Nicholas Christakis: How social networks predict epidemics

מתרגם: Hadas Shema מבקר: Ido Dekkers

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

במהלך עשר השנים האחרונות, ביליתי את זמני בניסיון להבין

how and why human beings

כיצד ומדוע בני אדם

assemble themselves into social networks.

מקבצים עצמם לרשתות חברתיות

And the kind of social network I'm talking about

וסוגי הרשתות החברתיות שאני מדבר עליהן

is not the recent online variety,

אינן הרשתות המקוונות שצצו לאחרונה

but rather, the kind of social networks

אלא רשתות חברתיות מסוג

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

שבני האדם יוצרים כבר מאות אלפי שנים

ever since we emerged from the African savannah.

מאז הגחנו מהסוואנה האפריקנית

So, I form friendships and co-worker

כך, אני יוצר חברויות וקשרי עבודה

and sibling and relative relationships with other people

קשרי אחים ומערכות יחסים עם בני משפחה אחרים

who in turn have similar relationships with other people.

ולהם בתורם מערכות יחסים דומות עם אנשים אחרים.

And this spreads on out endlessly into a distance.

וזה מתפשט עד אין סוף למרחקים

And you get a network that looks like this.

ואנו מקבלים רשת שנראית כך.

Every dot is a person.

כל נקודה מייצגת אדם

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

כל קו ביניהן מייצג מערכת יחסים בין שני בני אדם --

different kinds of relationships.

מערכות יחסים מסוגים שונים.

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

ואתם יכולים לקבל מין מארג עצום של האנושות,

in which we're all embedded.

בתוכו כולנו מוטמעים.

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

ועמיתי, ג'יימס פאולר, ואני חוקרים כבר זמן רב למדי

what are the mathematical, social,

מהם החוקים המתמטיים, החברתיים

biological and psychological rules

הביולוגיים והפסיכולוגיים

that govern how these networks are assembled

המושלים ביצירת הרשתות הללו

and what are the similar rules

ומהם החוקים המקבילים

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

המושלים באופן פעולתן, באופן בו הן משפיעות על חיינו.

But recently, we've been wondering

ולאחרונה, התחלנו לתהות

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

האם ייתכן לנצל את התובנה הזו,

to actually find ways to improve the world,

על מנת למצוא דרכים לשפר את העולם,

to do something better,

לעשייה חיובית יותר,

to actually fix things, not just understand things.

לתקן דברים, לא רק להבין דברים.

So one of the first things we thought we would tackle

אז אחד הדברים הראשונים שחשבנו שנתמודד איתם

would be how we go about predicting epidemics.

היה האופן בו אנו חוזים מגיפות.

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

והשיטה העדכנית ביותר בניבוי מגיפה --

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

אם אתם המרכז הלאומי לבקרת מחלות או גוף לאומי אחר כלשהו --

is to sit in the middle where you are

היא לשבת במרכז, איפה שלא תהיה,

and collect data

ולאסוף נתונים

from physicians and laboratories in the field

מרופאים ומעבדות הנמצאים בשטח

that report the prevalence or the incidence of certain conditions.

המדווחים מהי שכיחותם או היקפם של תנאים מסויימים.

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

אז, כך וכך מטופלים אובחנו כחולים במשהו מסויים [במקום זה]

or other patients have been diagnosed,

או מטופלים אחרים אובחנו כחולים [במקום אחר]

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

וכל הנתונים האלו מוזנים למאגר מרכזי, באיחור מסויים.

And if everything goes smoothly,

ואם הכל מתנהל כשורה

one to two weeks from now

בעוד שבוע עד שבועיים מעכשיו,

you'll know where the epidemic was today.

תדעו איפה נמצאת המגיפה היום.

And actually, about a year or so ago,

ולמעשה, לפני כשנה,

there was this promulgation

הייתה אותה הכרזה

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

על רעיון "מגמות השפעת של גוגל", בהתייחס לשפעת,

where by looking at people's searching behavior today,

שם, באמצעות התבוננות בהתנהגות החיפוש של אנשים היום

we could know where the flu --

נוכל לדעת איפה השפעת...

what the status of the epidemic was today,

מה מצבה העדכני של המגיפה היום

what's the prevalence of the epidemic today.

מה שכיחות המגיפה היום

But what I'd like to show you today

אבל מה שהייתי רוצה להראות לכם היום

is a means by which we might get

זהו אמצעי שבעזרתו ייתכן שנוכל לקבל

not just rapid warning about an epidemic,

לא רק אזהרה בזמן אמת במקרה של מגיפה

but also actually

אלא אפילו

early detection of an epidemic.

איתור מוקדם של מגפה.

