Nicholas Christakis: How social networks predict epidemics

93,295 views ・ 2010-09-16

TED


Dubbelklicka på de engelska undertexterna nedan för att spela upp videon.

Översättare: Anders Björk Granskare: Lisbeth Pekkari
00:15
For the last 10 years, I've been spending my time trying to figure out
0
15260
3000
Under de senaste 10 åren, har jag använt min tid till att klura ut
00:18
how and why human beings
1
18260
2000
hur och varför människor börjar
00:20
assemble themselves into social networks.
2
20260
3000
samla sig i sociala nätverk.
00:23
And the kind of social network I'm talking about
3
23260
2000
Och den sorts sociala nätverk jag talar om
00:25
is not the recent online variety,
4
25260
2000
är inte den nya onlinevarianten,
00:27
but rather, the kind of social networks
5
27260
2000
utan, den typ av sociala nätverk
00:29
that human beings have been assembling for hundreds of thousands of years,
6
29260
3000
som människor har samlats inom under hundratusentals år,
00:32
ever since we emerged from the African savannah.
7
32260
3000
ända sedan vi dök upp på den Afrikanska savannen.
00:35
So, I form friendships and co-worker
8
35260
2000
Så, jag skapar vänskaps-, arbets-,
00:37
and sibling and relative relationships with other people
9
37260
3000
syskon- och andra relationer med andra människor
00:40
who in turn have similar relationships with other people.
10
40260
2000
som i sin tur har liknande relationer med andra människor.
00:42
And this spreads on out endlessly into a distance.
11
42260
3000
Och detta sprider sig ändlöst utåt.
00:45
And you get a network that looks like this.
12
45260
2000
Och du får ett nätverk som ser ut så här.
00:47
Every dot is a person.
13
47260
2000
Där varje punkt är en person.
00:49
Every line between them is a relationship between two people --
14
49260
2000
Där varje linje mellan dem är en relation mellan två människor --
00:51
different kinds of relationships.
15
51260
2000
olika typer av relationer.
00:53
And you can get this kind of vast fabric of humanity,
16
53260
3000
Och du får den typ av omfattande tyg av mänsklighet,
00:56
in which we're all embedded.
17
56260
2000
som vi alla är inbäddade i.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
58260
3000
Jag och min kollega, James Fowler, har studerat det ett bra tag nu
01:01
what are the mathematical, social,
19
61260
2000
vilka är de matematiska, sociala,
01:03
biological and psychological rules
20
63260
3000
biologiska och psykologiska reglerna
01:06
that govern how these networks are assembled
21
66260
2000
som styr hur dessa nätverk sammansätts
01:08
and what are the similar rules
22
68260
2000
och vilka är de liknande reglerna
01:10
that govern how they operate, how they affect our lives.
23
70260
3000
som styr hur de verkar, hur de påverkar våra liv.
01:13
But recently, we've been wondering
24
73260
2000
Och, nyligen har vi funderat på
01:15
whether it might be possible to take advantage of this insight,
25
75260
3000
huruvida det är möjligt att dra nytta av denna insikt,
01:18
to actually find ways to improve the world,
26
78260
2000
för att verkligen hitta vägar till att förbättra världen,
01:20
to do something better,
27
80260
2000
för att göra någonting bättre,
01:22
to actually fix things, not just understand things.
28
82260
3000
för att verkligen fixa saker, inte bara förstå dem.
01:25
So one of the first things we thought we would tackle
29
85260
3000
Så en av de första sakerna vi tänkte tackla
01:28
would be how we go about predicting epidemics.
30
88260
3000
skulle vara hur vi går tillväga för för förutsäga epidemier.
01:31
And the current state of the art in predicting an epidemic --
31
91260
2000
Det nuvarande bästa tillvägagångssättet för att förutsäga epidemier --
01:33
if you're the CDC or some other national body --
32
93260
3000
om du är på smittskyddsinstitutet (Am. CDC) eller någon annan myndighet --
01:36
is to sit in the middle where you are
33
96260
2000
är att sitta där du är
01:38
and collect data
34
98260
2000
och samla in data
01:40
from physicians and laboratories in the field
35
100260
2000
från läkare och laboratorier på fältet
01:42
that report the prevalence or the incidence of certain conditions.
36
102260
3000
som rapporterar prevalens eller incidens av vissa sjukdommar.
01:45
So, so and so patients have been diagnosed with something,
37
105260
3000
Patienter, där och där som blivit diagnostiserade med något [här borta]
01:48
or other patients have been diagnosed,
38
108260
2000
eller andra som blivit diagnostisera [här borta]
01:50
and all these data are fed into a central repository, with some delay.
39
110260
3000
och alla dessa data matas till en stor databas, med en viss fördröjning.
01:53
And if everything goes smoothly,
40
113260
2000
Och om allt går som de ska
01:55
one to two weeks from now
41
115260
2000
en-två veckor från nu,
01:57
you'll know where the epidemic was today.
42
117260
3000
kommer du veta vart epidemin var i förrgår.
02:00
And actually, about a year or so ago,
43
120260
2000
Och faktiskt, för ett år sen eller så,
02:02
there was this promulgation
44
122260
2000
kom det ett offentliggörande
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
124260
3000
om en idé om Google Flu Trends, med sikte på influensan,
02:07
where by looking at people's searching behavior today,
46
127260
3000
där man genom att titta på folks sökbeteende i dag,
02:10
we could know where the flu --
47
130260
2000
kunde veta vart flunsan...
