Nicholas Christakis: How social networks predict epidemics

번역: Sunphil Ga 검토: Tae-Hoon Chung

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

지난 10 년 동안 저는 인간이라는 존재가

how and why human beings

어떻게 그리고 왜 서로 모여 사회적 네트워크를 형성하는지

assemble themselves into social networks.

이해하기 위해 연구했습니다.

And the kind of social network I'm talking about

제가 이야기하는 사회적 네트워크는

is not the recent online variety,

최근 등장한 온라인 상의 다양한 네트워크가 아니라

but rather, the kind of social networks

인류가 아프리카 사바나에 나타난 이래

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

수십 만 년에 걸쳐 서로 모이며 만들어 온

ever since we emerged from the African savannah.

그런 사회적 네트워크입니다.

So, I form friendships and co-worker

이를 통해 저는 다른 사람과 더불어 우정과 동료애를 쌓고

and sibling and relative relationships with other people

형제 관계 혹은 친척 관계를 형성할 뿐 아니라

who in turn have similar relationships with other people.

그들 또한 또 다른 사람과 더불어 비슷한 관계를 이룹니다.

And this spreads on out endlessly into a distance.

이렇게 이러한 관계는 끝도 없이 멀리 퍼져 있습니다.

And you get a network that looks like this.

여러분도 이와 같은 네트워크를 가지고 있으시겠죠.

Every dot is a person.

모든 점은 사람을 나타냅니다.

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

점 사이에 놓인 선은 두 사람 사이의 관계를 나타내죠.

different kinds of relationships.

서로 다른 종류의 관계들입니다.

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

우리 모두는 이와 같이 방대한 인류의 관계도를 형성하고

in which we're all embedded.

그 어딘가에 놓여 있을 겁니다.

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

저의 동료 제임스 파울러와 저는 꽤 많은 시간을 들여

what are the mathematical, social,

이들 네트워크가 만들어지는 방식을 결정하는

biological and psychological rules

수학적, 사회적, 생물학적 그리고

that govern how these networks are assembled

심리학적 법칙은 어떤 것인지 그리고

and what are the similar rules

이 네트워크가 작동하고 우리의 삶에 영향을 주는 방식을

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

결정하는 법칙은 어떤 것인지 연구했습니다.

But recently, we've been wondering

그리고 최근에 저희는 이와 같은 연구를 통해 알게된 사실을

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

단지 현상을 이해만 하는 것이 아니라

to actually find ways to improve the world,

세상을 발전시키거나, 보다 나은 일을 하거나,

to do something better,

아니면 실제로 문제를 해결하는데

to actually fix things, not just understand things.

이용할 수 있지 않을까 고민했습니다.

So one of the first things we thought we would tackle

그러다 제일 먼저 생각하게 된 것이 바로

would be how we go about predicting epidemics.

전염병을 어떻게 예측할 수 있을까 하는 문제였습니다.

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

전염병을 예측하는 최근의 기술은 이렇습니다.

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

여러분께서 질병통제센터나 다른 어떤 국가기관에 계신다고 하면

is to sit in the middle where you are

여러분을 가운데 지점에 두고

and collect data

특정 상태의 환자 발생빈도나 유병율을

from physicians and laboratories in the field

보고하도록 되어 있는 분야의

that report the prevalence or the incidence of certain conditions.

의사나 실험실에서 온 자료를 모읍니다.

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

이런 이런 환자는 여기서 이런 진단을 받았고

or other patients have been diagnosed,

다른 환자는 저기에서 진단을 받았고

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

이런 식의 모든 정보가 약간씩 늦기는 해도 중앙 상황실에 모입니다.

And if everything goes smoothly,

그리고 모든 게 별 탈 없이

one to two weeks from now

지금부터 일, 이 주 정도 진행되면

you'll know where the epidemic was today.

오늘 어디에 전염병이 있었는지 알게 되는 것입니다.

And actually, about a year or so ago,

실제로 대략 1년 쯤 전에 공개된

there was this promulgation

구글 독감 추이 정보의 아이디어는

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

독감에 관해 사람들이 현재

where by looking at people's searching behavior today,

검색하는 방식을 지켜보면

we could know where the flu --

어디에 독감이 퍼졌는지

what the status of the epidemic was today,

현재 세계적으로 전염된 상태는 어떤지

what's the prevalence of the epidemic today.

현재 유병율은 어떤지 등을 알 수 있다는 것이었죠.

But what I'd like to show you today

하지만 오늘 여러분께 보여드리고자 하는 것은

is a means by which we might get

우리가 단지 전염병에 대한 징후를

not just rapid warning about an epidemic,

빨리 포착하게 될 뿐 아니라

but also actually

실제로 전염병을 빨리

early detection of an epidemic.

