Nicholas Christakis: How social networks predict epidemics

Fordító: Bíborka Szántó Lektor: Laszlo Kereszturi

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

Az utóbbi tíz évben annak a kérdésnek a megválaszolásával foglalkoztam,

how and why human beings

hogy az emberek miért és hogyan

assemble themselves into social networks.

szerveződnek közösségi hálózatokba.

And the kind of social network I'm talking about

Amikor közösségi hálózatról beszélek, nem a

is not the recent online variety,

nemrég megjelent online változatára gondolok,

but rather, the kind of social networks

hanem azokra a közösségi hálózatokra,

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

amelyekbe az emberek több százezer éve szerveződnek,

ever since we emerged from the African savannah.

azóta, amióta az ember afrikai szavannákon megjelent.

So, I form friendships and co-worker

Tehát az ember baráti, munkatársi

and sibling and relative relationships with other people

testvéri és rokoni kapcsolatokat alakít ki más emberekkel,

who in turn have similar relationships with other people.

akik maguk is hasonló kapcsolatokat létesítenek.

And this spreads on out endlessly into a distance.

Ez pedig végtelenbe nyúlik.

And you get a network that looks like this.

Így egy olyan hálózat alakul ki, ami a következőképpen néz ki.

Every dot is a person.

Minden pont egy-egy személy.

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

A pontok közötti vonalak a két ember közötti kapcsolatot jelölik --

different kinds of relationships.

különböző kapcsolatokat.

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

Így kialakul ez a hatalmas emberiség szövevény,

in which we're all embedded.

amelybe mindannyian be vagyunk ágyazva.

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

A kollégám, James Fowler és én, már egy jó ideje vizsgáljuk,

what are the mathematical, social,

hogy melyek azok a matematikai, társadalmi,

biological and psychological rules

biológiai és pszichológiai szabályszerűségek,

that govern how these networks are assembled

amelyek ezeknek a hálózatoknak a felépítését meghatározzák,

and what are the similar rules

és azt, hogy melyek azok a hasonló szabályok,

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

amelyek a működésüket meghatározzák, és ezek miként befolyásolják az életünket.

But recently, we've been wondering

Nemrégiben felmerült bennünk az a kérdés, hogy

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

vajon előnyt lehetne-e kovácsolni a kutatási eredményeinkből,

to actually find ways to improve the world,

hozzásegíthetnek-e ezek a világ fejlődéséhez,

to do something better,

hogy jobbá tegyünk dolgokat,

to actually fix things, not just understand things.

hogy ne csupán megértsünk dolgokat, hanem jobbá is tegyük azokat.

So one of the first things we thought we would tackle

Az egyik első dolog, amire gondoltunk az volt,

would be how we go about predicting epidemics.

hogy miként jelezzük előre a járványokat.

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

A dolgok mai állása szerint a járványok előrejelzése --

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

CDC-ként vagy más országos szervezetként --

is to sit in the middle where you are

úgy történik, hogy ott, ahol éppen tartózkodsz,

and collect data

adatokat gyűjtesz

from physicians and laboratories in the field

a szakavatott orvosoktól, illetve laboratóriumoktól,

that report the prevalence or the incidence of certain conditions.

amelyek beszámolnak bizonyos betegségek előfordulásáról, gyakoriságáról.

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

Ilyen és ilyen pácienseket valamilyen betegséggel diagnosztizálták [itt],

or other patients have been diagnosed,

más betegeket más betegséggel diagnosztizáltak [ott],

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

és ezek az adatok egy központi összesítő rendszerbe kerülnek, bizonyos időbeli eltolódással.

And if everything goes smoothly,

Ha minden simán megy,

one to two weeks from now

egy-két héten belül

you'll know where the epidemic was today.

kiderül, hogy a járvány hol tartott ma.

And actually, about a year or so ago,

Mintegy egy évvel ezelőtt

there was this promulgation

nyilvánosságra hozták

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

a Google Influenza Tendenciák ötletét, az influenzára vonatkozóan,

where by looking at people's searching behavior today,

amely keretében az emberek Google keresési szokásait vizsgálva

we could know where the flu --

rá lehet jönni, hogy az influenza hol ...

what the status of the epidemic was today,

mi volt a járvány helyzete ma,

what's the prevalence of the epidemic today.

mekkora volt az előfordulási gyakorisága ma.