02:12
what the status of the epidemic was today,
48
132260
2000
vad statusen för epidemin var i dag,
02:14
what's the prevalence of the epidemic today.
49
134260
3000
vad prevalensen för epidemin är i dag.
02:17
But what I'd like to show you today
50
137260
2000
Men det jag skulle vilja visa dig i dag
02:19
is a means by which we might get
51
139260
2000
är ett sätt genom vilket vi möjligen får
02:21
not just rapid warning about an epidemic,
52
141260
3000
inte bara en tidig varning för epidemin,
02:24
but also actually
53
144260
2000
men också i själva verket
02:26
early detection of an epidemic.
54
146260
2000
en tidig detektering av en epidemi.
02:28
And, in fact, this idea can be used
55
148260
2000
Och, faktum är, denna idé kan användas
02:30
not just to predict epidemics of germs,
56
150260
3000
inte bara för att förutsäga bakteriella epidemier,
02:33
but also to predict epidemics of all sorts of kinds.
57
153260
3000
men även för att förutsäga alla typer av epidemier.
02:37
For example, anything that spreads by a form of social contagion
58
157260
3000
Till exempel, alla saker som sprids genom en slags social smitta
02:40
could be understood in this way,
59
160260
2000
kan förklaras genom detta sätt,
02:42
from abstract ideas on the left
60
162260
2000
från abstrakta idéer till vänster
02:44
like patriotism, or altruism, or religion
61
164260
3000
som patriotism eller altruism eller religion,
02:47
to practices
62
167260
2000
till tillvägagångsätt
02:49
like dieting behavior, or book purchasing,
63
169260
2000
som dietbeteende eller bokköpande,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
171260
3000
eller drickande eller cykel-hjälms [och] eller andra säkerhetsdetaljer,
02:54
or products that people might buy,
65
174260
2000
eller produkter som folk kan tänka sig att köpa,
02:56
purchases of electronic goods,
66
176260
2000
inköp av elektronikvaror,
02:58
anything in which there's kind of an interpersonal spread.
67
178260
3000
vad som helst som där det finns en spridning mellan personer.
03:01
A kind of a diffusion of innovation
68
181260
2000
En slags spridning av innovationer
03:03
could be understood and predicted
69
183260
2000
kan förstås och förutsägas
03:05
by the mechanism I'm going to show you now.
70
185260
3000
genom mekanismen som jag kommer visa dig nu.
03:08
So, as all of you probably know,
71
188260
2000
Så, som de flesta av er troligen vet,
03:10
the classic way of thinking about this
72
190260
2000
det klassiska sättet att tänka kring detta
03:12
is the diffusion-of-innovation,
73
192260
2000
är spridning-av-innovation
03:14
or the adoption curve.
74
194260
2000
eller acceptanskurvan (eng. adoption curve).
03:16
So here on the Y-axis, we have the percent of the people affected,
75
196260
2000
Så här på Y-axeln, har vi procent av folk som är berörda,
03:18
and on the X-axis, we have time.
76
198260
2000
och på X-axeln, har vi tid.
03:20
And at the very beginning, not too many people are affected,
77
200260
3000
Och i allra första början är inte alls så många berörda.
03:23
and you get this classic sigmoidal,
78
203260
2000
och då får den klassiska sigmodala,
03:25
or S-shaped, curve.
79
205260
2000
eller S-formade, kurvan.
03:27
And the reason for this shape is that at the very beginning,
80
207260
2000
Och ett skäl till denna form är att från första början,
03:29
let's say one or two people
81
209260
2000
låt oss säga att en eller två personer
03:31
are infected, or affected by the thing
82
211260
2000
har blivit påverkade eller infekterad av detta
03:33
and then they affect, or infect, two people,
83
213260
2000
de påverkar, eller infekterar sedan två personer,
03:35
who in turn affect four, eight, 16 and so forth,
84
215260
3000
som i sin tur påverkar fyra, åtta och 16 och så vidare,
03:38
and you get the epidemic growth phase of the curve.
85
218260
3000
och du får den epidemiska tillväxtfasen på kurvan.
03:41
And eventually, you saturate the population.
86
221260
2000
Och till slut, så närmar du dig hela befolkning.
03:43
There are fewer and fewer people
87
223260
2000
Det är färre och färre människor kvar
03:45
who are still available that you might infect,
88
225260
2000
vilka fortfarande är möjliga att infektera,
03:47
and then you get the plateau of the curve,
89
227260
2000
och där får du platån på kurvan,
03:49
and you get this classic sigmoidal curve.
90
229260
3000
och du får den klassiska sigmodala kurvan.
03:52
And this holds for germs, ideas,
91
232260
2000
Och detta håller för bakterier, idéer,
03:54
product adoption, behaviors,
92
234260
2000
produktacceptans, beteenden,
03:56
and the like.
93
236260
2000
och liknande.
03:58
But things don't just diffuse in human populations at random.
94
238260
3000
Men saker sprider sig inte i den mänskliga populationen slumpmässigt.
04:01
They actually diffuse through networks.
95
241260
2000
De sprider sig i själva verket genom nätverk.
04:03
Because, as I said, we live our lives in networks,
96
243260
3000
Eftersom vi lever våra liv i nätverk,
04:06
and these networks have a particular kind of a structure.
97
246260
3000
och dessa nätverk har en speciell sorts struktur.