And, in fact, this idea can be used

ולמעשה, הרעיון הזה יכול לשמש

not just to predict epidemics of germs,

לא רק לשם חיזוי מגפות חיידקיות

but also to predict epidemics of all sorts of kinds.

אלא גם מגיפות ממגוון סוגים.

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

לדוגמה, כל מה שמתפשט בצורה של הדבקה חברתית

could be understood in this way,

יוכל להיות מובן בצורה הזו,

from abstract ideas on the left

החל מרעיונות מופשטים משמאל

like patriotism, or altruism, or religion

כמו פטריוטיות, אלטרואיזם או דת

to practices

וכלה במנהגים

like dieting behavior, or book purchasing,

כמו הרגלי דיאטה, או קניית ספרים,

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

או שתייה, או קסדות אופניים...[ו] נוהגי בטיחות אחרים,

or products that people might buy,

או מוצרים שאנשים עשויים לקנות,

purchases of electronic goods,

רכישות של מוצרי אלקטרוניקה

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

כל דבר בו יש צורה כלשהי של התפשטות בין-אישית.

A kind of a diffusion of innovation

מעין דיפוזיה של חדשנות

could be understood and predicted

הניתנת להבנה ולניבוי

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

בעזרת המנגנון שאני עומד להראות לכם כעת.

So, as all of you probably know,

אז, כמו שכולכם בוודאי יודעים,

the classic way of thinking about this

הדרך הקלאסית לחשוב על זה

is the diffusion-of-innovation,

היא דרך ההפצה של חידוש,

or the adoption curve.

או עקומת ההטמעה.

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

אז כאן, על ציר ה-Y, יש לנו את אחוז האנשים המושפעים

and on the X-axis, we have time.

ועל ציר ה-X, יש לנו זמן.

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

ממש בהתחלה, לא יותר מדי אנשים מושפעים,

and you get this classic sigmoidal,

ואנו מקבלים עקומה סיגמואידית,

or S-shaped, curve.

או עקומה דמויית-S.

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

והסיבה לצורה הזו היא שממש בהתחלה,

let's say one or two people

בואו נאמר אדם אחד או שניים

are infected, or affected by the thing

מושפעים, או מודבקים, על ידי הדבר המסויים,

and then they affect, or infect, two people,

והם משפיעים על, או מדביקים, שני אנשים,

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

שבתורם משפיעים על ארבעה, שמונה, שישה עשר וכן הלאה,

and you get the epidemic growth phase of the curve.

ואז מקבלים את שלב התפשטות המגיפה של העקומה.

And eventually, you saturate the population.

ולבסוף, אתם מרווים את האוכלוסיה.

There are fewer and fewer people

יש פחות ופחות אנשים

who are still available that you might infect,

שעדיין זמינים להדבקה,

and then you get the plateau of the curve,

ואז מקבלים את הישור של העקומה,

and you get this classic sigmoidal curve.

ואתם מקבלים את העקומה הסיגמואידית הקלאסית.

And this holds for germs, ideas,

וזה נכון בעבור חיידקים, רעיונות

product adoption, behaviors,

אימוץ של מוצרים, התנהגויות

and the like.

ודומיהם.

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

אלא שדברים אינם מתפשטים באוכלוסיות אנושיות באופן אקראי.

They actually diffuse through networks.

הם למעשה מתפשטים דרך רשתות.

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

מאחר וכמו שאמרתי, אנו חיים את חיינו ברשתות,

and these networks have a particular kind of a structure.

ולרשתות אלו יש מבנה מסוג מסוים.

Now if you look at a network like this --

אם נסתכל על רשת כמו זו...

this is 105 people.

יש כאן 105 אנשים.

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

והקווים מייצגים.. הנקודות הם האנשים,

and the lines represent friendship relationships.

והקווים מייצגים קשרי חברות.

You might see that people occupy

אולי תוכלו לראות שאנשים מאכלסים

different locations within the network.

מיקומים שונים בתוך הרשת.

And there are different kinds of relationships between the people.

וישנם סוגים שונים של מערכות יחסים בין האנשים.

You could have friendship relationships, sibling relationships,

יכולים להיות לכם מערכות יחסים עם חברים, מערכות יחסים עם אחים,

spousal relationships, co-worker relationships,

מערכות יחסים עם בני זוג, מערכות יחסים עם חברים לעבודה.

neighbor relationships and the like.

מערכות יחסים עם שכנים וכדומה.

And different sorts of things

ודברים מסוגים שונים

spread across different sorts of ties.

מתפשטים דרך קשרים מסוגים שונים.

For instance, sexually transmitted diseases

למשל, מחלות מין

will spread across sexual ties.

יתפזרו לאורך קשרים מיניים

Or, for instance, people's smoking behavior

או לדוגמה, הרגלי עישון של אנשים

might be influenced by their friends.