발견할 수도 있는 방법입니다.

And, in fact, this idea can be used

실제로 이 아이디어는

not just to predict epidemics of germs,

단지 전염균을 예방하는 것 뿐만 아니라

but also to predict epidemics of all sorts of kinds.

모든 종류의 전염성이 있는 현상을 예측하는데 사용할 수 있습니다.

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

예를 들어 전염병과 비슷하게 퍼지는 모든 사회적인 현상은

could be understood in this way,

이 방법으로 이해할 수 있습니다.

from abstract ideas on the left

왼쪽에 있는 애국심, 이타주의, 종교 등의

like patriotism, or altruism, or religion

추상적인 아이디어에서부터

to practices

음식섭취, 도서구매,

like dieting behavior, or book purchasing,

음주, 자전거용 헬멧이나 기타 안전용구의 활용,

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

사람들이 구입할 제품,

or products that people might buy,

전자 제품 구입 등

purchases of electronic goods,

사람과 사람 사이에 퍼질 수 있는

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

모든 실용적인 것까지 말이죠.

A kind of a diffusion of innovation

새로운 것이 퍼지는 것 같은 현상은

could be understood and predicted

이제 여러분께 소개할 메커니즘으로

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

이해할 수 있고, 예측할 수 있습니다.

So, as all of you probably know,

여러분 모두 아시는 것처럼

the classic way of thinking about this

이런 것에 관한 고전적인 생각은

is the diffusion-of-innovation,

'혁신의 확산' 혹은

or the adoption curve.

'수용 곡선'으로 불리는 것입니다.

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

여기 Y축은 영향을 받은 사람의 퍼센트를 나타내고

and on the X-axis, we have time.

X축은 시간을 나타냅니다.

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

맨 처음에는 영향 받은 사람이 별로 많지 않죠.

and you get this classic sigmoidal,

그래서 고전적인 시그모이드 형태

or S-shaped, curve.

혹은 S자 모양의 곡선이 됩니다.

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

이런 모양이 만들어진 이유는 맨 처음

let's say one or two people

한 사람 혹은 두 사람이

are infected, or affected by the thing

어떤 것에 영향을 받거나 감염되고

and then they affect, or infect, two people,

그들이 다시 두 명에 영향을 주거나 감염시키고

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

그럼 그들이 다시 4명, 8명, 16명에게 영향을 끼치고

and you get the epidemic growth phase of the curve.

이런 식으로 전염병의 성장단계 곡선부분이 만들어지죠.

And eventually, you saturate the population.

궁극적으로 전체 집단에 골고루 퍼집니다.

There are fewer and fewer people

그래서 감염시킬 사람이

who are still available that you might infect,

점점 줄어들게 되고

and then you get the plateau of the curve,

곡선이 평탄해지면서

and you get this classic sigmoidal curve.

고전적인 S자형 곡선이 되는 것입니다.

And this holds for germs, ideas,

이것은 세균, 아이디어,

product adoption, behaviors,

제품의 구매, 행동과 같은 것 등에

and the like.

모두 적용됩니다.

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

하지만 뭔가가 사람들 사이에서 무작위로 퍼지지는 않습니다.

They actually diffuse through networks.

이것들은 실제로 네트워크를 통해 퍼집니다.

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

왜냐하면 말씀드렸던 것처럼 우리는 네트워크 안에서 살고

and these networks have a particular kind of a structure.

이 네트워크들은 특정한 구조를 가지고 있기 때문입니다.

Now if you look at a network like this --

만약 이와 같은 네트워크를 보신다면...

this is 105 people.

이것은 105명의 사람인데요

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

점들은 사람을 나타내고

and the lines represent friendship relationships.

연결선은 친구 관계를 나타냅니다.

You might see that people occupy

사람들이 이 네트워크 안에서 각기 다른 위치를

different locations within the network.

차지하고 있다는 것을 아실 수 있을 겁니다.

And there are different kinds of relationships between the people.

사람들 사이에는 서로 다른 관계가 있습니다.

You could have friendship relationships, sibling relationships,

여러분들은 친구 관계, 형제 관계,

spousal relationships, co-worker relationships,

배우자 관계, 동료 관계,

neighbor relationships and the like.

이웃 관계 등을 형성할 수 있죠.

And different sorts of things

다른 종류의 것들은

spread across different sorts of ties.

다른 종류의 관계를 따라서 퍼집니다.

For instance, sexually transmitted diseases

예를들어, 성관계에 의해 전염된 질병은

will spread across sexual ties.

성적인 인간 관계를 따라 퍼집니다.

Or, for instance, people's smoking behavior

예를 들어, 사람들이 담배 피는 행동은 아마도

might be influenced by their friends.