04:09
Now if you look at a network like this --
98
249260
2000
Om du nu tittar på ett nätverk som detta...
04:11
this is 105 people.
99
251260
2000
Detta är 105 människor.
04:13
And the lines represent -- the dots are the people,
100
253260
2000
Och linjerna representerar ... prickarna är människor,
04:15
and the lines represent friendship relationships.
101
255260
2000
och linjerna representerar vänskapsrelationer.
04:17
You might see that people occupy
102
257260
2000
Du ser kanske folk tar upp
04:19
different locations within the network.
103
259260
2000
olika platser inom detta nätverk.
04:21
And there are different kinds of relationships between the people.
104
261260
2000
Och det är olika slags relationer mellan människor.
04:23
You could have friendship relationships, sibling relationships,
105
263260
3000
Du kan ha kamratskapsrelationer, syskonrelationer,
04:26
spousal relationships, co-worker relationships,
106
266260
3000
äkta hälft relationer, arbetskamratsrelationer,
04:29
neighbor relationships and the like.
107
269260
3000
grannrelationer och liknande.
04:32
And different sorts of things
108
272260
2000
Och olika slags saker
04:34
spread across different sorts of ties.
109
274260
2000
sprider sig tvärs olika typer av förbindelser.
04:36
For instance, sexually transmitted diseases
110
276260
2000
Till exempel, sexuellt överförbara sjukdomar.
04:38
will spread across sexual ties.
111
278260
2000
kommer sprida sig via sexuella förbindelser.
04:40
Or, for instance, people's smoking behavior
112
280260
2000
Eller till exempel, människors rökvanor
04:42
might be influenced by their friends.
113
282260
2000
påverkar troligen av deras vänner.
04:44
Or their altruistic or their charitable giving behavior
114
284260
2000
Eller deras altruistiska beteende att ge till välgörenhet
04:46
might be influenced by their coworkers,
115
286260
2000
påverkas troligen av deras arbetskamrater,
04:48
or by their neighbors.
116
288260
2000
eller av deras grannar.
04:50
But not all positions in the network are the same.
117
290260
3000
Men alla platser i nätverket är inte likadana.
04:53
So if you look at this, you might immediately grasp
118
293260
2000
Så när du tittar på detta, så inser du kanske omedelbart
04:55
that different people have different numbers of connections.
119
295260
3000
att olika människor har olika antal anknytningar.
04:58
Some people have one connection, some have two,
120
298260
2000
En del människor har en anknytning, en del två,
05:00
some have six, some have 10 connections.
121
300260
3000
några har sex, några har 10 anknytningar.
05:03
And this is called the "degree" of a node,
122
303260
2000
Och detta kallas "rang" (eng. "degree") för en nod,
05:05
or the number of connections that a node has.
123
305260
2000
eller antalet en anknytningar en nod har.
05:07
But in addition, there's something else.
124
307260
2000
Men det finns något annat också.
05:09
So, if you look at nodes A and B,
125
309260
2000
Om du tittar på noderna A och B,
05:11
they both have six connections.
126
311260
2000
så har då båda sex anknytningar.
05:13
But if you can see this image [of the network] from a bird's eye view,
127
313260
3000
Men om du ser denna bild [av nätverket] från ett fågelperspektiv,
05:16
you can appreciate that there's something very different
128
316260
2000
så kommer du inse det är något väldigt annorlunda
05:18
about nodes A and B.
129
318260
2000
med noderna A och B.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
320260
3000
Så, låt mig ställa denna fråga till dig -- Kan jag förstärka din intuition genom a ställa frågan --
05:23
who would you rather be
131
323260
2000
skulle du helst vara
05:25
if a deadly germ was spreading through the network, A or B?
132
325260
3000
om en dödlig bakterie som sprider sig genom nätverket genom, A eller B?
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
328260
2000
(Publiken: B). Nicholas Christakis: B det är ju uppenbart.
05:30
B is located on the edge of the network.
134
330260
2000
B är placerar på kanten av nätverket.
05:32
Now, who would you rather be
135
332260
2000
Och, vem skulle du heller vara
05:34
if a juicy piece of gossip were spreading through the network?
136
334260
3000
om ett saftigt skvaller spridde sig genom nätverket?
05:37
A. And you have an immediate appreciation
137
337260
3000
A. Då skulle du ha en omedelbar förståelse
05:40
that A is going to be more likely
138
340260
2000
det är A som troligen har en bättre möjlighet
05:42
to get the thing that's spreading and to get it sooner
139
342260
3000
att få reda på vad som sprider sig och få reda på det fortare
05:45
by virtue of their structural location within the network.
140
345260
3000
genom dess unika strukturella plats inom nätverket.
05:48
A, in fact, is more central,
141
348260
2000
A är mer central
05:50
and this can be formalized mathematically.
142
350260
3000
och detta kan formellt beskrivas matematiskt.
05:53
So, if we want to track something
143
353260
2000
Så, om du vill följa någonting
05:55
that was spreading through a network,
144
355260
3000
som sprider sig genom ett nätverk,
05:58
what we ideally would like to do is to set up sensors
145
358260
2000
så vad vi optimalt skulle vilja göra är sätta upp sensorer
06:00
on the central individuals within the network,
146
360260
2000
på centralt placerade individer i nätverket,
06:02
including node A,
147
362260
2000
inkludera nod A,
06:04
monitor those people that are right there in the middle of the network,
148
364260
3000
övervaka människorna som är alldeles i mitten av nätverket.