עלולים להיות מושפעים מחבריהם.

Or their altruistic or their charitable giving behavior

או התנהגותם האלטרואיסטית או הנתינה שלהם לצדקה

might be influenced by their coworkers,

עשויים להיות מושפעים על ידי חבריהם לעבודה,

or by their neighbors.

או על ידי שכניהם.

But not all positions in the network are the same.

אבל לא כל העמדות ברשת דומות זו לזו.

So if you look at this, you might immediately grasp

אז אם תסתכלו בתמונה, ייתכן שתתפסו מיד

that different people have different numbers of connections.

שלאנשים שונים יש מספר שונה של קשרים.

Some people have one connection, some have two,

לחלק מהאנשים יש קשר אחד, לאחרים יש שניים.

some have six, some have 10 connections.

לחלק יש שישה, לאחרים עשרה קשרים.

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

וזה נקרה "מעלה" של צומת,

or the number of connections that a node has.

או מספר הקשרים שיש לצומת.

But in addition, there's something else.

אך בנוסף, יש משהו אחר.

So, if you look at nodes A and B,

כך, אם תסתכלו בצמתים A ו-B,

they both have six connections.

לכל אחד יש שישה קשרים.

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

אבל אם אתם מסוגלים לראות את התמונה הזו [של הרשת] ממעוף הציפור,

you can appreciate that there's something very different

אתם יכולים להעריך שיש משהו שונה מאוד

about nodes A and B.

בין צמתים A ו-B.

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

אז, תנו לי לשאול אתכם את זה -- אנסה לפתח את האינטואיציה הזו על ידי שאלה -

who would you rather be

מי הייתם מעדיפים להיות

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

אם חיידק קטלני היה מתפשט דרך הרשת, A או B ?

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

(קהל : B.) ניקולס כריסטאקיס: B, זה ברור.

B is located on the edge of the network.

B ממוקם בקצה הרשת.

Now, who would you rather be

עכשיו, מי הייתם מעדיפים להיות

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

אם פיסת רכילות עסיסית הייתה מתפשטת דרך הרשת?

A. And you have an immediate appreciation

A. ויש לכם יכולת להערכה מיידית

that A is going to be more likely

שסביר יותר להניח ש-A

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

יחשף למה שמתפשט ויחשף אליו מוקדם יותר

by virtue of their structural location within the network.

בזכות מיקומו המבני בתוך הרשת.

A, in fact, is more central,

A, למעשה, הוא מרכזי יותר,

and this can be formalized mathematically.

ותכונה זו אפשר לאשר רשמית באופן מתמטי.

So, if we want to track something

אז, אם אנו רוצים לעקוב אחר משהו

that was spreading through a network,

שהתפשט דרך רשת כלשהי,

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

מה שהיינו רוצים לעשות, באופן אידיאלי, הוא להציב חיישנים

on the central individuals within the network,

בצמתים המרכזיים ברשת,

including node A,

כולל צומת A,

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

לנטר אנשים אלו, שהם ממש במרכז הרשת,

and somehow get an early detection

ובצורה כלשהי לקבל איתור מוקדם

of whatever it is that is spreading through the network.

של מה שלא יהיה שמתפשט דרך הרשת..

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

כלומר, אם הבחנתם בכך שהם נדבקים בחיידק או מתוודעים למידע כלשהו,

you would know that, soon enough,

תוכלו לדעת שבקרוב מאוד,

everybody was about to contract this germ

כולם עומדים להדבק בחיידק הזה

or this piece of information.

או לגלות את המידע הזה.

And this would be much better

וזה יהיה הרבה יותר טוב

than monitoring six randomly chosen people,

מאשר לנטר שישה אנשים שנבחרו בצורה אקראית,

without reference to the structure of the population.

בלי התייחסות למבנה האוכלוסיה.

And in fact, if you could do that,

ולמעשה, אם נוכל לעשות זאת,

what you would see is something like this.

מה שתראו הוא משהו כמו זה.

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

בפאנל השמאלי יש לנו, שוב, את עקומת ה-S של אימוץ החידוש.

In the dotted red line, we show

בקו המנוקד באדום, אנו מראים

what the adoption would be in the random people,

מה יהיה האימוץ של האנשים שנבחרו אקראית

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

ובקו השמאלי (הצהוב), בהסטה מסויימת לשמאל,

we show what the adoption would be

אנו רואים את עקומת האימוץ של

in the central individuals within the network.

הפרטים המרכזיים ברשת.

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

ציר ה-Y מייצג את הצטברות מקרי ההידבקות,

and on the X-axis is the time.

וציר ה-X מייצג את הזמן.