But what I'd like to show you today

Ma azt szeretném megmutatni önöknek,

is a means by which we might get

hogy létezik egy olyan módszer, amellyel nemcsak

not just rapid warning about an epidemic,

gyors figyelmeztetést kaphatunk egy járványról,

but also actually

hanem lényegében

early detection of an epidemic.

a járvány nagyon korán kimutatható.

And, in fact, this idea can be used

Ez a módszer nemcsak arra alkalmas, hogy

not just to predict epidemics of germs,

a baktériumok által okozott járványokat előrejelezze,

but also to predict epidemics of all sorts of kinds.

hanem arra is, hogy bármilyen fajta járványt megjósoljon.

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

Például, bármi, ami társadalmi érintkezéssel terjed,

could be understood in this way,

megérthető ily módon,

from abstract ideas on the left

az absztrakt gondolatoktól, balra,

like patriotism, or altruism, or religion

mint például a hazaszeretet, az altruizmus, a vallás

to practices

az olyan gyakorlatokig, mint például

like dieting behavior, or book purchasing,

a fogyókúrázás vagy könyvvásárlás,

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

alkoholfogyasztás, védősisak-viselés vagy egyéb biztonsági viselkedésmódok,

or products that people might buy,

vagy vásárlási szokások,

purchases of electronic goods,

elektronikai termékek vásárlása,

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

bármi, ami személyek között terjedhet.

A kind of a diffusion of innovation

Az innováció terjedése

could be understood and predicted

megérthető és előrejelezhető

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

azzal a mechanizmussal, amit bemutatok most önöknek.

So, as all of you probably know,

Ahogyan talán mindannyian tudják,

the classic way of thinking about this

klasszikusan erről az

is the diffusion-of-innovation,

innováció-diffúzióval

or the adoption curve.

vagy az ún. elfogadási görbével gondolkodnak.

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

Itt, az Y tengelyen található az érintett személyek aránya,

and on the X-axis, we have time.

az X tengelyen pedig az idő látható.

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

Az elején nem túl sok ember érintett,

and you get this classic sigmoidal,

a klasszikus szigmoid,

or S-shaped, curve.

S-alakú görbét látjuk.

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

A görbe oka, hogy a legeslegelején

let's say one or two people

mondjuk egy-két ember

are infected, or affected by the thing

érintett vagy fertőzött,

and then they affect, or infect, two people,

majd megérint vagy megfertőz két személyt,

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

akik maguk is átadják még 4, 8 majd 16 személynek, és így tovább,

and you get the epidemic growth phase of the curve.

amíg megkapjuk a járvány terjedésének növekedési görbéjét.

And eventually, you saturate the population.

És így tovább, amíg az egész népesség megfertőződik.

There are fewer and fewer people

Egyre kevesebb ember van, aki

who are still available that you might infect,

még nem érintett, és aki megfertőzhető,

and then you get the plateau of the curve,

majd a görbe plafonizálódik,

and you get this classic sigmoidal curve.

és az eredmény ez a klasszikus szigmoid görbe lesz.

And this holds for germs, ideas,

Ez érvényes a baktériumokra, a gondolatokra,

product adoption, behaviors,

a termékelfogadásra, a viselkedés-terjedésre,

and the like.

és hasonlókra.

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

De a dolgok nem véletlenszerűen terjednek az emberi populációkban,

They actually diffuse through networks.

hanem hálózatokon keresztül.

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

Mert, mint ahogyan említettem, hálózatokban éljük az életünket,

and these networks have a particular kind of a structure.

és ezeknek a hálózatoknak különleges szerkezetük van.

Now if you look at a network like this --

Ha megnéznek egy ilyen hálózatot ...

this is 105 people.

Ezt 105 személy alkotja.

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

És a vonalak... a pontok az emberek,

and the lines represent friendship relationships.

a vonalak pedig a közöttük fennálló baráti kapcsolatokat jelölik.

You might see that people occupy

Látható, hogy az emberek

different locations within the network.

különböző helyeket foglalnak el a hálózaton belül.

And there are different kinds of relationships between the people.

És az is látszik, hogy az emberek között különböző kapcsolatok vannak.

You could have friendship relationships, sibling relationships,

Találunk baráti kapcsolatokat, testvéri kapcsolatokat,

spousal relationships, co-worker relationships,

házastársi kapcsolatokat, munkatársi kapcsolatokat,

neighbor relationships and the like.

szomszédsági kapcsolatokat és így tovább.

And different sorts of things

Különböző dolgok terjednek

spread across different sorts of ties.

a különböző kapcsolatokon keresztül.