06:07
and somehow get an early detection
149
367260
2000
och genom detta sätt få en tidig detektering
06:09
of whatever it is that is spreading through the network.
150
369260
3000
av vad än som sprider sig genom nätverket.
06:12
So if you saw them contract a germ or a piece of information,
151
372260
3000
Det vill säga, om du såg dem komma i kontakt med bakterier eller information,
06:15
you would know that, soon enough,
152
375260
2000
då skulle du veta att snart nog,
06:17
everybody was about to contract this germ
153
377260
2000
skulle alla andra också få kontakt med denna bakterie
06:19
or this piece of information.
154
379260
2000
eller infomation.
06:21
And this would be much better
155
381260
2000
Och detta skulle vara mycket bättre
06:23
than monitoring six randomly chosen people,
156
383260
2000
än att övervaka sex slumpmässigt valda människor,
06:25
without reference to the structure of the population.
157
385260
3000
utan kunskap om hur populationen är strukturerad.
06:28
And in fact, if you could do that,
158
388260
2000
Och faktum är, om du kunde göra detta,
06:30
what you would see is something like this.
159
390260
2000
skulle du se något liknande detta.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
392260
3000
På den vänstra skärmen, återigen, har vi den S-formade kurvan över acceptansen.
06:35
In the dotted red line, we show
161
395260
2000
På den röda prickade linjen, visar vi
06:37
what the adoption would be in the random people,
162
397260
2000
vad acceptansen skulle vara med slumpmässigt valda människor,
06:39
and in the left-hand line, shifted to the left,
163
399260
3000
och i den vänster-hands linje, skiftade mot vänster,
06:42
we show what the adoption would be
164
402260
2000
vi ser vad acceptansen skulle bli
06:44
in the central individuals within the network.
165
404260
2000
för centrala individer i nätverket.
06:46
On the Y-axis is the cumulative instances of contagion,
166
406260
2000
På Y-axeln är kumulerade smittan,
06:48
and on the X-axis is the time.
167
408260
2000
och på X-axeln är tiden.
06:50
And on the right-hand side, we show the same data,
168
410260
2000
Och på den högra sidan visar vi samma data,
06:52
but here with daily incidence.
169
412260
2000
men här den dagliga incidensen.
06:54
And what we show here is -- like, here --
170
414260
2000
Och det vi visar här är --som, här --
06:56
very few people are affected, more and more and more and up to here,
171
416260
2000
att väldigt få människor är angripna, mer och mer och här uppe,
06:58
and here's the peak of the epidemic.
172
418260
2000
och här kommer toppen av epidemin.
07:00
But shifted to the left is what's occurring in the central individuals.
173
420260
2000
Men till vänster är vad som händer de centralt placerade individerna.
07:02
And this difference in time between the two
174
422260
3000
Och denna skillnad i tid mellan de två
07:05
is the early detection, the early warning we can get,
175
425260
3000
är den tidiga detektionen, den tidiga varningen vi kan få,
07:08
about an impending epidemic
176
428260
2000
om den annalkande epidemin
07:10
in the human population.
177
430260
2000
i den mänskliga populationen.
07:12
The problem, however,
178
432260
2000
Men problemet är dock,
07:14
is that mapping human social networks
179
434260
2000
att mappande av mänskliga sociala nätverk inte
07:16
is not always possible.
180
436260
2000
alltid är möjligt.
07:18
It can be expensive, not feasible,
181
438260
2000
Det kan vara dyrt, [mycket svårt],
07:20
unethical,
182
440260
2000
oetiskt,
07:22
or, frankly, just not possible to do such a thing.
183
442260
3000
eller, helt enkelt, bara omöjligt att göra en sådan sak.
07:25
So, how can we figure out
184
445260
2000
Så, hur kan vi klura ut
07:27
who the central people are in a network
185
447260
2000
vilka dessa centrala människor är i ett nätverk
07:29
without actually mapping the network?
186
449260
3000
utan att verkligen mappa upp nätverket?
07:32
What we came up with
187
452260
2000
Vad vi kom fram till
07:34
was an idea to exploit an old fact,
188
454260
2000
var en idé som kunde utnyttja ett gammal faktum,
07:36
or a known fact, about social networks,
189
456260
2000
eller känd egenskap kring sociala nätverk,
07:38
which goes like this:
190
458260
2000
vilken låter så här:
07:40
Do you know that your friends
191
460260
2000
Vet du om att dina vänner
07:42
have more friends than you do?
192
462260
3000
har fler vänner än du har?
07:45
Your friends have more friends than you do,
193
465260
3000
Dina vänner har fler vänner än du har.
07:48
and this is known as the friendship paradox.
194
468260
2000
Detta är känt som vänskapsparadoxen.
07:50
Imagine a very popular person in the social network --
195
470260
2000
Föreställ dig en väldigt populär människa i det sociala nätverket --
07:52
like a party host who has hundreds of friends --
196
472260
3000
som håller en fest och som har hundratals vänner --
07:55
and a misanthrope who has just one friend,
197
475260
2000
och en misantrop som bara har en vän,
07:57
and you pick someone at random from the population;
198
477260
3000
och du väljer någon slumpmässigt från populationen:
08:00
they were much more likely to know the party host.
199
480260
2000
så är det mycket mera troligt att de känner personen som har festen.
