Nicholas Christakis: How social networks predict epidemics

Vertaald door: Timmoty Wigboldus Nagekeken door: Christel Foncke

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

Tijdens de afgelopen tien jaar heb ik geprobeerd uit te zoeken

how and why human beings

hoe en waarom mensen

assemble themselves into social networks.

zich in sociale netwerken verenigen.

And the kind of social network I'm talking about

Het soort sociaal netwerk waar ik het over heb,

is not the recent online variety,

is niet de nieuwe online-variant,

but rather, the kind of social networks

maar het soort sociaal netwerk

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

waarin mensen zich al honderdduizenden jaren verzamelen,

ever since we emerged from the African savannah.

vanaf de tijd dat we op de Afrikaanse savanne verschenen.

So, I form friendships and co-worker

Ik heb vriendschaps- en familiebanden met mensen,

and sibling and relative relationships with other people

ik heb collega's. Deze mensen

who in turn have similar relationships with other people.

hebben op hun beurt gelijkaardige banden met andere mensen.

And this spreads on out endlessly into a distance.

Dit spreidt zich eindeloos uit.

And you get a network that looks like this.

Je krijgt een netwerk als dit.

Every dot is a person.

Elke stip is een mens.

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

Elke lijn daartussen is een band tussen twee mensen -

different kinds of relationships.

verschillende soorten banden.

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

Er ontstaat een uitgestrekt weefsel van mensen,

in which we're all embedded.

waar we allemaal in verankerd zitten.

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

Mijn collega James Fowler en ik zijn al een hele tijd aan het onderzoeken

what are the mathematical, social,

wat de wiskundige, sociale,

biological and psychological rules

biologische en psychologische regels zijn

that govern how these networks are assembled

die bepalen hoe deze netwerken samengesteld zijn

and what are the similar rules

en wat de regels zijn

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

die bepalen hoe ze werken, hoe ze onze levens beïnvloeden.

But recently, we've been wondering

De laatste tijd hebben we ons afgevraagd

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

of het misschien mogelijk is dit inzicht in ons voordeel te gebruiken,

to actually find ways to improve the world,

om manieren te vinden om de wereld te verbeteren,

to do something better,

om iets beters te doen,

to actually fix things, not just understand things.

zaken op te lossen, niet slechts te begrijpen.

So one of the first things we thought we would tackle

Eén van de eerste dingen die we wilden aanpakken,

would be how we go about predicting epidemics.

was kijken hoe we epidemieën konden voorspellen.

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

Als op dit moment de overheid

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

een epidemie wil voorspellen,

is to sit in the middle where you are

gaat men het veld in

and collect data

en verzamelt gegevens

from physicians and laboratories in the field

bij artsen en laboratoria

that report the prevalence or the incidence of certain conditions.

die de verspreidingsgraad rapporteren.

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

Patiënten zus en zo hebben hier de diagnose gekregen,

or other patients have been diagnosed,

andere patiënten daar ook,

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

en al deze gegevens komen met wat vertraging in een informatiecentrum terecht.

And if everything goes smoothly,

Als alles soepel verloopt,

one to two weeks from now

weet men over één of twee weken

you'll know where the epidemic was today.

waar de epidemie vandaag was.

And actually, about a year or so ago,

Ongeveer een jaar geleden

there was this promulgation

kwam het idee van

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

Google Grieptrends in de wereld:

where by looking at people's searching behavior today,

door te kijken waar mensen het woord griep googelen,

we could know where the flu --

kwamen we erachter

what the status of the epidemic was today,

wat de status van de griepepidemie vandaag is,

what's the prevalence of the epidemic today.

wat vandaag de verspreiding is.

But what I'd like to show you today

Wat ik vandaag graag laat zien,

is a means by which we might get

is een manier

not just rapid warning about an epidemic,

waarmee we niet alleen een snelle waarschuwing krijgen

but also actually

voor een epidemie, maar waarmee we een epidemie

early detection of an epidemic.

zelfs in een vroeg stadium kunnen ontdekken.