그들의 친구들에게서 영향을 받았을지 모릅니다.

Or their altruistic or their charitable giving behavior

이타적인 행동이나 기부하는 행위는

might be influenced by their coworkers,

아마도 그들의 동료 혹은 이웃에게서

or by their neighbors.

영향을 받은 것일 수 있구요.

But not all positions in the network are the same.

하지만 이 네트워크에서 모든 위치가 같지는 않습니다.

So if you look at this, you might immediately grasp

그래서 이 네트워크를 보는 순간 여러분은 바로

that different people have different numbers of connections.

사람마다 연결선의 수가 다르다는 것을 눈치채셨을 겁니다.

Some people have one connection, some have two,

몇몇 사람들은 하나의 연결선을 가집니다. 몇몇은 2개,

some have six, some have 10 connections.

6개, 10개의 연결선을 가집니다.

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

그리고 이것을 각 점의 "차수"라고 합니다.

or the number of connections that a node has.

각 점이 가지는 연결선의 수입니다.

But in addition, there's something else.

게다가 그 밖의 무언가가 존재하는데요,

So, if you look at nodes A and B,

이렇게 점 A 와 B를 보면

they both have six connections.

둘은 같이 6개의 연결선을 가지고 있습니다.

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

하지만 넓은 시각으로 네트워크 그림을 본다면,

you can appreciate that there's something very different

여러분은 점 A 와 B가 뭔가 매우 다르다는 것을

about nodes A and B.

아실 수 있습니다.

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

이런 질문을 해 보죠. 방금 언급한 직감은 이 질문으로 한층 배가될텐데요

who would you rather be

만약 치명적인 세균이 네트워크에 퍼지고 있다면

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

여러분은 A가 되고 싶으세요 아님 B가 되고 싶으세요?

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

(관객: B) 니콜라스 크리스타키스:B, 분명하죠.

B is located on the edge of the network.

B는 네트워크 가장 자리에 위치하고 있습니다.

Now, who would you rather be

이제 구미가 당기는 소문이 네트워크에 퍼지고 있다면

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

여러분은 A가 되고 싶으세요 아님 B가 되고 싶으세요?

A. And you have an immediate appreciation

A죠. A가 지금 퍼지고 있는 소문을

that A is going to be more likely

듣던지 혹은 듣더라도 남보다 빨리 듣게 될 거라는 걸

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

네트워크 안에서의 구조적 위치 덕분에

by virtue of their structural location within the network.

여러분은 바로 알 수 있는 것입니다.

A, in fact, is more central,

A는 사실상 좀 더 중심적이라고 할 수 있는데

and this can be formalized mathematically.

이걸 수학적으로 표현할 수도 있습니다.

So, if we want to track something

이렇게 만약 네트워크를 통해

that was spreading through a network,

퍼지고 있는 무언가의 자취를 알고자 한다면,

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

이상적으로 우리는

on the central individuals within the network,

A를 포함해 네트워크 안에서

including node A,

중심적인 역할을 하는 개인에 센서를 부착하고

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

바로 저기 네트워크 가운데 있는 사람들을 추적해

and somehow get an early detection

네트워크를 타고 퍼지는 것은 무엇이건

of whatever it is that is spreading through the network.

조기에 발견하고 싶을 겁니다.

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

만약 저들이 세균이나 정보와 접촉했다는 것을 안다면

you would know that, soon enough,

여러분은 모든 사람들이 이제 곧 이 세균이나

everybody was about to contract this germ

정보에 노출될 것이라는 것을

or this piece of information.

충분히 이른 시간에 알 수 있습니다.

And this would be much better

이것은 전체 인구의 구조를 고려하지 않고

than monitoring six randomly chosen people,

무작위로 선택된 6명의 사람을

without reference to the structure of the population.

관찰하는 것보다 훨씬 나은 방법입니다.

And in fact, if you could do that,

실제로 그렇게 할 수 있다면

what you would see is something like this.

우리는 이와 비슷한 것을 보게 될 것입니다.

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

다시 한 번 왼쪽 패널에는 S자 모양의 수용 곡선이 있습니다.

In the dotted red line, we show

빨간색 점선은 무작위로 고른 사람들이

what the adoption would be in the random people,

얼마나 수용할 것인지를 나타내는 곡선이고

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

그 왼쪽으로 이동한 곡선은

we show what the adoption would be

네트워크에 중심적인 개인들이 수용하는

in the central individuals within the network.

경향이 어떤지 보여주죠.

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

Y축은 누적된 전염병의 발생건수이고

and on the X-axis is the time.

X축은 시간입니다.

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

오른쪽 부분도 같은 정보를 보여주는데

but here with daily incidence.

단지 여기에는 매일매일의 발생건수입니다.

