

It cannot be because of some broadcast mechanism

صرفا با یک مکانیزم انتشاری نمی توان همه را

affecting everyone uniformly.

به طور یکسان تحت تاثیر قرار داد

Now the same insights

حالا برداشتی مشابه

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

با توجه به شبکه می توان داشت

can also be exploited in other ways,

البته برداشتی متفاوت نیز می توان داشت.

for example, in the use of targeting

برای مثال،در مورد مداخله های گروهی

specific people for interventions.

برای تغییر یک نفر خاص

So, for example, most of you are probably familiar

برای مثال اکثر شما با

with the notion of herd immunity.

شعار ایمنی جامعه آشنا هستید

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

و اگر بخواهیم این جمعیت را

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

از یک بیماری محفوظ کنیم

we don't have to immunize every single person.

لازم نیست که همه افراد را در برابر بیماری مقاوم سازیم

If we immunize 960 of them,

اگر ۹۶۰ نفر را واکسینه کنیم

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

انگار صد در صد افراد را مقاوم کردیم

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

زیرا اگر حتی یک یا دو نفر از افراد واکسینه نشده مبتلا به بیماری شوند

there's no one for them to infect.

دیگر کسی نیست که به بیماری مبتلا شود

They are surrounded by immunized people.

آنها توسط افراد واکسینه شده احاطه شده اند

So 96 percent is as good as 100 percent.

بنابراین ۹۶ درصد به خوبی ۱۰۰ درصد عمل میکند

Well, some other scientists have estimated

برخی از دانشمندان تخمین زده اند

what would happen if you took a 30 percent random sample

اگر ۳۰ درصد از جمعیت ۱۰۰۰ تایی را تصادفی انتخاب کنید

of these 1000 people, 300 people and immunized them.

و این ۳۰۰ نفر را واکسینه کنیم چه اتفاقی خواهد افتاد

Would you get any population-level immunity?

آیا ایمن سازی سطحی جمعیت خواهیم داشت؟

And the answer is no.

جواب خیر است

But if you took this 30 percent, these 300 people

اما اگر شما این ۳۰۰ نفر را انتخاب کنید

and had them nominate their friends

و از آن ها بخواهید که دوستانشان را معرفی کنند

and took the same number of vaccine doses

و از آن ها بخواهید که دوستانشان را معرفی کنند

and vaccinated the friends of the 300 --

و دوستان این ۳۰۰ نفر را نیز

the 300 friends --

واکسینه کنید

you can get the same level of herd immunity

همان میزان ایمنی جامعه را خواهیم داشت

as if you had vaccinated 96 percent of the population

انگار که ۹۶ درصد جمعیت را با همان تاثیر

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

واکسینه کرده اید به علاوه بودجه نیز به مقدار زیادی کاهش می یابد.

And similar ideas can be used, for instance,

ایده های مشابهی میتواند مورد استفاده قرار گیرد، مثلا

to target distribution of things like bed nets

هدف قرار دادن توزیع پشه بند

in the developing world.

هدف قرار دادن توزیع پشه بند

If we could understand the structure of networks in villages,

اگر بتوانیم ساختار شبکه های روستاها را درک کنیم

we could target to whom to give the interventions

متوجه خواهیم شد در کار چه کسی می توانیم مداخله کنیم

to foster these kinds of spreads.

تا این نوع شیوع را پرورش دهیم.

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

یا اگر رک بخواهم بگویم برای تبلیغ هر نوع محصولی

If we could understand how to target,

اگر بفهمیم که چه طور باید مورد هدف قرار دهیم

it could affect the efficiency

روی کارایی آنچه سعی در به دست آوردنش داریم

of what we're trying to achieve.

اثر خواهد گذاشت

And in fact, we can use data

در واقع می توانیم از همه داده های

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

منابع امروز برای انجام این کار استفاده کنیم

This is a map of eight million phone users

این نقشه 8 میلیون از کاربران موبایل

in a European country.