08:02
And if they nominate the party host as their friend,
200
482260
2000
Och om de kallar festfixaren sin vän,
08:04
that party host has a hundred friends,
201
484260
2000
så har festfixaren hundra vänner
08:06
therefore, has more friends than they do.
202
486260
3000
och har därigenom fler vänner än de har.
08:09
And this, in essence, is what's known as the friendship paradox.
203
489260
3000
Detta är, enkelt uttryckt, vad som är känt som vänskapsparadoxen.
08:12
The friends of randomly chosen people
204
492260
3000
Vänner till slumpmässigt valda människor
08:15
have higher degree, and are more central
205
495260
2000
har högre grad, och är mer centrala,
08:17
than the random people themselves.
206
497260
2000
än de slumpmässigt valda människorna själva.
08:19
And you can get an intuitive appreciation for this
207
499260
2000
Och du kan få en intuitiv förståelse för detta
08:21
if you imagine just the people at the perimeter of the network.
208
501260
3000
om du bara tänker dig människor vid utkanten av nätverket.
08:24
If you pick this person,
209
504260
2000
Om du väljer denna person,
08:26
the only friend they have to nominate is this person,
210
506260
3000
den enda vän som de behöver nominera är denna person,
08:29
who, by construction, must have at least two
211
509260
2000
vilken, genom konstruktionen, måste ha minst två,
08:31
and typically more friends.
212
511260
2000
och typiskt fler än det, vänner.
08:33
And that happens at every peripheral node.
213
513260
2000
Detta inträffar vid varje nod i utkanten.
08:35
And in fact, it happens throughout the network as you move in,
214
515260
3000
Och faktum är, det inträffar genom hela nätverket när du rör dig inåt,
08:38
everyone you pick, when they nominate a random --
215
518260
2000
varje du person du väljer, när de nominerar en slumpmässigt..
08:40
when a random person nominates a friend of theirs,
216
520260
3000
när en slumpmässigt vald person nominerar en vän till dem,
08:43
you move closer to the center of the network.
217
523260
3000
rör du dig närmare centret av nätverket.
08:46
So, we thought we would exploit this idea
218
526260
3000
Så, vi tänkte vi kunde utnyttja denna idé
08:49
in order to study whether we could predict phenomena within networks.
219
529260
3000
för att studera huruvida vi kunde förutsäga fenomen med nätverk.
08:52
Because now, with this idea
220
532260
2000
Eftersom nu, med denna idé,
08:54
we can take a random sample of people,
221
534260
2000
kan vi ta ett slummässigt urval av folk,
08:56
have them nominate their friends,
222
536260
2000
få dem att nominera deras vänner,
08:58
those friends would be more central,
223
538260
2000
sådana vänner som kommer vara mer centrala,
09:00
and we could do this without having to map the network.
224
540260
3000
och vi kunde göra detta utan mappa upp nätverket.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
543260
3000
Och vi testade denna idé på utbrottet av H1N1-influensan
09:06
at Harvard College
226
546260
2000
på Harvard College
09:08
in the fall and winter of 2009, just a few months ago.
227
548260
3000
under hösten och vintern 2009, bara för några månader sen.
09:11
We took 1,300 randomly selected undergraduates,
228
551260
3000
Vi tog 1300 slumpmässigt valda studenter
09:14
we had them nominate their friends,
229
554260
2000
som vi bad nominera sina vänner,
09:16
and we followed both the random students and their friends
230
556260
2000
och vi följde både de slumpmässigt valda studenterna och deras vänner
09:18
daily in time
231
558260
2000
dagligen
09:20
to see whether or not they had the flu epidemic.
232
560260
3000
för att om de hade fått influensa eller ej.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
563260
3000
Och vi gjorde detta passivt genom kolla om de hade gått till universitetets hälsocentral eller ej.
09:26
And also, we had them [actively] email us a couple of times a week.
234
566260
3000
De fick även [aktivt] e-posta oss några gånger i veckan.
09:29
Exactly what we predicted happened.
235
569260
3000
Exakt det vi hade förutspått hände.
09:32
So the random group is in the red line.
236
572260
3000
Så den slumpmässigt valda gruppen är den röda linjen.
09:35
The epidemic in the friends group has shifted to the left, over here.
237
575260
3000
Epidemin i vängruppen är skiftad till vänster, borta här.
09:38
And the difference in the two is 16 days.
238
578260
3000
Och skillnaden mellan de båda är 16 dagar.
09:41
By monitoring the friends group,
239
581260
2000
Genom att följa gruppen av vänner,
09:43
we could get 16 days advance warning
240
583260
2000
kunde vi få en 16 dagar tidigare varning
09:45
of an impending epidemic in this human population.
241
585260
3000
av den annalkande epidemin in denna mänskliga population.
09:48
Now, in addition to that,
242
588260
2000
Nu, i tillägg till detta,
09:50
if you were an analyst who was trying to study an epidemic
243
590260
3000
om du var en analytiker som försökte studera en epidemi
09:53
or to predict the adoption of a product, for example,
244
593260
3000
eller till exempel förutsäga acceptansen av en produkt
09:56
what you could do is you could pick a random sample of the population,
245
596260
3000
vad du skulle göra då är att ta ett slumpmässigt urval av populationen,
09:59
also have them nominate their friends and follow the friends
246
599260
3000
och få dem att nominera deras vänner och följa dessa vänner,
10:02
and follow both the randoms and the friends.