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

여기서 우리가 보는 것은 --

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

아주 적은 사람들이 감염됐다가 점점 많은 사람들이 이 지점까지 감염이 되고

and here's the peak of the epidemic.

바로 여기서 전염병은 최고조에 달하죠.

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

왼쪽으로 이동하면 중심적인 개인에게서 나타나는 현상입니다.

And this difference in time between the two

이 두 곡선 사이의 시간적인 차이가 바로

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

우리 인간 개체군에게 곧 일어날

about an impending epidemic

전염병에 대해 우리가 얻을 수 있는

in the human population.

조기 발견 혹은 조기 신호가 되는 셈이죠.

The problem, however,

하지만 문제는

is that mapping human social networks

사회적 네트워크를 파악하는 것이

is not always possible.

늘 가능한 것이 아니라는 점입니다.

It can be expensive, not feasible,

이 일은 비용이 많이 들고, 아주 어려우며

unethical,

비윤리적일 수도 있고

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

단순히 그냥 불가능 합니다.

So, how can we figure out

그럼 실제로 네트워크를 파악하지도 않고

who the central people are in a network

누가 중심적인 인물인지

without actually mapping the network?

어떻게 알 수 있을까요?

What we came up with

우리가 생각해낸 것은

was an idea to exploit an old fact,

사회적 네트워크에 관해 오래 동안 알려진

or a known fact, about social networks,

혹은 그냥 알려진 사실을 이용하는 것인데

which goes like this:

내용은 이런 겁니다:

Do you know that your friends

여러분의 친구들이 여러분들보다

have more friends than you do?

더 많은 친구를 가졌다는 걸 혹시 아세요?

Your friends have more friends than you do,

여러분들의 친구가 여러분들보다 더 친구가 많습니다.

and this is known as the friendship paradox.

이것은 '우정의 역설'로 알려져 있습니다.

Imagine a very popular person in the social network --

사회적 네트워크에서 아주 인기 있는 사람과 --

like a party host who has hundreds of friends --

예를 들어 100명의 친구를 가진 파티 주인과 같은 사람말이죠 --

and a misanthrope who has just one friend,

그리고 친구가 단 한 명인 외톨이를 생각해 보세요.

and you pick someone at random from the population;

그리고 전체 인구에서 무작위로 누군가를 뽑았다고 상상해 보시죠.

they were much more likely to know the party host.

이들은 파티 주인을 알고 있을 가능성이 아주 높습니다.

And if they nominate the party host as their friend,

그들이 만약 파티 주인을 친구로 지목한다면

that party host has a hundred friends,

그 파티의 주인은 100명의 친구를 가진 셈이니

therefore, has more friends than they do.

그들이 가진 친구보다 많은 친구를 가지게 됩니다.

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

이것이 '우정의 역설'의 핵심입니다.

The friends of randomly chosen people

무작위로 선택된 사람들의 친구는

have higher degree, and are more central

그 사람들보다 높은 차수를 가지고

than the random people themselves.

좀 더 네트워크의 중심적인 인물이 됩니다.

And you can get an intuitive appreciation for this

네트워크 주변의 사람들을 상상해 보시면

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

이 사실에 대해 직감적으로 이해하실 수 있을 겁니다.

If you pick this person,

여러분이 이 사람을 뽑으면

the only friend they have to nominate is this person,

지목할 친구는 이 사람 밖에 없는데

who, by construction, must have at least two

이 사람은 구성에 따라 적어도 두 명의 친구가 있는 것이고

and typically more friends.

보통은 더 많은 친구가 있을 겁니다.

And that happens at every peripheral node.

모든 주변부의 점에서 이런 현상이 발생합니다.

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

실제로 여러분이 네트워크를 타고 돌아다니면서

everyone you pick, when they nominate a random --

누구를 선택하건 그들이 무작위로 친구를 지목하면 이 현상이 발생합니다.

when a random person nominates a friend of theirs,

무작위로 뽑힌 사람이 그들 중 한 친구를 지명하면

you move closer to the center of the network.

여러분은 좀 더 네트워크의 중앙으로 이동하는 겁니다.

So, we thought we would exploit this idea

그래서 네트워크에서 발생하는 현상을 예측할 수 있을지 연구할 때

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

우리는 이 아이디어를 이용해야겠다고 생각했습니다.

Because now, with this idea

왜냐하면 지금 이 아이디어에 따라

we can take a random sample of people,

우리가 무작위로 사람을 선택하고

have them nominate their friends,

그들이 친구를 지명하도록 하면

those friends would be more central,

그 친구들은 좀 더 중심적인 위치를 차지하고

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

우리는 네트워크를 파악할 필요없이 이 연구를 할 수 있습니다.