For instance, sexually transmitted diseases

Például, szexuális úton terjedő betegségek

will spread across sexual ties.

szexuális kapcsolatokon keresztül terjednek.

Or, for instance, people's smoking behavior

Vagy az emberek dohányzási szokásait például

might be influenced by their friends.

befolyásolják barátaik.

Or their altruistic or their charitable giving behavior

Vagy altruista vagy jótékonysági viselkedésüket

might be influenced by their coworkers,

munkatársaik

or by their neighbors.

vagy szomszédjaik irányítják.

But not all positions in the network are the same.

Nem minden helyzet egyforma a hálózaton belül.

So if you look at this, you might immediately grasp

Ha megnézik ezt, egyből látják,

that different people have different numbers of connections.

hogy a különböző személyeknek nem ugyanannyi kapcsolatuk van.

Some people have one connection, some have two,

Egyes embereknek csak egy kapcsolatuk van, másoknak kettő,

some have six, some have 10 connections.

megint másoknak hat, esetleg tíz.

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

Ezt a csomópont "érték"-ének nevezik,

or the number of connections that a node has.

vagy a csomópont kapcsolatai számának.

But in addition, there's something else.

De ezenkívül valami más is van.

So, if you look at nodes A and B,

Ha megnézik az A és B csomópontot,

they both have six connections.

akkor látják, hogy mindekettőnek hat kapcsolata van.

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

De ha a hálózat képét madártávlatból nézzük,

you can appreciate that there's something very different

látszik, hogy valami nagyon különbözik

about nodes A and B.

az A és a B csomópontok esetében.

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

Engedjék meg, hogy megkérdezzem -- egy kérdéssel segíthetem ennek megértését --

who would you rather be

kinek a helyében lennének inkább,

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

ha egy halálos vírus terjedne a hálózaton keresztül, A-nak vagy B-nek?

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

(Hallgatóság: B-nek.) Nicholas Christakis: B-nek, egyértelmű.

B is located on the edge of the network.

B a hálózat szélén helyezkedik el.

Now, who would you rather be

Kinek a helyében lennének inkább,

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

ha egy jó szaftos pletyka keringene a hálózaton?

A. And you have an immediate appreciation

A-nak. Egyből ráéreztek, hogy

that A is going to be more likely

A-hoz nagyobb valószínűséggel

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

eljut a terjedő dolog, és korábban jut el hozzá

by virtue of their structural location within the network.

a hálózat szerkezetén belül elfoglalt helye miatt.

A, in fact, is more central,

A valójában sokkal központibb helyet foglal el,

and this can be formalized mathematically.

és ez matematikai képletben is kifejezhető.

So, if we want to track something

Tehát, ha valamit ki akarunk mutatni,

that was spreading through a network,

ami a hálózaton keresztül terjed,

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

akkor - ideális esetben - szenzorokat állítanánk fel

on the central individuals within the network,

a hálózat központi figuráin,

including node A,

beleértve az A csomópontot,

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

figyelnénk azokat az embereket, akik a hálózat közepén helyezkednek el,

and somehow get an early detection

és így korán értesülnénk bármiről,

of whatever it is that is spreading through the network.

ami a hálózatban terjed.

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

Vagyis, ha látjuk, hogy ezek elkaptak egy vírust vagy eljutott hozzájuk valamilyen információ,

you would know that, soon enough,

tudnánk, hogy hamarosan

everybody was about to contract this germ

mindenki elkapja a vírust vagy

or this piece of information.

mindenkihez eljut az információ.

And this would be much better

Ez sokkal hatékonyabb lenne,

than monitoring six randomly chosen people,

mint véletlenszerűen kiválasztott személyeket figyelni,

without reference to the structure of the population.

figyelmen kívül hagyva a népesség szerkezetét.

And in fact, if you could do that,

Ha ezt meg tudnánk tenni,

what you would see is something like this.

akkor valami ilyesmit látnánk.

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

A bal oldalon, ismét, az S-alakú elfogadási görbét látjuk.

In the dotted red line, we show

A piros pontozott vonal azt mutatja,

what the adoption would be in the random people,

hogyan nézne ki az átvétel a véletlenszerűen választott emberek esetében,

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

a bal oldali vonalon

we show what the adoption would be

pedig azt látjuk, hogyan nézne ki az átvétel

in the central individuals within the network.

a hálózat központi helyén található személyek esetében.

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

Az Y tengelyen a fertőzés kumulatív eseteit látjuk,

and on the X-axis is the time.

az X tengelyen pedig az időt.