247
602260
3000
och både följa de slumpmässigt valda och deras vänner.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
605260
3000
Bland vänner, blippen ovanför noll som du såg är det första beviset
10:08
in adoption of the innovation, for example,
249
608260
3000
på acceptans på innovationen, till exempel,
10:11
would be evidence of an impending epidemic.
250
611260
2000
skulle vara bevis på en annalkande epidemi.
10:13
Or you could see the first time the two curves diverged,
251
613260
3000
Eller så skulle du se det då kurvorna för första gången började gå åt olika håll,
10:16
as shown on the left.
252
616260
2000
som visas här till vänster.
10:18
When did the randoms -- when did the friends take off
253
618260
3000
När rörde sig de slumpmässiga... när rörde sig vänner i väg
10:21
and leave the randoms,
254
621260
2000
och lämnade de slumpmässiga,
10:23
and [when did] their curve start shifting?
255
623260
2000
och [när började] deras kurva skifta?
10:25
And that, as indicated by the white line,
256
625260
2000
Och detta, indikerat av den vita linjen.
10:27
occurred 46 days
257
627260
2000
inträffade 46 dagar
10:29
before the peak of the epidemic.
258
629260
2000
före epidemins topp.
10:31
So this would be a technique
259
631260
2000
Så detta kunde bli en teknik
10:33
whereby we could get more than a month-and-a-half warning
260
633260
2000
genom vilken vi kunde få mer än en en och en halv månads förvarning
10:35
about a flu epidemic in a particular population.
261
635260
3000
om en influensaepidemi i en specifik population.
10:38
I should say that
262
638260
2000
Jag bör säga att
10:40
how far advanced a notice one might get about something
263
640260
2000
hur långt i förväg man får en indikation om något
10:42
depends on a host of factors.
264
642260
2000
beror på en mängd faktorer.
10:44
It could depend on the nature of the pathogen --
265
644260
2000
Det kan beror på patogenets natur --
10:46
different pathogens,
266
646260
2000
olika slags patogener,
10:48
using this technique, you'd get different warning --
267
648260
2000
med denna teknik, skulle ge olika varningar --
10:50
or other phenomena that are spreading,
268
650260
2000
eller andra fenomen som sprider sig,
10:52
or frankly, on the structure of the human network.
269
652260
3000
eller, helt enkelt, beroende på strukturen av den mänskliga nätverket.
10:55
Now in our case, although it wasn't necessary,
270
655260
3000
I vårt fall, fastän det inte var nödvändigt,
10:58
we could also actually map the network of the students.
271
658260
2000
kunde vi även i själva verket mappa nätverket av studenter.
11:00
So, this is a map of 714 students
272
660260
2000
Så, det är detta är kartan över 714 studenter.
11:02
and their friendship ties.
273
662260
2000
och deras vänskapsband.
11:04
And in a minute now, I'm going to put this map into motion.
274
664260
2000
Och om en minut, kommer jag sätta igång rörelsen i denna karta.
11:06
We're going to take daily cuts through the network
275
666260
2000
Vi kommer ta dagliga ögonblicksbilder av nätverket
11:08
for 120 days.
276
668260
2000
över 120 dagar.
11:10
The red dots are going to be cases of the flu,
277
670260
3000
De röda prickarna kommer visa influensafallen,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
673260
3000
och de gula kommer vara vänner till människor med influensan.
11:16
And the size of the dots is going to be proportional
279
676260
2000
Och storleken på prickarna är proportionell
11:18
to how many of their friends have the flu.
280
678260
2000
mot hur många av deras vänner som influensan.
11:20
So bigger dots mean more of your friends have the flu.
281
680260
3000
Så större prickar betyder flera av dina vänner har influensan.
11:23
And if you look at this image -- here we are now in September the 13th --
282
683260
3000
Och om du tittar på den bild --här är vi nu den 13:e September --
11:26
you're going to see a few cases light up.
283
686260
2000
du kommer se några få fall som lyser till.
11:28
You're going to see kind of blooming of the flu in the middle.
284
688260
2000
Du kommer få se uppblossande av influensan i mitten.
11:30
Here we are on October the 19th.
285
690260
3000
Här är vi på den 19:e oktober.
11:33
The slope of the epidemic curve is approaching now, in November.
286
693260
2000
Lutningen på epidemikurvan närmar sig nu, i november.
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
695260
3000
Pang, pang, pang, pang, pang, du kommer se ett massivt uppblossande i mitten,
11:38
and then you're going to see a sort of leveling off,
288
698260
2000
och sen kommer du se en slags avklingning,
11:40
fewer and fewer cases towards the end of December.
289
700260
3000
färre och färre fall mot slutet av december.
11:43
And this type of a visualization
290
703260
2000
Och denna typ av visualisering
11:45
can show that epidemics like this take root
291
705260
2000
kan visa att epidemier som denna, rotar sig
11:47
and affect central individuals first,
292
707260
2000
och påverkar centrala individer först,
11:49
before they affect others.
293
709260
2000
innan de påverkar andra.
11:51
Now, as I've been suggesting,
294
711260
2000
Som jag har sagt så är
11:53
this method is not restricted to germs,
295
713260
3000
denna metod inte bara är begränsad till bakterier,
11:56
but actually to anything that spreads in populations.
296
716260
2000
utan fungerar för allt som sprider sig i populationer.
11:58
Information spreads in populations,
297
718260
2000
Information sprider sig via populationer.
12:00
norms can spread in populations,
298
720260
2000
Normer kan sprida sig i populationer.
12:02
behaviors can spread in populations.