And we tested this idea with an outbreak of H1N1 flu

우리는 이 아이디어를 겨우 몇 달 전

at Harvard College

2009년 가을에서 겨울 사이 하버드 대에서 발생한

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

H1N1 독감에 적용해 보았습니다.

We took 1,300 randomly selected undergraduates,

1,300 명의 대학생을 무작위로 선택

we had them nominate their friends,

그들에게 친구를 지명하도록 한 다음

and we followed both the random students and their friends

무작위로 선택된 학생과 그들의 친구를

daily in time

전염성 독감을 가졌는지 아닌지

to see whether or not they had the flu epidemic.

확인하기 위해 매일 관찰했습니다.

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

그들이 대학 건강 서비스 센터에 갔는지를 관찰하는 간접적인 방식을 택했죠.

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

한편으로 그들이 우리에게 한 주에 2번씩 이메일을 보내도록 했죠.

Exactly what we predicted happened.

정확히 우리가 예상했던 일이 발생했습니다.

So the random group is in the red line.

빨간색 선이 무작위 그룹입니다.

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

친구 그룹에서 발생한 전염병은 이곳 왼쪽으로 이동했습니다.

And the difference in the two is 16 days.

그리고 두 그룹의 차이는 16일이었죠.

By monitoring the friends group,

친구 그룹을 관찰함으로써

we could get 16 days advance warning

우리는 전체 인구에 곧 퍼질 전염병을

of an impending epidemic in this human population.

16일이나 앞서 눈치챌 수 있었던 것입니다.

Now, in addition to that,

여기에 덧붙여

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

만약 여러분이 전염병을 연구하거나 혹은

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

예를 들어 제품의 판매경향을 예측하는 분석가시라면

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

여러분은 전체 인구에서 무작위로 대상을 선정

also have them nominate their friends and follow the friends

그들이 친구를 지명하도록 하고 그 친구를 따라

and follow both the randoms and the friends.

무작위로 뽑힌 사람과 그가 지명한 친구를 함께 관찰합니다.

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

친구들 사이에서 예를 들어 새로운 것를 선택하는 경향이

in adoption of the innovation, for example,

0보다 높게 뛰면 이게 바로

would be evidence of an impending epidemic.

곧 전체 인구로 퍼질 것이라는 증거가 됩니다.

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

혹은 왼쪽에 나타난 것처럼 두 곡선이 갈라지기 시작하는

as shown on the left.

첫 번째 시간에 주목할 수도 있겠죠.

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

선택된 친구는 언제 떨어져 나가 무작위로 뽑힌 사람과

and leave the randoms,

차이를 나타낼까요 그리고

and [when did] their curve start shifting?

언제 그들의 커브가 이동할까요?

And that, as indicated by the white line,

그것도 하얀색 선이 나타낸 것처럼

occurred 46 days

전염병이 최고조에 달하기

before the peak of the epidemic.

46일 전이었습니다.

So this would be a technique

그러니까 이 방법은 특정 집단에 퍼질

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

전염성 독감을 한 달 반이나 앞서서 눈치챌 수 있는

about a flu epidemic in a particular population.

한 가지 기법인 것입니다.

I should say that

제각 꼭 말씀드리고 싶은 것은 어떤 사항에 대해

how far advanced a notice one might get about something

얼마나 앞서 알아챌 수 있느냐 하는 것이

depends on a host of factors.

여러 가지 요인에 달려 있다는 점입니다.

It could depend on the nature of the pathogen --

이것은 병원균의 특징에도 달려 있어서

different pathogens,

서로 다른 병원균들은 이 기술을 사용해도

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

다른 신호를 포착하게 될 겁니다 --

or other phenomena that are spreading,

혹은 퍼지고 있는 현상 자체에도 달려 있고

or frankly, on the structure of the human network.

솔직히 인간 네트워크의 구조에도 달려 있습니다.

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

우리의 경우 필요하지는 않았지만

we could also actually map the network of the students.

우리는 또한 실제로 학생들 사이의 네트워크를 파악할 수 있었습니다.

So, this is a map of 714 students

이것은 714 명의 학생과

and their friendship ties.

그들의 친구 관계를 나타낸 것입니다.

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

그리고 1분 안에 이 지도는 움직일 겁니다.

We're going to take daily cuts through the network

매일매일의 네트워크 상태를

for 120 days.

120일에 걸쳐 보여드리겠습니다.

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

빨간 점은 독감에 걸린 사람이고

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

노란 점은 독감에 걸린 사람의 친구들입니다.

And the size of the dots is going to be proportional

점의 크기는 얼마나 많은 친구가

to how many of their friends have the flu.

독감에 걸렸는지를 나타냅니다.

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

그래서 큰 점은 더 많은 친구들이 독감에 걸렸음을 나타냅니다.