And, in fact, this idea can be used

Deze vinding kan niet alleen gebruikt worden

not just to predict epidemics of germs,

om de verspreiding van ziekten te voorspellen

but also to predict epidemics of all sorts of kinds.

maar ook de verspreiding van allerlei andere zaken.

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

Alles bijvoorbeeld dat zich verspreid door een vorm van sociale besmetting

could be understood in this way,

kunnen we hiermee begrijpen,

from abstract ideas on the left

van abstracte ideeën aan de ene kant,

like patriotism, or altruism, or religion

zoals vaderlandsliefde, onbaatzuchtigheid of een geloof

to practices

tot gebruiken

like dieting behavior, or book purchasing,

zoals eetgedrag, het kopen van boeken,

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

drinken, het dragen van een fietshelm en het nemen

or products that people might buy,

van andere veiligheidsmaatregelen, de spullen die men koopt,

purchases of electronic goods,

het kopen van elektronische goederen,

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

werkelijk alles waarmee mensen elkaar beïnvloeden.

A kind of a diffusion of innovation

De verspreiding van nieuwe dingen

could be understood and predicted

kan worden begrepen en voorspeld

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

met het mechanisme dat ik ga laten zien.

So, as all of you probably know,

Zoals jullie waarschijnlijk allemaal weten,

the classic way of thinking about this

denkt men hier meestal over

is the diffusion-of-innovation,

in termen van

or the adoption curve.

de verspreidingscurve.

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

Hier op de Y-as staat het percentage beïnvloede mensen

and on the X-axis, we have time.

en op de X-as staat de tijd.

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

Eerst worden er maar weinig mensen beïnvloed,

and you get this classic sigmoidal,

en er ontstaat de bekende sigmoïdale,

or S-shaped, curve.

of S-vormige boog.

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

Dit ontstaat doordat in het begin

let's say one or two people

bijvoorbeeld één of twee mensen

are infected, or affected by the thing

erdoor beïnvloed of geïnfecteerd zijn.

and then they affect, or infect, two people,

Dan beïnvloeden of infecteren zij twee mensen,

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

die dan vier, acht, 16 mensen beïnvloeden, enzovoort.

and you get the epidemic growth phase of the curve.

Hierdoor ontstaat de epidemische groeifase.

And eventually, you saturate the population.

Later raakt de populatie verzadigd.

There are fewer and fewer people

Er zijn steeds minder mensen

who are still available that you might infect,

die nog beïnvloed kunnen worden

and then you get the plateau of the curve,

Dan ontstaat het vlakke deel van de boog,

and you get this classic sigmoidal curve.

en daarmee de klassieke sigmoïdaal.

And this holds for germs, ideas,

Dit geldt voor ziekten, ideeën

product adoption, behaviors,

producten, gedrag,

and the like.

enzovoort.

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

Maar de verspreiding door de populatie is niet willekeurig.

They actually diffuse through networks.

Deze verloopt door netwerken.

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

Want, zoals ik zei, we leven in netwerken

and these networks have a particular kind of a structure.

en deze netwerken hebben een bepaalde structuur.

Now if you look at a network like this --

Als je nu naar zo'n netwerk kijkt...

this is 105 people.

Dit zijn 105 mensen.

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

De stippen zijn mensen

and the lines represent friendship relationships.

en de lijnen zijn vriendschapsbanden.

You might see that people occupy

Je kan zien dat mensen

different locations within the network.

verschillende plekken innemen in het netwerk.

And there are different kinds of relationships between the people.

Er zijn verschillende soorten banden tussen mensen.

You could have friendship relationships, sibling relationships,

Banden tussen vrienden, broers en zussen,

spousal relationships, co-worker relationships,

echtgenoten, collega's,

neighbor relationships and the like.

buren, en dergelijke.

And different sorts of things

Verschillende zaken

spread across different sorts of ties.

verspreiden zich langs verschillende soorten relaties.