در کشورهای اروپایی است

Every dot is a person, and every line represents

هر نقطه نشانگر یک فرد است و هر خط نمایانگر

a volume of calls between the people.

میزان تماس های برقرار شده بین افراد

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

می توانیم از چنین داده هایی که به صورت غیر مستقیم به دست آمده است استفاده کنیم

to map these whole countries

تا نقشه همه کشور را ترسیم کنیم

and understand who is located where within the network.

و بفهمیم که هر فردی بدون نیاز به تحقیق و پرس و جوی مستقیم

Without actually having to query them at all,

کجای این شبکه قرار گرفته است

we can get this kind of a structural insight.

و نوع ساختار درونی این ارتباطات را کشف خواهیم کرد

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

سایر منابع اطلاعاتی که در این رابطه موجود است

are available about such features, from email interactions,

از تعاملات ایمیلی گرفته تا

online interactions,

تعاملات آنلاین،

online social networks and so forth.

شبکه های اجتماعی آنلاین و غیره.

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

در واقع در دوره ای قرار داریم که من آن را

"massive-passive" data collection efforts.

تلاش برای جمع آوری داده عظیم و غیر مستقیم می نامم.

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

همه این ها روش هایی غیر مستقیم برای جمع آوری داده هستند

to create sensor networks

تا شبکه ای حساس بسازیم

to follow the population,

که به وسیله آن بتوان جمعیت را دنبال کرد

understand what's happening in the population,

و فهمید که چه اتفاقی در جمعیت در حال رخ دادن است

and intervene in the population for the better.

و بتوان در جمعیت مداخله و وضعیت را بهبود بخشید

Because these new technologies tell us

زیرا این تکنولوژی های جدید نه تنها می گوید

not just who is talking to whom,

چه کسی با چه کسی صحبت میکند

but where everyone is,

بلکه میگوید که هرنفر دقیقا کجاست

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

و با توجه به مطالبی که آپلود می کنند متوجه میشویم که به چه چیزی فکر می کنند

and what they're buying based on their purchases.

و چه خرید هایی انجام می دهند

And all this administrative data can be pulled together

و می تواند همه این داده های اداری را یک جا جمع

and processed to understand human behavior

و پردازش کرد تا بتوان رفتار های انسانی را طوری فهمید

in a way we never could before.

که تا کنون نمیتوانستیم

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

بنابراین می توانیم به عنوان مثال از خرید سوخت راننده های کامیون استفاده کنیم

So the truckers are just going about their business,

راننده های کامیون در کارشان

and they're buying fuel.

سوخت می خرند

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

و وقتی روی نمودار خرید سوخت راننده های کامیون افزایشی دیدیم

and we know that a recession is about to end.

می فهمیم که بحران اقتصادی در حال از بین رفتن است

Or we can monitor the velocity

یا می توانیم سرعت مردم در بزرگراه ها را

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

با استفاده از تلفن همراهشان نظارت کنیم

and the phone company can see,

و شرکت تلفن همراه می تواند ببیند

as the velocity is slowing down,

که به محض اینکه سرعت پایین می آید

that there's a traffic jam.

راننده به ترافیک رسیده است

And they can feed that information back to their subscribers,

و می توانند از این اطلاعات مشترکین خود استفاده کنند

but only to their subscribers on the same highway

البته فقط مشترکینی که در همان بزرگراه هستند

located behind the traffic jam!

و پشت ترافیک قرار دارند

Or we can monitor doctors prescribing behaviors, passively,

یا حتی می توانیم نحوه نسخه نوشتن پزشکان را به طور غیر مستقیم نظارت کنیم

and see how the diffusion of innovation with pharmaceuticals

و ببینیم که انتشار نوآوری در مورد داروها

occurs within [networks of] doctors.

در شبکه پزشکان چگونه رخ می دهد

Or again, we can monitor purchasing behavior in people

همین طور می توانیم رفتار خرید مردم را نظارت کنیم

and watch how these types of phenomena

و ببینیم این نوع پدیده ها چگونه

can diffuse within human populations.