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

이 그림을 보시면 -- 이건 9월 13일인데요 --

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

여러분은 몇몇 사례가 나타난 것을 알 수 있습니다.

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

가운데 부분에서 독감이 증가하는 것을 보시게 됩니다.

Here we are on October the 19th.

이건 10월 19일입니다.

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

11월에는 전염병 곡선에 접근하고 있습니다.

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

빵, 빵, 빵, 빵, 빵, 여러분은 가운데 부분에서 많은 감염자가 생겼음을 아시게 됩니다.

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

그리고 12월 말에 가까워 지면서 점차 감염자 수가 줄어

fewer and fewer cases towards the end of December.

곡선이 편평한 상태가 되는 것을 보시게 됩니다.

And this type of a visualization

그리고 이렇게 보여줌으로써

can show that epidemics like this take root

이와 같은 전염병이 다른 사람들에게 영향을 미치기에 앞서

and affect central individuals first,

중심부의 개인을 먼저 감염시켜

before they affect others.

이들로부터 퍼져 나갔음을 알 수 있습니다.

Now, as I've been suggesting,

제가 이제껏 언급한 것처럼

this method is not restricted to germs,

이 방법이 세균에만 국한되지 않고

but actually to anything that spreads in populations.

실제로 집단에서 퍼져 나가는 모든 것에 해당됩니다.

Information spreads in populations,

정보는 집단에 퍼집니다.

norms can spread in populations,

규범 역시 집단에 퍼집니다.

behaviors can spread in populations.

행동방식도 집단에 퍼질 수 있습니다.

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

여기서 행동방식이라 하면 범죄 행위,

or voting behavior, or health care behavior,

투표 행위 혹은 흡연, 예방접종 등과 같은

like smoking, or vaccination,

건강을 보호하기 위한 행동,

or product adoption, or other kinds of behaviors

제품구매 행위, 혹은 사람과 사람 사이에

that relate to interpersonal influence.

서로 주고 받는 영향에 관계되는 모든 행위가 해당됩니다.

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

제 주변의 다른 이들에게 영향을 주는 어떤 행동을 할 가능성이 있다면

this technique can get early warning or early detection

이 기법을 통해 전체 집단이 그것을 얼마나 빨리 받아들일지

about the adoption within the population.

눈치채거나 미리 알 수 있습니다.

The key thing is that for it to work,

이 기법이 제대로 작동하는데는

there has to be interpersonal influence.

상호간의 영향력이 존재한다는 것이 핵심입니다.

It cannot be because of some broadcast mechanism

모든 이에게 골고루 영향을 미치는

affecting everyone uniformly.

방송과 같은 방식은 이렇게 되지 않습니다.

Now the same insights

네트워크에 관련된 동일한 직관력은

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

또한 다른 방식으로

can also be exploited in other ways,

써먹을 수 있습니다.

for example, in the use of targeting

예를 들어 특별한 사람들을 선정해

specific people for interventions.

영향을 미치는 것 등이 되겠군요.

So, for example, most of you are probably familiar

예를 들어 여러분 대부분은 집단 면역이라는

with the notion of herd immunity.

얘기를 들으신 적이 있을 겁니다.

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

그러니까 천 명이 되는 어떤 집단을

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

어떤 병원균에 대해 면역이 되게 하려면

we don't have to immunize every single person.

우리는 모든 개개인을 면역시킬 필요가 없습니다.

If we immunize 960 of them,

그들 가운데 960명의 사람들만 면역시키면

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

이것은 우리가 100%를 면역시킨 것과 같게 됩니다.

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

왜냐하면 비록 면역되지 않은 한 두 사람이 감염되어도

there's no one for them to infect.

그들이 감염시킬 사람이 남아 있지 않기 때문이죠.

They are surrounded by immunized people.

그들은 면역된 사람들로 둘러싸여 있습니다.

So 96 percent is as good as 100 percent.

그러니까 96%는 100%나 마찬가지 입니다.

Well, some other scientists have estimated

음, 몇몇 다른 과학자들은 1,000명 가운데

what would happen if you took a 30 percent random sample

무작위로 30%를 선정, 그 300명을 면역시키면

of these 1000 people, 300 people and immunized them.

앞으로 무슨 일이 벌어질까를 예측해 봤습니다.

Would you get any population-level immunity?

전체 집단이 면역된 것처럼 될까요?

And the answer is no.

결과는 아니었습니다.

But if you took this 30 percent, these 300 people

하지만 만약 이 30%, 300명의 사람에게

and had them nominate their friends

친구를 지명하게 하고

and took the same number of vaccine doses

같은 양의 백신으로

and vaccinated the friends of the 300 --

300명이 지목한 300명의 친구들에게

the 300 friends --

예방접종을 한다면,

you can get the same level of herd immunity

여러분은 전체 집단의 96%를 면역시킨 것과 같은 수준의

as if you had vaccinated 96 percent of the population

집단 면역 효과를 거둘 수 있습니다.