For instance, sexually transmitted diseases

soa's bijvoorbeeld

will spread across sexual ties.

verspreiden zich langs seksuele relaties.

Or, for instance, people's smoking behavior

Het rookgedrag van mensen

might be influenced by their friends.

kan bijvoorbeeld beïnvloed worden door vrienden.

Or their altruistic or their charitable giving behavior

Of hun onbaatzuchtigheid of het geven van donaties

might be influenced by their coworkers,

kan worden beïnvloed door collega's

or by their neighbors.

of buren.

But not all positions in the network are the same.

Maar niet alle plekken in het netwerk zijn hetzelfde.

So if you look at this, you might immediately grasp

Als je dit ziet, begrijp je waarschijnlijk meteen

that different people have different numbers of connections.

dat verschillende mensen verschillende aantallen verbindingen hebben.

Some people have one connection, some have two,

Sommige mensen hebben er één,

some have six, some have 10 connections.

sommigen hebben er twee, sommigen zes of 10.

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

Dit noemt men de 'graad' van een knoop,

or the number of connections that a node has.

of het aantal verbindingen dat een knoop heeft.

But in addition, there's something else.

Maar er komt nog meer bij.

So, if you look at nodes A and B,

Als je naar knopen A en B kijkt,

they both have six connections.

zie je dat ze beide zes verbindingen hebben.

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

Maar als je er van bovenaf naar kijkt,

you can appreciate that there's something very different

zie je dat er een groot verschil is

about nodes A and B.

tussen knoop A en B.

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

Laat ik je dit vragen - ik kan dit gevoel verduidelijken door een vraag te stellen:

who would you rather be

wie zou je liever zijn

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

als er zich een dodelijke ziekte door het netwerk verspreidde, A of B?

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

(Publiek: B.) Nicholas: B, dat is duidelijk.

B is located on the edge of the network.

B ligt aan de rand van het netwerk.

Now, who would you rather be

Wie zou je liever zijn

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

als er een sappige roddel rondging?

A. And you have an immediate appreciation

A. En je snapt meteen

that A is going to be more likely

dat A een veel grotere kans heeft

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

om datgene te krijgen dat rondgaat, om het sneller te krijgen

by virtue of their structural location within the network.

door de positie binnen het netwerk.

A, in fact, is more central,

A ligt veel meer in het midden

and this can be formalized mathematically.

en dit kan wiskundig worden beschreven.

So, if we want to track something

Als we dus iets willen volgen

that was spreading through a network,

dat zich door het netwerk verspreidt,

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

zouden we het liefst de mensen in het midden van het netwerk

on the central individuals within the network,

in de gaten willen houden,

including node A,

zoals knoop A.

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

Hou de mensen in het midden in de gaten

and somehow get an early detection

en je kan vroeg doorhebben

of whatever it is that is spreading through the network.

dat er zich iets door het netwerk verspreidt.

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

Als je zou zien dat deze mensen een ziekte of bepaalde informatie krijgen,

you would know that, soon enough,

weet je dat vrij snel

everybody was about to contract this germ

iedereen die ziekte

or this piece of information.

of dat stuk informatie zou krijgen.

And this would be much better

Dit zou veel beter zijn

than monitoring six randomly chosen people,

dan zes willekeurige mensen in de gaten houden,

without reference to the structure of the population.

zonder rekening te houden met de structuur van de groep.

And in fact, if you could do that,

En in feite, als je dat kon doen,

what you would see is something like this.

zou je zoiets zien.

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

Aan de linkerkant is er weer de S-vormige verspreidingscurve.

In the dotted red line, we show

De rode gestippelde lijn laat zien

what the adoption would be in the random people,

wat de adoptiecurve is van willekeurige mensen.

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

De linkerlijn, de lijn meer naar links,

we show what the adoption would be

laat zien hoe de verspreidingscurve loopt

in the central individuals within the network.

bij de centrale individuen in het netwerk.

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

Op de Y-as staat de totale besmettingsgraad

and on the X-axis is the time.

en op de X-as de tijd.