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

A jobb oldalon ugyanazokat az adatokat mutatjuk,

but here with daily incidence.

napi előfordulásuk lebontásában.

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

És amit itt mutatunk -- itt -- az az,

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

hogy nagyon kevés ember érintett, majd egyre több és több,

and here's the peak of the epidemic.

és itt van a betegség csúcsa.

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

Visszatérve a bal oldalihoz, az látjuk, mi történik a központi egyéneknél.

And this difference in time between the two

És ez az az időbeli különbség a kettő között

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

a korai értesülés, a korai figyelmeztetés

about an impending epidemic

egy fenyegető járványról,

in the human population.

ami az emberi populációban terjed.

The problem, however,

A gond az,

is that mapping human social networks

hogy az emberi hálózatok feltérképezése

is not always possible.

nem mindig lehetséges.

It can be expensive, not feasible,

Nagyon drága, bonyolult lehet,

unethical,

vagy nem etikus,

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

vagy egyszerűen nem lehet végrehajtani.

So, how can we figure out

Tehát, hogyan határozható meg,

who the central people are in a network

hogy kik a központi személyek egy hálózatban

without actually mapping the network?

a hálózat teljes feltérképezése nélkül?

What we came up with

Amit kitaláltunk,

was an idea to exploit an old fact,

egy régi dolgon alapszik,

or a known fact, about social networks,

egy, a közösségi hálózatokról ismert dolgon,

which goes like this:

ami a következőképpen néz ki:

Do you know that your friends

Tudták, hogy a barátaiknak

have more friends than you do?

több barátjuk van, mint önöknek?

Your friends have more friends than you do,

A barátaiknak több barátjuk van, mint önöknek.

and this is known as the friendship paradox.

Ez a tény a barátság paradoxonaként ismert.

Imagine a very popular person in the social network --

Képzeljenek el egy nagyon népszerű személyt a közösségi hálózaton belül --

like a party host who has hundreds of friends --

például egy buli házigazdát, akinek több száz barátja van --

and a misanthrope who has just one friend,

és egy mizantrópot, akinek csak egy barátja van,

and you pick someone at random from the population;

és válasszanak véletlenszerűen egy embert a népességből:

they were much more likely to know the party host.

nagyobb a valószínűsége, hogy ez az ember a buli házigazdát ismeri.

And if they nominate the party host as their friend,

És, ha ő a buli házigazdát nevezi meg barátjaként,

that party host has a hundred friends,

a buli házgazdának több barátja van,

therefore, has more friends than they do.

tehát, több mint az előbbinek.

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

Ez lényegében a barátság paradoxon.

The friends of randomly chosen people

A véletlenszerűen kiválasztott személyek barátai

have higher degree, and are more central

magasabb értékkel rendelkeznek, és központibb helyet foglalnak el,

than the random people themselves.

mint a véletlenszerűen kiválasztott emberek.

And you can get an intuitive appreciation for this

Megérthetik ezt intuitív módon,

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

ha csak azokat az embereket képzelik el, aki a hálózat perifériáján vannak.

If you pick this person,

Ha kiválasztják ezt az embert,

the only friend they have to nominate is this person,

az egyetlen barát, akit meg tud nevezni, ez a személy,

who, by construction, must have at least two

akinek, a szerkezet jellegéből adódóan legalább kettő,

and typically more friends.

de általában több barátja van.

And that happens at every peripheral node.

Ez történik mindenik periferikus csomópontnál.

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

És valójában ez történik az egész hálózaton belül, ahogy haladunk befele,

everyone you pick, when they nominate a random --

bárki, akit kiválasztunk, amikor véletlenszerűen nevez meg...

when a random person nominates a friend of theirs,

amikor egy véletlenszerűen kiválasztott személy megnevezi egyik barátját,

you move closer to the center of the network.

közelebb kerülünk a hálózat központjához.

So, we thought we would exploit this idea

Úgy gondoltuk, hogy felhasználhatnánk ezt

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

annak érdekében, hogy előrejelezzünk bizonyos jelenségeket a hálózaton belül.

Because now, with this idea

Mert ezzel a módszerrel

we can take a random sample of people,

kiválaszthatunk egy véletlenszerű embermintát,

have them nominate their friends,

akik megnevezik barátaikat,

those friends would be more central,

és ez utóbbiak központibbak lesznek, mint az előbbiek,

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

és ezt megtehetjük anélkül, hogy teljesen feltérképeznénk a hálózatot.