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

ובצד ימין, אנו מראים אותם הנתונים

but here with daily incidence.

אבל במדידה יומית.

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

ומה שאנו מראים כאן הוא -- כאילו, כאן --

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

מעט מאוד אנשים מושפעים, עוד ועוד ועוד ועד למעלה,

and here's the peak of the epidemic.

והנה שיא המגפה.

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

מוסט לשמאל הוא מה שמתרחש אצל הפרטים המרכזיים.

And this difference in time between the two

וההבדל הזה בזמן בין השניים

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

הוא האיתור המוקדם, האזהרה המוקדמת שאנו יכולים לקבל,

about an impending epidemic

על המגפה שבדרך

in the human population.

באוכלוסייה האנושית.

The problem, however,

אולם הבעיה היא,

is that mapping human social networks

שמיפוי רשתות חברתיות של בני אדם

is not always possible.

אינו תמיד אפשרי.

It can be expensive, not feasible,

זה יכול להיות יקר, [קשה מאוד],

unethical,

לא אתי,

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

או, למען האמת, פשוט לא אפשרי.

So, how can we figure out

אז, כיצד נבין

who the central people are in a network

מי הם האנשים המרכזיים ברשת

without actually mapping the network?

מבלי למעשה למפות את הרשת ?

What we came up with

מה שהעלינו

was an idea to exploit an old fact,

הוא רעיון המנצל עובדה ישנה,

or a known fact, about social networks,

או עובדה ידועה, על רשתות חברתיות,

which goes like this:

שהולך כך:

Do you know that your friends

האם אתה יודע שלחברים שלך

have more friends than you do?

יש יותר חברים מאשר לך ?

Your friends have more friends than you do,

לחברים שלך יש יותר חברים מאשר לך.

and this is known as the friendship paradox.

וזה ידוע בתור פרדוקס החברות.

Imagine a very popular person in the social network --

דמיינו לעצמכם אדם מאוד פופולרי ברשת חברתית --

like a party host who has hundreds of friends --

כמו מארח מסיבה שיש לו מאות חברים --

and a misanthrope who has just one friend,

ומיזנטרופ (שונא אדם) שיש לו רק חבר אחד,

and you pick someone at random from the population;

ותבחרו מישהו באופן אקראי מהאוכלוסיה;

they were much more likely to know the party host.

להם יש הרבה יותר סיכוי להכיר את מארח המסיבה.

And if they nominate the party host as their friend,

ואם הם בוחרים במארח המסיבה בתור החבר שלהם,

that party host has a hundred friends,

למארח יש מאה חברים,

therefore, has more friends than they do.

ולכן יש לו יותר חברים מאשר להם.

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

וזה, במהותו, ידוע כפרדוקס החברות.

The friends of randomly chosen people

החברים של אנשים שנבחרו באקראי

have higher degree, and are more central

בעלי דרגה יותר גבוהה, והם יותר מרכזיים,

than the random people themselves.

מאשר האנשים שנבחרו באקראי.

And you can get an intuitive appreciation for this

ואתם יכולים לקבל הערכה אינטואיטיבית לזה

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

אם תדמיינו רק את האנשים שנמצאים בקצוות הרשת.

If you pick this person,

אם תבחרו באדם הזה,

the only friend they have to nominate is this person,

האדם היחיד שהם יבחרו בו בתור חבר הוא האדם הזה,

who, by construction, must have at least two

ולו לפחות שניים

and typically more friends.

ובאופן טיפוסי - יותר חברים.

And that happens at every peripheral node.

וזה קורה בכל צומת הנמצאת בקצה הרשת.

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

ולמעשה, זה קורה בכל הרשת, ככל שמתקדמים פנימה.

everyone you pick, when they nominate a random --

כל אחד שתבחרו, כאשר הם מציעים מועמד אקראי..

when a random person nominates a friend of theirs,

כאשר אדם אקראי מציע חבר שלו

you move closer to the center of the network.

אנו מתקרבים לכיוון מרכז הרשת.

So, we thought we would exploit this idea

אז, חשבנו שנוכל להשתמש ברעיון זה

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

על מנת ללמוד האם אנו יכולים לחזות תופעות בתוך רשתות.

Because now, with this idea

מאחר ועכשיו, עם הרעיון הזה

we can take a random sample of people,

אנו יכולים לקחת קבוצה אקראית של אנשים,

have them nominate their friends,

לבקש מהם להציע את חבריהם

those friends would be more central,

אנשים אלו יהיו יותר מרכזיים,

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

ונוכל לעשות זאת ללא הצורך למפות את הרשת כולה.