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

Aan de rechterkant staan dezelfde gegevens,

but here with daily incidence.

maar hier met de incidentie van dag tot dag.

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

Hier zie je dat er weinig mensen beïnvloed zijn,

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

hier wordt het steeds meer,

and here's the peak of the epidemic.

en hier is het hoogtepunt van de epidemie.

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

Meer naar links staat wat er gebeurt met de mensen in het midden.

And this difference in time between the two

Het verschil in tijd tussen deze twee

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

is de vroege waarneming en waarschuwing die we krijgen

about an impending epidemic

over een dreigende epidemie

in the human population.

in een groep mensen.

The problem, however,

Echter, het probleem

is that mapping human social networks

is dat de sociale netwerken van mensen

is not always possible.

niet altijd in kaart kunnen worden gebracht.

It can be expensive, not feasible,

Het kan duur zijn, erg lastig,

unethical,

onethisch,

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

of ronduit onmogelijk om zoiets te doen.

So, how can we figure out

Hoe kunnen we erachter komen

who the central people are in a network

wie de centrale mensen in het netwerk zijn

without actually mapping the network?

zonder het netwerk in kaart te brengen?

What we came up with

We kwamen op het idee

was an idea to exploit an old fact,

om een oud idee of een bekend feit

or a known fact, about social networks,

over sociale netwerken te gebruiken.

which goes like this:

Dit is het:

Do you know that your friends

wist je dat je vrienden

have more friends than you do?

meer vrienden hebben dan jij?

Your friends have more friends than you do,

Je vrienden hebben meer vrienden dan jij.

and this is known as the friendship paradox.

Dit staat bekend als de vriendschapsparadox.

Imagine a very popular person in the social network --

Stel je een heel populaire persoon voor in het netwerk,

like a party host who has hundreds of friends --

zoals iemand die een feest geeft voor honderden vrienden,

and a misanthrope who has just one friend,

en een mensenhater met maar één vriend

and you pick someone at random from the population;

en je neemt een willekeurige persoon uit de groep,

they were much more likely to know the party host.

dan is het waarschijnlijker dat die persoon de feestgever kent.

And if they nominate the party host as their friend,

Als iemand de feester aanwijst als zijn vriend

that party host has a hundred friends,

is dat dus iemand met honderd vrienden

therefore, has more friends than they do.

en heeft hij dus meer vrienden dan die persoon.

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

Dit is, in wezen, de vriendschapsparadox.

The friends of randomly chosen people

De vrienden van willekeurige mensen

have higher degree, and are more central

hebben een hogere graad, zijn centraler,

than the random people themselves.

dan de willekeurige mensen zelf.

And you can get an intuitive appreciation for this

Je kan dit gevoelsmatig doorzien

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

als je je alleen de mensen aan de buitenrand van het netwerk voorstelt.

If you pick this person,

Als je deze persoon kiest,

the only friend they have to nominate is this person,

kan die alleen deze persoon aanwijzen

who, by construction, must have at least two

die dus minstens twee vrienden moet hebben

and typically more friends.

en er misschien meer heeft.

And that happens at every peripheral node.

Dat gebeurt bij elke knoop aan de buitenrand.

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

Dit gaat zo door als je meer naar binnen beweegt.

everyone you pick, when they nominate a random --

Als je een willekeurig persoon kiest

when a random person nominates a friend of theirs,

en zij nomineert een vriend van haar

you move closer to the center of the network.

beweeg je verder naar het midden van het netwerk.

So, we thought we would exploit this idea

We besloten dit idee te gebruiken

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

om te bestuderen of we verschijnsels in netwerken konden voorspellen.

Because now, with this idea

Want nu, met dit idee,

we can take a random sample of people,

kunnen we willekeurige mensen nemen,

have them nominate their friends,

hun vrienden laten voordragen

those friends would be more central,

die centraler zijn, en we zouden

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

dit kunnen doen zonder het netwerk in kaart te brengen.