And we tested this idea with an outbreak of H1N1 flu

Leteszteltük ezt a módszert a H1N1 vírus megjelenésekor

at Harvard College

a Harvard Egyetemen

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

2009 őszén és telén, néhány hónappal ezelőtt.

We took 1,300 randomly selected undergraduates,

Véletlenszerűen kiválasztottunk 1300 egyetemistát,

we had them nominate their friends,

megkértük, hogy nevezzék meg barátaikat,

and we followed both the random students and their friends

és figyelemmel követtük mind a kiválasztott egyetemistákat, mind pedig ezek barátait

daily in time

nap mint nap

to see whether or not they had the flu epidemic.

azért, hogy lássuk, elkapták vagy sem az influenzát.

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

Passzív megfigyelést tettünk: figyeltük, hogy igénybe vették vagy sem az egyetemi betegrendelőt.

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

Ezenkívül pedig néhány alkalommal egy héten e-mailt kellett írniuk nekünk.

Exactly what we predicted happened.

Pontosan az történt, ami feltételeztünk.

So the random group is in the red line.

A véletlenszerűen kiválasztott csoportot a piros vonal jelöli.

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

A betegség a baráti körben balra tolódott, itt.

And the difference in the two is 16 days.

A kettő közötti különbség 16 nap.

By monitoring the friends group,

Megfigyelve a baráti csoportot,

we could get 16 days advance warning

16 napi előnyre tettünk szert

of an impending epidemic in this human population.

egy közelgő járvány előrejelzésében.

Now, in addition to that,

És, ezenkívül,

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

ha olyan szakértők lennénk, akik egy betegséget tanulmányoznak,

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

vagy egy termék el- és befogadását tanulmányozzák például,

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

azt lehetne tenni, hogy kiválasztanánk az emberi populációból egy véletlenszerű mintát,

also have them nominate their friends and follow the friends

akik megnevezik barátaikat, majd figyelemmel követjük

and follow both the randoms and the friends.

mind a véletlenszerűen kiválasztott mintát, mind pedig a mintát alkotó egyének barátait.

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

A barátok között az első dolog, ami szembeötlik, a nullánál valamivel magasabb

in adoption of the innovation, for example,

hajlam egy újdonság elfogadására például,

would be evidence of an impending epidemic.

és ez egy veszélyes betegség bizonyítéka is lehetne.

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

Vagy láthatóvá válik, hogy a két görbe különböző irányokba halad,

as shown on the left.

ahogyan azt itt a bal oldalon látjuk.

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

Mikor hagyták le a véletlenszerűen kiválasztott mintában szereplő egyének barátai,

and leave the randoms,

a véletlenszerűen kiválasztott mintában szereplő egyéneket,

and [when did] their curve start shifting?

és mikor kezdett eltolódni a görbe.

And that, as indicated by the white line,

És ez, mint ahogyan a fehér vonal mutatja,

occurred 46 days

46 nappal azelőtt történt, mielőtt

before the peak of the epidemic.

a járvány tetőződött volna.

So this would be a technique

Tehát ez egy olyan technika lehet,

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

amely segítségével több mint egy és fél hónapos előrejelzést tudunk adni

about a flu epidemic in a particular population.

az influenza járványról egy emberi populáción belül.

I should say that

El kell mondanom,

how far advanced a notice one might get about something

hogy az, hogy mennyi idővel korábban kap valaki előrejelzést egy jelenségről,

depends on a host of factors.

számos tényezőtől függ.

It could depend on the nature of the pathogen --

Függhet a kórfejlődés természetétől --

different pathogens,

különböző kórfejlődésekről,

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

ennek a módszernek az alkalmazásával, különböző figyelmeztetést kapunk --

or other phenomena that are spreading,

vagy más terjedő jelenségektől,

or frankly, on the structure of the human network.

vagy az emberi közösségi hálózat szerkezetétől.

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

A mi esetünkben, bár nem volt szükséges,

we could also actually map the network of the students.

feltérképeztük az egyetemisták teljes hálózatát.

So, this is a map of 714 students

Ez egy 174 diákból álló hálózattérkép,

and their friendship ties.

amely tartalmazza baráti kapcsolataikat.

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

Mindjárt mozgásba hozom ezt a térképet.

We're going to take daily cuts through the network

Napi metszeteket készítünk a hálózatról

for 120 days.

120 napon keresztül.

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

A piros pontok az influenzás eseteket jelölik,

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

a sárga pontok pedig az influenzások barátait.

And the size of the dots is going to be proportional

A pontok mérete arányos

to how many of their friends have the flu.

az influenzás barátok számával.