در بین جمعیت پخش می شود

And there are three ways, I think,

و به نظر من سه راه برای

that these massive-passive data can be used.

استفاده از این داده های عظیم و غیرمستقیم وجود دارد

One is fully passive,

یکی از این مثال ها

like I just described --

کاملا غیر مستقیم بود

as in, for instance, the trucker example,

مثل نمونه راننده های کامیون

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

که ما در حقیقت هیچ ارتباطی با جمعیت نداریم

One is quasi-active,

یکی از این مثال ها نیمه مستقیم بود

like the flu example I gave,

مثل مثال آنفولانزا

where we get some people to nominate their friends

که از برخی افراد می خواهیم که دوستانشان را معرفی کنند

and then passively monitor their friends --

و غیر مستقیم دوستانشان را نظارت می کنیم

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

آیا آنفولانزا گرفته اند یا خیر؟ سپس هشدار می دهیم

Or another example would be,

یا مثلا

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

اگر یک شرکت مخابراتی هستید، میفهمید که چه افرادی در مرکز این شبکه قرار دارند

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

و به آن افراد می گویید: ممکن است هر روز درجه حرارت بدنتان را برایمان بفرستید؟

Just text us your temperature."

فقط کافیه دما را برایمان پیامک کنید

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

و اطلاعات وسیعی در رابطه با درجه حرارت بدن افراد کسب خواهید کرد

but from centrally located individuals.

اما تنها از طریق افرادی که در مرکز شبکه قرار دارند

And be able, on a large scale,

و می توانید درمقیاس وسیعی

to monitor an impending epidemic

با استفاد از کم ترین میزان دریافتی از مردم

with very minimal input from people.

گسترش همه گیری یک بیماری رانظارت کنید

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

یا در نهایت می تواند کاملا مستقیم باشد

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

مثلا من می دانم که امروز سخنران های بعدی راجع به امروز صحبت خواهند کرد

where people might globally participate in wikis,

و همان طور که مردم ممکن است به طور جهانی در اموری مثل ویکی ها

or photographing, or monitoring elections,

عکاسی و نظارت بر انتخابات شرکت کنند

and upload information in a way that allows us to pool

و اطلاعاتی را آپلود کنند که به ما اجازه دهد

information in order to understand social processes

اطلاعات را یک جا جمع کنیم تا روند اجتماعی و

and social phenomena.

پدیده های اجتماعی را بفهمیم

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

در واقع من فکر می کنم که در دسترس بودن این داده ها

heralds a kind of new era

خبر از یک عصر جدید در

of what I and others would like to call

در چیزی دارد که من و دیگران آن را

"computational social science."

علوم اجتماعی محاسباتی می نامیم

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

این تقریبا شبیه به وقتی است که گالیله اختراع کرد -- یا اختراع نکرد

came to use a telescope

بلکه تصمیم گرفت از تلسکوپ استفاده کند

and could see the heavens in a new way,

و توانست آسمان را طور دیگری نگاه کند

or Leeuwenhoek became aware of the microscope --

یا لئوهنوک از وجود میکروسکوپ باخبر شد

or actually invented --

یا در واقع میکروسکوپ را اختراع کرد

and could see biology in a new way.

تا توانست زیست شناسی را طور دیگری نگاه کند

But now we have access to these kinds of data

اما حالا ما به همه این نوع داده ها دسترسی داریم

that allow us to understand social processes

که به ما این امکان را می دهد که روند اجتماعی

and social phenomena

و پدیده های اجتماعی را درک کنیم

in an entirely new way that was never before possible.

طوری که هیچ وقت برای ما امکان پذیر نبود

And with this science, we can

و با استفاده از این علم

understand how exactly

می توانیم بفهمیم که

the whole comes to be greater

دقیقا چطور کل بهتر است از

than the sum of its parts.

جمع همه تکه ها

And actually, we can use these insights

و در واقع می توانیم از این بینش استفاده کنیم

to improve society and improve human well-being.

تا شرایط جامعه و انسان ها را بهبود بخشیم

Thank you.

متشکرم