And we tested this idea with an outbreak of H1N1 flu

בדקנו את הרעיון הזה עם התפרצות של שפעת H1N1

at Harvard College

בקולג' הרווארד

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

בסתיו וחורף של 2009, לפני מספר חודשים בלבד.

We took 1,300 randomly selected undergraduates,

לקחנו 1300 סטודנטים אקראיים לתואר ראשון,

we had them nominate their friends,

ביקשנו מהם להציע חבר אחד

and we followed both the random students and their friends

ועקבנו אחריהם ואחרי החברים שבחרו

daily in time

יום אחר יום

to see whether or not they had the flu epidemic.

על מנת לבדוק האם הם נדבקו במגפת השפעת.

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

ועשינו זאת באופן פאסיבי, על ידי בדיקה האם הם הלכו לשירותי הרפואה של האוניברסיטה

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

ובנוסף, ביקשנו מהם לשלוח לנו דוא"ל פעמיים בשבוע.

Exactly what we predicted happened.

קרה בדיוק מה שניבאנו.

So the random group is in the red line.

אז הקבוצה האקראית מסומנת בקו אדום.

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

המגפה בקבוצת החברים- בהיסט לשמאל, כאן.

And the difference in the two is 16 days.

וההבדל בין השתיים הוא 16 ימים.

By monitoring the friends group,

על ידי ניטור קבוצת החברים,

we could get 16 days advance warning

היינו מסוגלים לקבל התראה מראש של 16 ימים

of an impending epidemic in this human population.

למגפה שבדרך באוכלוסייה האנושית הזו.

Now, in addition to that,

ובנוסף לזה,

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

אם היית אנליסט שמנסה לחקור מגפה

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

או לחזות את האימוץ של מוצר, לדוגמה,

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

מה שהייתם יכולים לעשות הוא לבחור מדגם אקראי של האוכלוסיה,

also have them nominate their friends and follow the friends

שיבחרו מיהם חבריהם ולעקוב אחרי החברים,

and follow both the randoms and the friends.

ולעקוב אחרי המדגם האקראי ואחרי החברים.

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

בקרב החברים, הראיה הראשונה שראיתם של נקודה מעל האפס

in adoption of the innovation, for example,

באימוץ של ההמצאה, לדוגמה,

would be evidence of an impending epidemic.

יהווה ראיה למגיפה ממשמשת ובאה.

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

או שתוכלו לראות את הפעם הראשונה בה שתי עקומות מתפצלות,

as shown on the left.

כפי שרואים משמאל.

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

מתי האקראיים...מתי החברים המריאו

and leave the randoms,

והשאירו את האקראיים מאחור,

and [when did] their curve start shifting?

ו[מתי] העקומה שלהם החלה לזוז?

And that, as indicated by the white line,

וזה, כפי שהראה הקו הלבן,

occurred 46 days

קרה 46 ימים

before the peak of the epidemic.

לפני שיא המחלה.

So this would be a technique

כך שזו יכולה להיות טכניקה

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

שבעזרתם נוכל לקבל התראה של יותר מחודש וחצי

about a flu epidemic in a particular population.

על מגיפת שפעת באוכלוסיה מסוימת.

I should say that

עלי לומר

how far advanced a notice one might get about something

שההתראה שאדם עשוי לקבל לגבי משהו

depends on a host of factors.

תלויה בהרבה מאוד גורמים.

It could depend on the nature of the pathogen --

היא יכולה להיות תלויה בטבעו של הפתוגן --

different pathogens,

פתוגנים שונים,

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

בשימוש בטכניקה זו, תקבלו התראות שונות --

or other phenomena that are spreading,

או תופעות מתפשטות אחרות,

or frankly, on the structure of the human network.

או, בכנות, על מבנה הרשת האנושית.

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

עכשיו, במקרה שלנו, אף-על-פי שזה לא היה נחוץ

we could also actually map the network of the students.

יכולנו למעשה למפות את רשת הסטודנטים.

So, this is a map of 714 students

אז, זו מפה של 714 סטודנטים

and their friendship ties.

וקשרי החברות שלהם.

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

ובעוד דקה עכשיו, אני עומד להכניס את המפה זו לתנועה.

We're going to take daily cuts through the network

אנחנו הולכים לקחת תמונות מצב יומיות דרך הרשת,

for 120 days.

במשך 120 ימים.

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

הנקודות האדומות עומדות להיות מקרי שפעת,

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

והנקודות הצהובות עומדות להיות חברים של אנשים עם שפעת.

And the size of the dots is going to be proportional

וגודל הנקודות עומד להיות פרופורציונלי

to how many of their friends have the flu.

למספר חבריהם החולים.

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

כך שנקודות גדולות יותר אומרות שליותר מחבריך יש שפעת.