299
722260
2000
Beteenden kan sprida sig i populationer.
12:04
And by behaviors, I can mean things like criminal behavior,
300
724260
3000
Och med beteende menar jag företeelser som kriminella beteenden,
12:07
or voting behavior, or health care behavior,
301
727260
3000
eller valbeteenden eller hälsobeteenden,
12:10
like smoking, or vaccination,
302
730260
2000
som rökning, eller vaccinationer,
12:12
or product adoption, or other kinds of behaviors
303
732260
2000
eller produktacceptans eller andra typer av beteenden
12:14
that relate to interpersonal influence.
304
734260
2000
som relaterar till interpersonell påverkan.
12:16
If I'm likely to do something that affects others around me,
305
736260
3000
Om jag är benägen att göra något som påverkar andra runt omkring mig,
12:19
this technique can get early warning or early detection
306
739260
3000
kan den här tekniken ge en tidig varning eller tidig detektion,
12:22
about the adoption within the population.
307
742260
3000
angående mottagandet inom en population.
12:25
The key thing is that for it to work,
308
745260
2000
Nyckeln här är, för att få det att fungera,
12:27
there has to be interpersonal influence.
309
747260
2000
måste det finnas interpersonell påverkan.
12:29
It cannot be because of some broadcast mechanism
310
749260
2000
Det kan inte vara på grund av någon slags utsändningsmekanism
12:31
affecting everyone uniformly.
311
751260
3000
som påverkar alla likadant.
12:35
Now the same insights
312
755260
2000
Samma insikter
12:37
can also be exploited -- with respect to networks --
313
757260
3000
kan även utnyttjas -- med avseende på nätverk --
12:40
can also be exploited in other ways,
314
760260
3000
kan även utnyttjas på andra slags sätt,
12:43
for example, in the use of targeting
315
763260
2000
till exempel, för att målsöka
12:45
specific people for interventions.
316
765260
2000
specifika människor för interventioner.
12:47
So, for example, most of you are probably familiar
317
767260
2000
Så, till exempel är nog de flesta av er familjära
12:49
with the notion of herd immunity.
318
769260
2000
med uttrycket flockimmunitet.
12:51
So, if we have a population of a thousand people,
319
771260
3000
Så om vi har en population med tusen människor,
12:54
and we want to make the population immune to a pathogen,
320
774260
3000
och vi vill göra populationen immun mot en patogen
12:57
we don't have to immunize every single person.
321
777260
2000
då behöver vi inte immunisera varenda enskild person.
12:59
If we immunize 960 of them,
322
779260
2000
Om vi immunisera 960 av dem,
13:01
it's as if we had immunized a hundred [percent] of them.
323
781260
3000
så är det som om vi hade immuniserat hundra [procent] av dem.
13:04
Because even if one or two of the non-immune people gets infected,
324
784260
3000
Därför att även om en eller två av de ickeimmuna människorna smittas,
13:07
there's no one for them to infect.
325
787260
2000
så finns det ingen för dem att smitta.
13:09
They are surrounded by immunized people.
326
789260
2000
De omringas av immuna människor.
13:11
So 96 percent is as good as 100 percent.
327
791260
3000
Så 96 procent är lika bra som 100 procent.
13:14
Well, some other scientists have estimated
328
794260
2000
Nåväl, andra vetenskapsmän har estimerat
13:16
what would happen if you took a 30 percent random sample
329
796260
2000
vad som skulle hända om man tog ett 30-procentigt slumpmässigt prov
13:18
of these 1000 people, 300 people and immunized them.
330
798260
3000
av dessa 1000 människor, dvs 300 och immuniserade dem.
13:21
Would you get any population-level immunity?
331
801260
2000
Skulle man då få någon immunitet på populationsnivå?
13:23
And the answer is no.
332
803260
3000
Och svaret är nej.
13:26
But if you took this 30 percent, these 300 people
333
806260
2000
Men om du tog dessa 30 procent, dessa 300 människor,
13:28
and had them nominate their friends
334
808260
2000
och de fick nominera sina vänner
13:30
and took the same number of vaccine doses
335
810260
3000
och tog samma antal vaccinationsdoser
13:33
and vaccinated the friends of the 300 --
336
813260
2000
och vaccinerade vänner till de 300,
13:35
the 300 friends --
337
815260
2000
de 300 vänner,
13:37
you can get the same level of herd immunity
338
817260
2000
så skulle du få samma nivå av flockimmunitet.
13:39
as if you had vaccinated 96 percent of the population
339
819260
3000
som om du vaccinerade 96 procent av populationen
13:42
at a much greater efficiency, with a strict budget constraint.
340
822260
3000
och med en mycket högre effektivitet och med en mycket lägre budget.
13:45
And similar ideas can be used, for instance,
341
825260
2000
Och liknande idéer kan användas, till exempel,
13:47
to target distribution of things like bed nets
342
827260
2000
för att fokusera distributionen av saker som myggnät för sängar
13:49
in the developing world.
343
829260
2000
i U-länder.
13:51
If we could understand the structure of networks in villages,
344
831260
3000
Om vi kunde förstå strukturen hos nätverken i byarna,
13:54
we could target to whom to give the interventions
345
834260
2000
kunde vi fokusera på till vilka vi skulle ge detta stöd
13:56
to foster these kinds of spreads.
346
836260
2000
för att främja att dessa saker sprids.
13:58
Or, frankly, for advertising with all kinds of products.