And we tested this idea with an outbreak of H1N1 flu

We hebben deze gedachte beproefd bij een uitbraak

at Harvard College

van de H1N1-griep op Harvard

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

in de herfst en winter van 2009, net een paar maand geleden.

We took 1,300 randomly selected undergraduates,

We namen 1300 willekeurige studenten

we had them nominate their friends,

die we hun vrienden lieten voordragen

and we followed both the random students and their friends

en we volgden zowel de studenten als hun vrienden

daily in time

elke dag

to see whether or not they had the flu epidemic.

om te zien of de griep bij ze rondging.

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

We deden dit passief door te kijken of ze naar artsenpost van de universiteit waren geweest.

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

We lieten ze ook actief een paar keer in de week naar ons mailen.

Exactly what we predicted happened.

Er gebeurde precies wat we voorspeld hadden.

So the random group is in the red line.

De willekeurige groep is de rode lijn.

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

De epidemie in de groep vrienden is naar links verschoven, hier.

And the difference in the two is 16 days.

Het verschil tussen de twee is 16 dagen.

By monitoring the friends group,

Door de groep vrienden te volgen,

we could get 16 days advance warning

kregen we 16 dagen van tevoren een waarschuwing

of an impending epidemic in this human population.

van een dreigende epidemie in deze groep mensen.

Now, in addition to that,

Daar komt nog bij dat

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

als je een analist was die een epidemie wilde bestuderen

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

of de ingebruikname van een product bijvoorbeeld,

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

je een willekeurig monster uit de populatie zou kunnen nemen,

also have them nominate their friends and follow the friends

vrienden kan laten voordragen, en de vrienden volgen,

and follow both the randoms and the friends.

en beide groepen volgen.

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

Wanneer er bij de vrienden een schommeling boven de nul is

in adoption of the innovation, for example,

in het gebruik van een vernieuwing bijvoorbeeld,

would be evidence of an impending epidemic.

zou dat bewijs zijn van de komende verspreiding.

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

Of je zou het eerste moment kunnen zien waarop de beide lijnen uit elkaar gaan,

as shown on the left.

zoals te zien aan de linkerkant.

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

Wanneer begonnen de vrienden te bewegen

and leave the randoms,

en lieten ze de willekeurige groep achter

and [when did] their curve start shifting?

en wanneer begonnen ze te bewegen?

And that, as indicated by the white line,

En dat, zoals de witte lijn aangeeft,

occurred 46 days

gebeurde 46 dagen

before the peak of the epidemic.

voor het hoogtepunt van de epidemie.

So this would be a technique

Dus dit kan een techniek zijn

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

waarmee we een waarschuwing zouden kunnen krijgen

about a flu epidemic in a particular population.

over een griepepidemie, anderhalve maand van tevoren.

I should say that

Ik moet erbij zeggen dat

how far advanced a notice one might get about something

hoe lang van tevoren je iets te zien krijgt

depends on a host of factors.

afhangt van vele factoren.

It could depend on the nature of the pathogen --

Het kan afhangen van het soort pathogeen.

different pathogens,

Bij verschillende ziekten

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

krijg je met deze techniek verschillende waarschuwingen.

or other phenomena that are spreading,

Het verschilt ook bij andere verschijnsels

or frankly, on the structure of the human network.

en hangt af van de structuur van het netwerk.

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

In ons geval konden we, hoewel dat niet nodig was,

we could also actually map the network of the students.

het netwerk van de studenten echt in kaart brengen.

So, this is a map of 714 students

Dit is een kaart van 714 studenten

and their friendship ties.

en hun vriendschapsbanden.

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

Ik ga deze kaart zo in beweging zetten.

We're going to take daily cuts through the network

We gaan van 120 bekijken

for 120 days.

hoe het netwerk ervoor staat.

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

De rode stippen zullen de gevallen zijn met griep

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

en de gele de vrienden van mensen met de griep.

And the size of the dots is going to be proportional

De grootte van de stippen staat in verhouding

to how many of their friends have the flu.

tot het aantal vrienden dat de griep heeft.