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

훨씬 효율성은 큰 반면에 적은 예산이 들죠.

And similar ideas can be used, for instance,

그리고 비슷한 아이디어는 예를 들어 개발 도상국에

to target distribution of things like bed nets

침대 모기장과 같은 것을 공급할 대상을 선정하는 등의 일에도

in the developing world.

적용할 수 있습니다.

If we could understand the structure of networks in villages,

만약 우리가 마을 내의 네트워크 구조를 이해할 수 있다면

we could target to whom to give the interventions

누구를 선정하면 작업의 효과가 잘 퍼지게 될 것인지

to foster these kinds of spreads.

알 수 있게 되는 것입니다.

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

솔직히 모든 종류의 제품을 광고할 대상을 찾을 때도 쓸 수 있겠죠.

If we could understand how to target,

어떤 사람을 대상으로 할 것인지 이해할 수 있다면

it could affect the efficiency

우리가 하고자 하는 일의 효율은

of what we're trying to achieve.

달라질 것입니다.

And in fact, we can use data

실제로 오늘날 우리는 무궁무진한 방식으로

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

데이터를 이용할 수 있습니다.

This is a map of eight million phone users

이것은 유럽 국가에 있는 8 백만 명의

in a European country.

휴대전화 사용자를 나타낸 것입니다.

Every dot is a person, and every line represents

모든 점은 사람이고 모든 선은

a volume of calls between the people.

그들 사이의 통화량을 나타냅니다.

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

이렇게 간접적으로 수집된 정보라 할지라도 이를 이용하면

to map these whole countries

전체 국가를 파악하고 네트워크 안에서 누가 어디에 있는지

and understand who is located where within the network.

이해할 수 있습니다.

Without actually having to query them at all,

실제로 그들에게 전혀 질문하지 않고도

we can get this kind of a structural insight.

우리는 이와 같이 직관적으로 구조를 파악하게 됩니다.

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

이렇게 활용할 수 있는 정보 가운데는 누구나 아는 것도 있습니다.

are available about such features, from email interactions,

이메일을 주고 받는 정보라던지

online interactions,

온라인 상에서 이뤄지는 접촉,

online social networks and so forth.

온라인 사회적 네트워크 등이 되겠죠.

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

실제로 우리는 제가 "대규모 간접" 정보수집

"massive-passive" data collection efforts.

활동의 시대라 부르는 시대에 들어서 있습니다.

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

여기에는 대규모로 수집된 정보를 활용해

to create sensor networks

센서 네트워크를 만들고 전체 집단을 추적

to follow the population,

그 안에서 무슨 일이 발생하는지 이해하고

understand what's happening in the population,

더 나은 환경을 조성하기 위해 사용하는

and intervene in the population for the better.

여러 가지 수단까지 모두를 망라합니다.

Because these new technologies tell us

왜냐하면 이런 새로운 기술을 통해 우리는

not just who is talking to whom,

단지 누가 누구에게 이야기 하는지 뿐 아니라

but where everyone is,

다들 어디에 있고

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

그들이 인터넷에 업로드 한 것을 바탕으로 무슨 생각을 하는지

and what they're buying based on their purchases.

그들이 이미 구매한 품목을 바탕으로 무엇을 살 것인지 알 수 있기 때문입니다.

And all this administrative data can be pulled together

그리고 이렇게 행정적으로 모은 정보를 한데 가져다가

and processed to understand human behavior

우리가 이전에는 할 수 없던 방법으로 분석해

in a way we never could before.

인간의 행동을 이해할 수 있습니다.

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

예를 들어 우리는 트럭 운전사가 연료를 구입한 기록을 활용할 수 있습니다.

So the truckers are just going about their business,

트럭 운전사들은 단지 그들의 일을 하며

and they're buying fuel.

연료를 구입합니다.

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

트럭 운전사들이 연료를 구입한 양이 갑자기 증가했다면

and we know that a recession is about to end.

경기침체가 끝나간다는 것을 알게 됩니다.

Or we can monitor the velocity

혹은 사람들이 가지고 다니는 핸드폰을 통해

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

고속도로에서의 속도를 추적할 수도 있습니다.

and the phone company can see,

핸드폰 회사는 속도가 떨어지는 것을 보고

as the velocity is slowing down,

교통이 혼잡하다는 것을

that there's a traffic jam.

알아챌 수가 있습니다.