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

ואם תסתכלו בתמונה זו -- כאן אנחנו עכשיו ב-13 בספטמבר --

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

תוכלו לראות כמה מקרים נדלקים.

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

אתם עומדים לראות סוג של שגשוג של השפעת במרכז.

Here we are on October the 19th.

כאן אנו ב-19 באוקטובר

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

השיפוע של עקומת המגיפה מתקרב עכשיו, בנובמבר.

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

בום, בום, בום, בום, בום, אתם עומדים לראות הרבה שגשוג באמצע,

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

ואז אתם הולכים לראות סוג של התיישרות,

fewer and fewer cases towards the end of December.

מקרים מעטים יותר ויותר לקראת סוף דצמבר.

And this type of a visualization

וסוג כזה של ויזואליזציה

can show that epidemics like this take root

יכול להראות שמגיפות כמו זו משתרשות אצל

and affect central individuals first,

ומשפיעות על פרטים מרכזיים תחילה,

before they affect others.

לפני שהן משפיעות על אחרים.

Now, as I've been suggesting,

עכשיו, כפי שהצעתי,

this method is not restricted to germs,

שיטה זו אינה מוגבלת לחיידקים,

but actually to anything that spreads in populations.

אלא למעשה לכל דבר שמתפשט באוכלוסיות.

Information spreads in populations,

מידע מתפשט באוכלוסיות.

norms can spread in populations,

נורמות יכולות להתפשט באוכלוסיות.

behaviors can spread in populations.

צורות התנהגות יכולות להתפשט באוכלוסיות.

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

ובצורות התנהגות, אני יכול להתכוון לדברים כמו התנהגות פושעת,

or voting behavior, or health care behavior,

או התנהגות של הצבעה, או התנהגות שקשורה בבריאות,

like smoking, or vaccination,

כמו עישון, או חיסון,

or product adoption, or other kinds of behaviors

או אימוץ מוצרים, או סוגים אחרים של התנהגות

that relate to interpersonal influence.

הקשורים להשפעה בין-אישית.

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

אם סביר שאעשה משהו שמשפיע על אחרים מסביבי,

this technique can get early warning or early detection

טכניקה זו יכולה לתת התראה מוקדמת, או איתור מוקדם,

about the adoption within the population.

על רמת האימוץ באוכלוסיה.

The key thing is that for it to work,

הדבר החשוב הוא, על מנת שזה יעבוד,

there has to be interpersonal influence.

חייבת להיות השפעה בין-אישית.

It cannot be because of some broadcast mechanism

זה לא יכול לקרות בגלל סוג כלשהו של מנגנון שידור

affecting everyone uniformly.

המשפיע על כולם באופן אחיד.

Now the same insights

כעת אותן התובנות

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

יכולות להיות מנוצלות -- בהתיחס לרשתות --

can also be exploited in other ways,

יכולות גם להיות מנוצלות בדרכים אחרות,

for example, in the use of targeting

לדוגמה, בשימוש בכיוון אל

specific people for interventions.

אנשים ספציפיים להתערבויות (interventions).

So, for example, most of you are probably familiar

כך, למשל, רובכם קרוב לוודאי מכירים

with the notion of herd immunity.

את מושג חסינות העדר.

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

כך, אם יש לנו אוכלוסיה של אלף איש,

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

ואנו רוצים לעשות אוכלוסיה זו חסינה לפתוגן,

we don't have to immunize every single person.

איננו חייבים לחסן כל אדם ואדם.

If we immunize 960 of them,

אם נחסן 960 מהם

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

כאילו חיסנו מאה [אחוזים] מהם.

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

מכיון שאפילו אם אחד או שניים מהאנשים הלא מחוסנים נדבק,

there's no one for them to infect.

אין להם איש להדביק.

They are surrounded by immunized people.

הם מוקפים באנשים מחוסנים.

So 96 percent is as good as 100 percent.

כך ש-96 אחוזים טובים כמו 100 אחוזים.

Well, some other scientists have estimated

ובכן, מדענים מסוימים אחרים אמדו

what would happen if you took a 30 percent random sample

מה יקרה אם תיקחו מדגם אקראי של 30 אחוזים

of these 1000 people, 300 people and immunized them.

מאלף האנשים האלו, 300 אנשים, ותחסנו אותם.

Would you get any population-level immunity?

האם תקבלו חסינות ברמת האוכלוסיה?

And the answer is no.

והתשובה היא לא.