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

Minél nagyobb a pont,az illetőnek annál több barátja kapta el a vírust.

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

Ha megnézik ezt a képet -- ez a szeptember 13-i nap --

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

láthatják, hogy csak néhány eset gyúl ki.

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

Középen az influenzának mintegy a virágzását látják.

Here we are on October the 19th.

Most pedig október 19-én vagyunk.

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

A járvány görbéje közeledik novemberben.

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

Bumm, bumm, bumm, bumm, sok-sok kigyulladást látnak ott középen,

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

majd csökken az esetek száma,

fewer and fewer cases towards the end of December.

kevesebb és kevesebb lesz december vége fele.

And this type of a visualization

Ez a fajta vizualizáció

can show that epidemics like this take root

azt tudja megmutatni, ahogy az ilyenfajta járványok gyökeret vernek,

and affect central individuals first,

és a központi személyeket fertőzik meg először,

before they affect others.

mielőtt másokat is megfertőznének.

Now, as I've been suggesting,

Ahogyan utaltam rá,

this method is not restricted to germs,

ennek a módszernek alkalmazása nem korlátozódik a vírusokra,

but actually to anything that spreads in populations.

hanem bárminek a letapogatására alkalmas, ami egy populáción belül terjed.

Information spreads in populations,

Az információ is a populációkban terjed.

norms can spread in populations,

A normák is a populációkban terjednek.

behaviors can spread in populations.

A viselkedésminták is a populációkban terjednek.

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

Viselkedés alatt értem például a bűnözői viselkedést,

or voting behavior, or health care behavior,

a szavazási veselkedést vagy az egészségügyi viselkedésformákat,

like smoking, or vaccination,

mint például a dohányzás vagy a védőoltások beadása,

or product adoption, or other kinds of behaviors

vagy egy-egy terméknek az elfogadása, vagy más viselkedésformák,

that relate to interpersonal influence.

amelyek személyközi befolyást mutatnak.

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

Az ember környezetében élőket befolyásoló tevékenységek

this technique can get early warning or early detection

korai előrejelzésére, korai figyelmeztetésre alkalmas ez a technika,

about the adoption within the population.

amely jelzi a jelenségek terjedését a populáción belül.

The key thing is that for it to work,

Működéséhez kulcsfontosságú,

there has to be interpersonal influence.

hogy olyan jelenségről legyen szó, amely személyről személyre terjed.

It cannot be because of some broadcast mechanism

Nem alkalmas olyan jelenségek terjedésének előrejelzésére, amelyek

affecting everyone uniformly.

valamilyen egységes közvetítés következtében egyszerre érintenek mindenkit.

Now the same insights

Ezek az eredmények

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

felhasználhatók -- hálózatokra vonatkozóan --

can also be exploited in other ways,

felhasználhatók más módon is,

for example, in the use of targeting

például kiválasztani

specific people for interventions.

bizonyos személyeket a megelőzés érdekében.

So, for example, most of you are probably familiar

Talán legtöbbjüknek már ismerős

with the notion of herd immunity.

a csordaimmunitás fogalma.

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

Vagyis, ha van egy ezer emberből álló populáció,

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

és ezt immúnissá szeretnénk tenni egy betegséggel szemben,

we don't have to immunize every single person.

akkor nem kell minden egyes személyt immúnissá tennünk.

If we immunize 960 of them,

Ha immúnissá teszünk közülük 960-at,

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

egyenlő azzal, mintha mindenkit imúnnissá tettünk volna.

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

Mert, ha a nem immunizáltak közül egy-két személy meg is fertőződik,

there's no one for them to infect.

nincs, akinek továbbadnia a betegséget.

They are surrounded by immunized people.

Hiszen immunizált személyekkel vannak körbevéve.

So 96 percent is as good as 100 percent.

Tehát a 96 százalék pont annyira jó, mint a 100 százalék.

Well, some other scientists have estimated

Tudósok megbecsülték, hogy

what would happen if you took a 30 percent random sample

mi történne, ha egy 30 százalékos véletlenszerű mintát vennének

of these 1000 people, 300 people and immunized them.

ebből az 1000 emberből, vagyis 300 személyt, és immunizálnák őket.

Would you get any population-level immunity?

Vajon a populáció immúnissá válna?

And the answer is no.

A válasz: nem.