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

Hoe groter de stippen, hoe meer vrienden de griep hebben.

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

Als je naar dit beeld kijkt, dit is 13 september,

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

zie je een paar gevallen oplichten.

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

Je zal de griep in het midden tot bloei zien komen.

Here we are on October the 19th.

Dit is de negentiende oktober.

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

De helling van de verspreidingscurve komt eraan, in november.

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

Hup, hup, hup, hup, je ziet het in het midden oplichten

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

en dan weer minder worden

fewer and fewer cases towards the end of December.

met minder en minder gevallen tegen het eind van december.

And this type of a visualization

Dit soort plaatjes

can show that epidemics like this take root

laat zien dat zulke epidemieën

and affect central individuals first,

eerst de mensen in het midden treffen

before they affect others.

voordat ze anderen treffen.

Now, as I've been suggesting,

Zoals ik al zei,

this method is not restricted to germs,

is deze methode niet alleen geschikt voor ziekten

but actually to anything that spreads in populations.

maar voor alles dat zich door een populatie verspreidt.

Information spreads in populations,

Informatie verspreidt zich door populaties.

norms can spread in populations,

Normen kunnen zich door populaties verspreiden.

behaviors can spread in populations.

Gedrag kan zich door populaties verspreiden.

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

Met gedrag bedoel ik dingen als crimineel gedrag,

or voting behavior, or health care behavior,

stemgedrag, omgang met gezondheid

like smoking, or vaccination,

zoals roken en vaccinering,

or product adoption, or other kinds of behaviors

of de acceptatie van producten, of andere soorten gedrag

that relate to interpersonal influence.

die te maken hebben met invloed van mensen op elkaar.

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

Als ik iets doe dat anderen om mij heen beïnvloedt,

this technique can get early warning or early detection

kan deze techniek vroeg zichtbaar maken

about the adoption within the population.

hoe het overgenomen wordt door anderen.

The key thing is that for it to work,

Om dit te laten werken moet er invloed zijn

there has to be interpersonal influence.

van één persoon op een andere.

It cannot be because of some broadcast mechanism

Het werkt niet met een uitzending

affecting everyone uniformly.

die iedereen evenveel beïnvloedt.

Now the same insights

Deze inzichten

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

over netwerken

can also be exploited in other ways,

kunnen bijvoorbeeld ook worden gebruikt

for example, in the use of targeting

om bepaalde mensen te bereiken

specific people for interventions.

om in te grijpen.

So, for example, most of you are probably familiar

De meesten van jullie kennen waarschijnlijk

with the notion of herd immunity.

het begrip kudde-immuniteit.

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

Als we een populatie hebben van duizend mensen

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

en we willen de populatie immuun maken voor een pathogeen,

we don't have to immunize every single person.

hoeven we niet iedereen te vaccineren.

If we immunize 960 of them,

Als we er 960 vaccineren

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

is dat net zo goed als wanneer we iedereen vaccineerden.

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

Want zelfs als er één of twee mensen besmet worden,

there's no one for them to infect.

kunnen zij niemand infecteren.

They are surrounded by immunized people.

Ze worden omringd door mensen die immuun zijn.

So 96 percent is as good as 100 percent.

96 procent is net zo goed als 100 procent.

Well, some other scientists have estimated

Er is een schatting gemaakt

what would happen if you took a 30 percent random sample

wat er zou gebeuren als je willekeurig 30 procent

of these 1000 people, 300 people and immunized them.

van deze mensen zou vaccineren, 300 mensen.

Would you get any population-level immunity?

Zou er een vorm van immuniteit op groepsniveau ontstaan?

And the answer is no.

Dat is niet zo.