But if you took this 30 percent, these 300 people

אבל אם הייתם לוקחים את שלושים האחוזים האלו, 300 האנשים האלה,

and had them nominate their friends

והייתם מבקשים מהם להעמיד לבחירה את חבריהם

and took the same number of vaccine doses

והייתם לוקחים אותו מספר של מנות חיסון

and vaccinated the friends of the 300 --

והייתם מחסנים את חבריהם של ה-300,

the 300 friends --

300 החברים,

you can get the same level of herd immunity

תוכלו לקבל אותה רמה של חסינות עדרית

as if you had vaccinated 96 percent of the population

כאילו חיסנתם 96 אחוזים של האוכלוסיה

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

ביעילות גדולה יותר, תחת מגבלה תקציבית נוקשה

And similar ideas can be used, for instance,

וניתן להשתמש ברעיונות דומים, לדוגמה,

to target distribution of things like bed nets

כדי לכוון הפצה של דברים כמו כילות

in the developing world.

בעולם המתפתח.

If we could understand the structure of networks in villages,

אם נוכל להבין את מבנה הרשתות בכפרים,

we could target to whom to give the interventions

נוכל לכוון אצל מי כדאי להתערב

to foster these kinds of spreads.

על מנת לעודד התפשטויות מהסוגים האלה

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

או, בכנות, לפרסום כל סוגי המוצרים.

If we could understand how to target,

אם נוכל להבין כיצד לכוון,

it could affect the efficiency

זה יוכל להשפיע על היעילות

of what we're trying to achieve.

של מה שאנו מנסים להשיג.

And in fact, we can use data

ולמעשה, אנו יכולים להשתמש בנתונים

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

ממגוון סוגי מקורות כיום [על מנת לעשות זאת]

This is a map of eight million phone users

זוהי מפה של שמונה מיליון משתמשי טלפון

in a European country.

בארץ אירופית.

Every dot is a person, and every line represents

כל נקודה היא אדם, וכל קו מייצג

a volume of calls between the people.

את נפח השיחות בין האנשים.

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

ואנו יכולים להשתמש בנתונים כאלה, שהושגו בצורה פסיבית,

to map these whole countries

כדי למפות ארצות שלמות

and understand who is located where within the network.

ולהבין מי ממוקם היכן בתוך הרשת.

Without actually having to query them at all,

בלי למעשה לשאול אותם כלל,

we can get this kind of a structural insight.

נוכל לקבל סוג כזה של תובנה מבנית.

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

ומקורות אחרים של אינפורמציה, כפי שאתם מודעים ללא ספק,

are available about such features, from email interactions,

זמינים בנוגע למאפיינים כאלה, מאינטראקציות דוא"ל,

online interactions,

אינטראקציות מקוונות,

online social networks and so forth.

רשתות חברתיות מקוונות, וכך הלאה.

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

ולמעשה, אנחנו בתקופה של מה שאקרא

"massive-passive" data collection efforts.

מאמצי איסוף נתונים "מאסיביים-פסיביים".

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

אלו הן מגוון דרכים שבהן אנחנו יכולים להשתמש בנתונים שנאספו בצורה מאסיבית

to create sensor networks

כדי ליצור רשתות חיישנים

to follow the population,

לעקוב אחרי האוכלוסיה,

understand what's happening in the population,

להבין מה קורה באוכלוסיה,

and intervene in the population for the better.

ולהתערב לטובה באוכלוסיה.

Because these new technologies tell us

מכיון שהטכנולוגיות החדשות האלו אומרות לנו

not just who is talking to whom,

לא רק מי מדבר עם מי,

but where everyone is,

אלא איפה נמצא כל אחד,

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

ומה הם חושבים בהתבסס על מה הם מעלים לאינטרנט,

and what they're buying based on their purchases.

ומה הם קונים בהתבסס על רכישותיהם.

And all this administrative data can be pulled together

וכל הנתונים המנהליים האלו יכולים להיאסף יחד

and processed to understand human behavior

ולהיות מעובדים על מנת להבין התנהגות אנושית

in a way we never could before.

באופן שמעולם לא יכולנו לפני כן.

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

כך, לדוגמה, נוכל להשתמש ברכישות הדלק של נהגי משאיות.

So the truckers are just going about their business,

הנהגים האלו עוסקים בענייניהם,

and they're buying fuel.

והם קונים דלק.

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

ואנו רואים עליה ברכישות הדלק של נהגי משאיות,

and we know that a recession is about to end.

ואנו יודעים שהמיתון עומד להסתיים.

Or we can monitor the velocity

או אנו יכולים לנטר את המהירות

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

בה אנשים נעים עם הטלפונים שלהם בכביש ראשי,

and the phone company can see,

וחברת הטלפון יכולה לראות,

as the velocity is slowing down,

כשהמהירות מאטה,

that there's a traffic jam.

שיש פקק תנועה.

And they can feed that information back to their subscribers,

והם יכולים להזין את האינפורמציה הזו בחזרה למנויים שלהם,

but only to their subscribers on the same highway

אבל רק למנויים שלהם באותו כביש ראשי

located behind the traffic jam!