And they can feed that information back to their subscribers,

그리고 이 정보를 그 회사 가입자들에게 보낼 수 있겠죠.

but only to their subscribers on the same highway

그것도 같은 고속도로의 교통혼잡 구역

located behind the traffic jam!

뒷편에 있는 가입자들에게만 말이죠.

Or we can monitor doctors prescribing behaviors, passively,

혹은 의사들이 처방하는 방식을 간접적으로 관찰해

and see how the diffusion of innovation with pharmaceuticals

새로운 약물이 의사들 사이에서

occurs within [networks of] doctors.

어떻게 선택되는지 확인할 수 있습니다.

Or again, we can monitor purchasing behavior in people

혹은 다시 한번 사람들의 구매 행동을 관찰

and watch how these types of phenomena

이런 유형의 현상이 인구집단 안에서

can diffuse within human populations.

어떻게 퍼져가는지 관찰할 수 있습니다.

And there are three ways, I think,

제 생각에 대량의 간접적 데이터를 활용하는

that these massive-passive data can be used.

방식에는 세 가지가 있습니다.

One is fully passive,

하나는 제가 설명한 것과 같이

like I just described --

완전히 간접적이 되는 것입니다.

as in, for instance, the trucker example,

아까 예를 들었던 트럭 운전사의 경우와 같이

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

우리가 실제로 대상 집단에 어떤 전혀 개입하지 않는 거죠.

One is quasi-active,

다른 하나는 약간 직접적인 방식으로

like the flu example I gave,

제가 이야기했던 독감의 경우처럼

where we get some people to nominate their friends

우리가 몇몇 사람들에게 그들의 친구를 지명하게 하고

and then passively monitor their friends --

이후 간접적으로 그들의 친구를 관찰하는 것이죠.

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

그들이 독감에 걸렸는지 안걸렸는지 -- 그러면서 징후를 포착하게 되는 거죠

Or another example would be,

혹은 다른 예로

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

만약 여러분께서 전화 회사에 계신다면 누가 네트워크에 중심적인지 알 것이고

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

그 사람들에게 "매일 그냥 체온을 문자로

Just text us your temperature."

보내 주실 수 있을까요?"라고 부탁하는 겁니다.

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

그리고 중심부에 위치한 개인들의

but from centrally located individuals.

체온만 모으는 겁니다.

And be able, on a large scale,

이렇게 하면 임박한 전염병에 대해

to monitor an impending epidemic

각 개인이 제공하는 조그마한 정보를

with very minimal input from people.

대량으로 모아 추적할 수 있는 겁니다.

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

혹은 마지막으로 좀 더 완전히 직접적일 수 있습니다 --

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

제 뒤의 연설자들께서도 오늘 이에 관해 말씀하시겠지만 --

where people might globally participate in wikis,

전세계적으로 사람들이 위키나

or photographing, or monitoring elections,

사진촬영, 선거감시 등에 동참하면서

and upload information in a way that allows us to pool

정보를 쉽게 수집할 수 있는 방식으로 공유해

information in order to understand social processes

사회적으로 진행되고 있는 일이나

and social phenomena.

현상을 이해할 수 있게 되는 것이죠.

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

제 생각에는 실제로 이런 정보를 활용할 수 있다는 것 자체가

heralds a kind of new era

저나 다른 사람들이

of what I and others would like to call

"계산적 사회과학"이라 부르는

"computational social science."

새로운 시대가 다가왔음을 의미한다고 봅니다.

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

이것은 갈릴레오가 만원경을 발명했을 때 -- 아니지 발명한게 아니죠 --

came to use a telescope

만원경을 사용하여

and could see the heavens in a new way,

새로운 방식으로 천체를 바라 본 것

or Leeuwenhoek became aware of the microscope --

혹은 레벤후크가 현미경을 알게 되었거나 --

or actually invented --

아니지 실제로 발명했죠 --

and could see biology in a new way.

새로운 방식으로 생물학을 바라볼 수 있었던 것에 비견된다고 하겠습니다.

But now we have access to these kinds of data

하지만 이제는 사회적으로 진행되고 있는 일이나

that allow us to understand social processes

사회적인 현상을 이전에는 가능하지 않았던

and social phenomena

새로운 기법으로 이해할 수 있게 해 주는

in an entirely new way that was never before possible.

그런 종류의 정보를 활용할 수 있습니다.

And with this science, we can

이런 과학을 통해 우리는

understand how exactly

정확히 어째서 전체가

the whole comes to be greater

부분을 합한 것보다 더

than the sum of its parts.

클 수 있는지 이해할 수 있습니다.

And actually, we can use these insights

실제로 사회를 개선하고 인류의 복지를 향상시키는데

to improve society and improve human well-being.

우리는 이와 같은 직관력을 이용할 수 있습니다.

Thank you.

감사합니다.