But if you took this 30 percent, these 300 people

Maar als je deze 30 procent, deze 300 mensen,

and had them nominate their friends

hun vrienden liet voordragen

and took the same number of vaccine doses

en dezelfde hoeveelheid vaccins nam

and vaccinated the friends of the 300 --

en de voorgedragen vrienden zou vaccineren,

the 300 friends --

de 300 vrienden,

you can get the same level of herd immunity

zou je dezelfde mate van kudde-immuniteit krijgen

as if you had vaccinated 96 percent of the population

als wanneer je 96 procent van de groep vaccineerde,

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

alleen veel doeltreffender, voor veel minder geld.

And similar ideas can be used, for instance,

Soortgelijke ideeën kunnen bijvoorbeeld worden gebruikt

to target distribution of things like bed nets

om de verdeling van zaken als klamboes te regelen

in the developing world.

in ontwikkelingslanden.

If we could understand the structure of networks in villages,

Als we de opbouw van netwerken in dorpen konden begrijpen,

we could target to whom to give the interventions

konden we bepalen wie spullen moet krijgen

to foster these kinds of spreads.

om dit soort zaken te verspreiden.

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

Of gewoon om reclame te maken.

If we could understand how to target,

Als we begrijpen wie we moeten hebben,

it could affect the efficiency

kan dat de efficiëntie beïnvloeden

of what we're trying to achieve.

van wat we proberen te bereiken.

And in fact, we can use data

Tegenwoordig kunnen we gegevens gebruiken

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

uit allerlei bronnen om dit te doen.

This is a map of eight million phone users

Dit is een kaart van acht miljoen telefoongebruikers

in a European country.

in een Europees land.

Every dot is a person, and every line represents

Elke stip is een mens en elke lijn

a volume of calls between the people.

stelt de hoeveelheid belverkeer tussen mensen voor.

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

We kunnen zulke passief verkregen gegevens gebruiken

to map these whole countries

om hele landen in kaart te brengen

and understand who is located where within the network.

en te begrijpen wie waar in het netwerk zit.

Without actually having to query them at all,

We kunnen zulke structurele inzichten verkrijgen

we can get this kind of a structural insight.

helemaal zonder vragen te hoeven stellen.

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

Je weet dat andere bronnen van informatie hierover

are available about such features, from email interactions,

beschikbaar zijn van e-mailverkeer,

online interactions,

internet,

online social networks and so forth.

sociale media, enzovoort.

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

We bevinden ons in het tijdperk van wat ik

"massive-passive" data collection efforts.

'massaal-passieve' gegevensverzameling zou noemen.

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

Er zijn allerlei manieren waarop we deze gegevens kunnen gebruiken

to create sensor networks

om netwerken te maken

to follow the population,

waarmee we de bevolking kunnen volgen

understand what's happening in the population,

en begrijpen wat er onder de bevolking gebeurt

and intervene in the population for the better.

en kunnen ingrijpen om dingen te verbeteren.

Because these new technologies tell us

Omdat deze nieuwe technologieën ons niet alleen vertellen

not just who is talking to whom,

wie met wie spreekt

but where everyone is,

maar waar iedereen is

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

en wat ze denken afgaande op wat ze op het internet zetten

and what they're buying based on their purchases.

en wat mensen kopen afgaande op online aankopen.

And all this administrative data can be pulled together

Al deze gegevens kunnen samengevoegd worden

and processed to understand human behavior

en verwerkt worden om menselijk gedrag te begrijpen

in a way we never could before.

op een manier die nog nooit mogelijk was.

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

Bijvoorbeeld de aankoop van brandstof door vrachtwagenchauffeurs.

So the truckers are just going about their business,

De chauffeurs werken gewoon

and they're buying fuel.

en ze kopen brandstof.

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

Als we een stijging in de aankoop van brandstof zien,

and we know that a recession is about to end.

weten we dat een recessie op zijn einde is.

Or we can monitor the velocity

We kunnen de snelheid meten

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

waarmee mensen over de snelweg rijden.

and the phone company can see,

De telefoonmaatschappij kan zien

as the velocity is slowing down,

dat er een file is

that there's a traffic jam.

wanneer mensen afremmen.