הממוקמים מאחורי פקק התנועה!

Or we can monitor doctors prescribing behaviors, passively,

או שאנו יכולים לנטר את התנהגויות רישום המרשמים של רופאים, באופן פסיבי,

and see how the diffusion of innovation with pharmaceuticals

ולראות כיצד התפשטות של חידושים תרופתיים

occurs within [networks of] doctors.

קורית בין [רשת של] רופאים.

Or again, we can monitor purchasing behavior in people

או שוב, אנו יכולים לנטר התנהגות רכישה של אנשים

and watch how these types of phenomena

ולצפות כיצד סוגים כאלה של תופעות

can diffuse within human populations.

יכולים להתפשט באוכלוסיות אנושיות.

And there are three ways, I think,

ויש שלוש דרכים, אני חושב,

that these massive-passive data can be used.

של שימוש בנתונים המאסיביים-פאסיביים האלה.

One is fully passive,

אחת היא פאסיבית לחלוטין,

like I just described --

כמו שרק תיארתי --

as in, for instance, the trucker example,

כמו, לדוגמה, אצל נהגי המשאיות,

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

שם אנחנו לא מתערבים למעשה באוכלוסייה בדרך כלשהי.

One is quasi-active,

אחת היא מעין-אקטיבית,

like the flu example I gave,

כמו בדוגמת השפעת שנתתי,

where we get some people to nominate their friends

שם אנו מבקשים מאנשים מסויימים להציע את חבריהם

and then passively monitor their friends --

ואז מנטרים את החברים באופן פסיבי --

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

האם הם חולים בשפעת, או לא? -- ואז מקבלים התראה.

Or another example would be,

או דוגמה אחרת יכולה להיות,

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

אם אתם חברת טלפון, אתם תבינו מי מרכזי ברשת,

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

ותבקשו מהאנשים האלו, "תראו, האם פשוט תשלחו לנו טקסט עם החום שלכם מדי יום?

Just text us your temperature."

פשוט תשלחו לנו טקסט עם הטמפרטורה שלכם."

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

ולאסוף כמויות עצומות של אינפורמציה על הטמפרטורה של אנשים,

but from centrally located individuals.

מפרטים הממוקמים במרכז.

And be able, on a large scale,

ולהיות מסוגלים, בקנה מידה גדול,

to monitor an impending epidemic

לנטר מגיפה מתקרבת

with very minimal input from people.

עם קלט מועט מאוד מאנשים.

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

או, לבסוף, זה יכול להיות אקטיבי יותר --

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

כפי שאני יודע שגם הדוברים הבאים ידברו על האפשרות היום --

where people might globally participate in wikis,

שאנשים עשויים להשתתף גלובלית בויקי,

or photographing, or monitoring elections,

או צילום, או ניטור בחירות,

and upload information in a way that allows us to pool

ולהעלות את האינפורמציה בדרך שתרשה לנו לאגור

information in order to understand social processes

אינפורמציה על מנת להבין תהליכים חברתיים

and social phenomena.

ותופעות חברתיות.

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

למעשה, זמינותם של הנתונים האלו, אני חושב,

heralds a kind of new era

מכריזה על סוג של תקופה חדשה

of what I and others would like to call

שאני ואחרים רוצים לקרוא לה

"computational social science."

"מדע חברתי חישובי."

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

זה בערך כמו כאשר גלילאו המציא -- או, לא המציא --

came to use a telescope

התחיל להשתמש בטלסקופ

and could see the heavens in a new way,

והיה יכול לראות את הרקיע בצורה חדשה

or Leeuwenhoek became aware of the microscope --

או כאשר לייבנהוק הפך מודע למיקרוסקופ --

or actually invented --

או למעשה המציא --

and could see biology in a new way.

והיה מסוגל לראות ביולוגיה בדרך חדשה.

But now we have access to these kinds of data

אך כעת יש לנו גישה לסוגי נתונים כאלה

that allow us to understand social processes

שמאפשרים לנו להבין תהליכים חברתיים

and social phenomena

ותופעות חברתיות

in an entirely new way that was never before possible.

בדרך חדשה לחלוטין שמעולם לא היתה אפשרית לפני כן

And with this science, we can

ובעזרת מדע זה, אנו יכולים

understand how exactly

להבין בדיוק כיצד

the whole comes to be greater

השלם הופך להיות גדול יותר

than the sum of its parts.

מסכום חלקיו.

And actually, we can use these insights

ולמעשה, אנו יכולים להשתמש בתובנות אלו

to improve society and improve human well-being.

על מנת לשפר את החברה ולשפר את הרווחה האנושית.

Thank you.

תודה לכם