But if you took this 30 percent, these 300 people

De ha ez a 30 százalék, a 300 személy

and had them nominate their friends

megnevezné a barátait,

and took the same number of vaccine doses

beszereznénk ezeknek is a védőoltást,

and vaccinated the friends of the 300 --

és beoltanánk a 300 személy barátait,

the 300 friends --

a 300 barátot,

you can get the same level of herd immunity

akkor kialakulna a csordaimmunitás,

as if you had vaccinated 96 percent of the population

pont úgy, mintha a populáció 96 százaléka kapott volna oltást,

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

tehát növekszik a hatékonyság, miközben a költségek alacsonyabbak.

And similar ideas can be used, for instance,

Hasonlóan alkalmazható a módszer például

to target distribution of things like bed nets

az olyan dolgok szétosztásában, mint az ágyháló

in the developing world.

a fejlődő országokban.

If we could understand the structure of networks in villages,

Ha sikerülne megérteni a falvak hálózatának szerkezetét,

we could target to whom to give the interventions

le lehetne nyomozni, kiknek adják ezeket a dolgokat,

to foster these kinds of spreads.

hogy elősegítsék terjedésüket.

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

Vagy a különböző termékek reklámkampányának megtervezésében...

If we could understand how to target,

Ha megértenénk, hogyan célozzuk meg a célközönséget,

it could affect the efficiency

növelné a hatékonyságát

of what we're trying to achieve.

annak, amit el szeretnénk érni.

And in fact, we can use data

Tulajdonképpen bármilyen forrásból származó

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

adatot felhasználhatunk manapság ennek érdekében.

This is a map of eight million phone users

Ez nyolcmillió telefonhasználó személy térképe

in a European country.

egy európai országban.

Every dot is a person, and every line represents

Minden pont egy személy, minden vonal

a volume of calls between the people.

az emberek közötti telefonbeszélgetéseket jelöli.

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

És ezt a passzív módon begyűjtött adatbázist

to map these whole countries

egész országok feltérkepézésére felhasználhatjuk

and understand who is located where within the network.

azért, hogy megtudjuk, ki hol helyezkedik el a hálózaton belül.

Without actually having to query them at all,

Anélkül tehát, hogy megkérdeznénk őket,

we can get this kind of a structural insight.

megkaphatjuk a hálózat szerkezeti képét.

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

És más információforrások is, mint ahogyan biztosan önök is tudják,

are available about such features, from email interactions,

elérhetőek, az e-mailezésen át

online interactions,

más online interakciókon keresztül

online social networks and so forth.

az online közösségi hálózatokig, és így tovább.

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

Tulajdonképpen a masszív-passzív

"massive-passive" data collection efforts.

adatgyűjtésnek nevezhető korszakot élünk.

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

Számos módja van annak, hogy ezeket a nagy tételben összegyűjtött adatokat

to create sensor networks

érzékelő hálózatok létrehozására használjuk fel,

to follow the population,

hogy figyeljük a népességet,

understand what's happening in the population,

megértsük, mi történik a populáción belül,

and intervene in the population for the better.

és közbelépjünk a populáció érdekében.

Because these new technologies tell us

Mert ezek az új technológiák nemcsak arról tájékoztatnak,

not just who is talking to whom,

hogy ki beszél kivel,

but where everyone is,

hanem arról is, hogy ki hol helyezkedik el,

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

és mit gondol, például abból kikövetkeztetve, hogy mit tölt fel a világhálóra,

and what they're buying based on their purchases.

vagy hogy mit vásárol, a vásárlásait megfigyelve.

And all this administrative data can be pulled together

És mindezeket az adatokat össze lehet gyűjteni,

and processed to understand human behavior

és feldolgozni az emberi viselkedés megértése érdekében

in a way we never could before.

úgy, ahogyan azt eddig nem tették.

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

Például, felhasználhatjuk a kamionsofőrök üzemenyag-vásárlási szokását.

So the truckers are just going about their business,

A kamionsofőrök teszik a dolgukat,

and they're buying fuel.

és üzemanyagot vásárolnak.

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

Látjuk a növekedést a kamionsofőrök által vásárolt üzemanyag-mennyiségben,

and we know that a recession is about to end.

és tudjuk, hogy a válság a végéhez közeleg.

Or we can monitor the velocity

Vagy megfigyelhetjük a sebességet,

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

amellyel az emberek mobiltelfonukkal az autópályán közlekednek,

and the phone company can see,

és a telefonos vállalat láthatja,

as the velocity is slowing down,

abból ahogy a sebesség csökken,

that there's a traffic jam.

hogy dugó alakult ki.