And they can feed that information back to their subscribers,

Ze kunnen die informatie aanbieden aan hun klanten,

but only to their subscribers on the same highway

maar alleen aan de klanten op dezelfde snelweg

located behind the traffic jam!

die richting de file bewegen.

Or we can monitor doctors prescribing behaviors, passively,

Of we zouden kunnen kijken welke medicijnen artsen voorschrijven,

and see how the diffusion of innovation with pharmaceuticals

passief, en zien hoe de verspreiding daarvan verloopt

occurs within [networks of] doctors.

binnen netwerken van artsen.

Or again, we can monitor purchasing behavior in people

Of we kunnen kijken wat mensen kopen

and watch how these types of phenomena

om te zien hoe zulk gedrag

can diffuse within human populations.

zich verspreidt tussen mensen.

And there are three ways, I think,

Ik denk dat er drie manieren zijn

that these massive-passive data can be used.

waarop deze massaal-passieve gegevens gebruikt kunnen worden.

One is fully passive,

Eén is volledig passief,

like I just described --

zoals ik zojuist beschreef

as in, for instance, the trucker example,

in het voorbeeld van de vrachtwagenchauffeurs

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

waar we mensen helemaal ongemoeid laten.

One is quasi-active,

Eén is half actief,

like the flu example I gave,

zoals in het griepvoorbeeld,

where we get some people to nominate their friends

waar sommige mensen hun vrienden voordragen

and then passively monitor their friends --

die dan passief gevolgd worden -

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

Hebben ze de griep, of niet? - om een waarschuwing te krijgen.

Or another example would be,

Een ander voorbeeld zou kunnen zijn

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

dat een telefoonmaatschappij kijkt wie centraal is in het netwerk

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

en die mensen vraagt elke dag hun koorts door te geven,

Just text us your temperature."

alleen hun temperatuur.

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

Verzamel een heleboel informatie over de temperatuur van mensen,

but from centrally located individuals.

maar dan wel van de centrale mensen.

And be able, on a large scale,

Zo kan je op grote schaal

to monitor an impending epidemic

een epidemie zien aankomen

with very minimal input from people.

terwijl je mensen heel weinig vraagt.

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

Ten derde kan het actiever.

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

Ik weet dat anderen het hier vandaag nog over zullen hebben.

where people might globally participate in wikis,

Mensen kunnen wereldwijd meedoen aan wiki's,

or photographing, or monitoring elections,

of fotograferen, of verkiezingen controleren,

and upload information in a way that allows us to pool

en deze informatie uploaden op een manier dat we het kunnen samenbrengen

information in order to understand social processes

om sociale processen

and social phenomena.

en sociale verschijnsels te begrijpen.

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

De beschikbaarheid van deze gegevens luidt,

heralds a kind of new era

denk ik, een nieuw tijdperk in

of what I and others would like to call

die we graag 'computationele sociale wetenschappen'

"computational social science."

willen noemen.

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

Het is een beetje zoals toen Galileo

came to use a telescope

een telescoop ging gebruiken

and could see the heavens in a new way,

en de hemel op een nieuwe manier kon zien,

or Leeuwenhoek became aware of the microscope --

of toen Van Leeuwenhoek de microscoop leerde kennen,

or actually invented --

of uitvond,

and could see biology in a new way.

en de biologie op een nieuwe manier zag.

But now we have access to these kinds of data

Maar nu hebben we toegang tot dit soort gegevens

that allow us to understand social processes

die het mogelijk maken sociale processen

and social phenomena

en verschijnselen te begrijpen

in an entirely new way that was never before possible.

op een heel nieuwe manier die nooit mogelijk was.

And with this science, we can

Met deze wetenschap kunnen we begrijpen

understand how exactly

hoe het nu kan

the whole comes to be greater

dat het geheel groter wordt

than the sum of its parts.

dan de som der delen.

And actually, we can use these insights

We kunnen deze inzichten gebruiken

to improve society and improve human well-being.

om de maatschappij en menselijk welzijn te verbeteren.

Thank you.

Bedankt.