And they can feed that information back to their subscribers,

Ezt az információt visszaküldhetik ügyfeleiknek,

but only to their subscribers on the same highway

de csupán azoknak az ügyfeleknek, akik ugyanazon az autópályán közlekednek,

located behind the traffic jam!

és a közlekedési dugó előtt vannak!

Or we can monitor doctors prescribing behaviors, passively,

Vagy passzívan megfigyelhetjük az orvosok receptírási szokásait,

and see how the diffusion of innovation with pharmaceuticals

és képet alkothatunk arról, ahogy az új gyógyszerek terjedése

occurs within [networks of] doctors.

történik az orvoshálózatokon belül.

Or again, we can monitor purchasing behavior in people

Vagy ismét, megfigyelhetjük az emberek vásárlási szokásait,

and watch how these types of phenomena

és láthatjuk, hogy ezek a jelenségek

can diffuse within human populations.

emberi populációkon belül terjednek.

And there are three ways, I think,

Úgy gondolom, háromféleképpen használhatók fel

that these massive-passive data can be used.

ezek a nagy tételben passzívan begyűjtött adatok.

One is fully passive,

Az egyik: teljes mértékben passzívan,

like I just described --

ahogyan az imént elmondtam --

as in, for instance, the trucker example,

mint a kamionsofőrös példában,

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

ahol nem befolyásoljuk semilyen módon a populációt.

One is quasi-active,

A második mód a kvázi-aktív,

like the flu example I gave,

ilyen volt az influenzás példa,

where we get some people to nominate their friends

amelyben megkértük az embereket, hogy nevezzék meg barátaikat,

and then passively monitor their friends --

majd passzívan monitorizáltuk a barátaikat --

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

hogy elkapták vagy sem az influenzát -- majd figyelmeztettük őket.

Or another example would be,

Egy másik példa erre,

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

a telefonos vállalat, ebben az esetben meg lehet nézni, ki foglal el központi helyet a hálózaton belül,

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

majd megkérni őket, hogy küldjék el üzenetben naponta a testhőmérsékletüket.

Just text us your temperature."

Csak küldjenek egy üzenetet a testhőmérsékletükkel.

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

Így nagy mennyiségű adat gyűl össze az emberek testhőmérsékletéről,

but from centrally located individuals.

de csak azokéról, akik központi helyen találhatók.

And be able, on a large scale,

Így nagyban

to monitor an impending epidemic

figyelemmel követhető egy várható járvány

with very minimal input from people.

az emberektől igényelt minimális hozzájárulással.

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

Vagy végül teljes mértékben aktív is lehet --

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

amiről az utánam következő előadók is beszélnek majd --

where people might globally participate in wikis,

amikor az emberek globálisan részt vesznek wikikben,

or photographing, or monitoring elections,

fényképezéssel vagy szavazásfigyelőkként

and upload information in a way that allows us to pool

és feltöltenek információt úgy, hogy mi ezt összegyűjthessük,

information in order to understand social processes

a társadalmi folyamatok vagy társadalmi jelenségek

and social phenomena.

megértése érdekében.

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

Ezeknek az adatoknak az elérhetősége, azt hiszem,

heralds a kind of new era

egy új korszakot jelez,

of what I and others would like to call

amit én és mások

"computational social science."

a komputációs társadalomtudományok korszakának nevezünk.

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

Ez valami olyasmi, amikor Galileó felfedezte -- vagy nem fedezte fel --

came to use a telescope

a teleszkóp használatát,

and could see the heavens in a new way,

és az eget egészen más módon látta,

or Leeuwenhoek became aware of the microscope --

vagy amikor Leeuwenhoek

or actually invented --

feltalálta a mikroszkópot --

and could see biology in a new way.

és teljesen más szemszögből látta a biológiát.

But now we have access to these kinds of data

Most hozzáférünk ezekhez az adatokhoz,

that allow us to understand social processes

amelyek lehetővé teszik, hogy a társadalmi folyamatokat

and social phenomena

és a társadalmi jelenségeket

in an entirely new way that was never before possible.

teljesen más módon szemléljük, ami ezelőtt nem volt lehetséges.

And with this science, we can

Ezzel a tudománnyal

understand how exactly

pontosan megérthetjük,

the whole comes to be greater

hogy az egész miért jelent többet,

than the sum of its parts.

mint a részek összege.

And actually, we can use these insights

És ezeket a felfedezéseket arra használhatjuk,

to improve society and improve human well-being.

hogy a társadalmat és az emberi jólétet fejlesszük.

Thank you.

Köszönöm.