347
838260
3000
Eller, frankt, för att annonsera alla typer av produkter.
14:01
If we could understand how to target,
348
841260
2000
Om vi kunde förstå hur man inriktar arbetet,
14:03
it could affect the efficiency
349
843260
2000
kunde detta på påverka effektiviteten
14:05
of what we're trying to achieve.
350
845260
2000
på det vi försöker nå till.
14:07
And in fact, we can use data
351
847260
2000
Och faktum är vi kunde använda data
14:09
from all kinds of sources nowadays [to do this].
352
849260
2000
från alla typer av källor som finns i dag [för att göra detta].
14:11
This is a map of eight million phone users
353
851260
2000
Den här kartan visar åtta miljoner telefonanvändare
14:13
in a European country.
354
853260
2000
i ett europeiskt land.
14:15
Every dot is a person, and every line represents
355
855260
2000
Varje punkt är en person och varje linje visar
14:17
a volume of calls between the people.
356
857260
2000
volymen av samtal mellan dessa människor.
14:19
And we can use such data, that's being passively obtained,
357
859260
3000
Och vi kan använda sådan data, som är passivt insamlat,
14:22
to map these whole countries
358
862260
2000
för att mappa hela länder
14:24
and understand who is located where within the network.
359
864260
3000
och förstå vilka som är lokaliserade var inom nätverket.
14:27
Without actually having to query them at all,
360
867260
2000
Utan att verkligen behöva fråga dem överhuvudtaget,
14:29
we can get this kind of a structural insight.
361
869260
2000
kan vi få denna strukturella insikt.
14:31
And other sources of information, as you're no doubt aware
362
871260
3000
Och andra källor av information, som du säkert vet,
14:34
are available about such features, from email interactions,
363
874260
3000
är tillgängliga att få sådan egenskaper från, från e-post konversation
14:37
online interactions,
364
877260
2000
internet-interaktioner
14:39
online social networks and so forth.
365
879260
3000
social nätverk på internet och så vidare.
14:42
And in fact, we are in the era of what I would call
366
882260
2000
Och faktum är, vi är i en era av jag skulle kalla
14:44
"massive-passive" data collection efforts.
367
884260
3000
"massiv-passiv" data insamling.
14:47
They're all kinds of ways we can use massively collected data
368
887260
3000
Det är alla olika vägar vi kan använda för massiv datainsamling
14:50
to create sensor networks
369
890260
3000
för att skapa sensornätverk
14:53
to follow the population,
370
893260
2000
för att följa populationen,
14:55
understand what's happening in the population,
371
895260
2000
för att förstå vad som händer i en population,
14:57
and intervene in the population for the better.
372
897260
3000
och för att ingripa för populationens bästa.
15:00
Because these new technologies tell us
373
900260
2000
Eftersom dessa nya tekniker berättar för oss
15:02
not just who is talking to whom,
374
902260
2000
inte bara vem som pratar med vem,
15:04
but where everyone is,
375
904260
2000
men även var varje människa är,
15:06
and what they're thinking based on what they're uploading on the Internet,
376
906260
3000
och vad de tänker, baserat på vad de laddar upp på nätet,
15:09
and what they're buying based on their purchases.
377
909260
2000
och vad de köper baserat på deras inköp.
15:11
And all this administrative data can be pulled together
378
911260
3000
Och alla dessa administrativa data kan fogas samman
15:14
and processed to understand human behavior
379
914260
2000
och processas så att vi förstår mänskligt beteende
15:16
in a way we never could before.
380
916260
3000
på ett sätt vi inte tidigare kunde.
15:19
So, for example, we could use truckers' purchases of fuel.
381
919260
3000
Så till exempel, vi kunde använda lastbilschaufförers inköp av bränsle.
15:22
So the truckers are just going about their business,
382
922260
2000
Chaufförerna gör bara sitt jobb
15:24
and they're buying fuel.
383
924260
2000
och köper bränsle.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
926260
3000
Och vi ser en hopp uppåt i chaufförernas inköp av bränsle,
15:29
and we know that a recession is about to end.
385
929260
2000
och vi vet att att lågkonjunkturen är på väg ta slut.
15:31
Or we can monitor the velocity
386
931260
2000
Eller så kan vi övervaka hastigheten
15:33
with which people are moving with their phones on a highway,
387
933260
3000
med vilken människorna rör sig på en motorväg, genom deras mobiler,
15:36
and the phone company can see,
388
936260
2000
och telefonbolaget kan se,
15:38
as the velocity is slowing down,
389
938260
2000
genom att hastigheten minskar,
15:40
that there's a traffic jam.
390
940260
2000
att det är trafikstockning.
15:42
And they can feed that information back to their subscribers,
391
942260
3000
Och de kan mata tillbaka denna information till sina kunder,
15:45
but only to their subscribers on the same highway
392
945260
2000
men bara till kunderna på samma motorväg
15:47
located behind the traffic jam!
393
947260
2000
som befinner sig innan trafikstockningen.
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
949260
3000
Eller så kan vi följa läkares utskrivningsmönster, passivt,
15:52
and see how the diffusion of innovation with pharmaceuticals
395
952260
3000
och se hur produktacceptansen hos läkemedel
15:55
occurs within [networks of] doctors.
396
955260
2000
utvecklar sig [genom nätverk av] läkare.
15:57
Or again, we can monitor purchasing behavior in people
397
957260
2000
Eller återigen, vi kan följa inköpsbeteenden hos människor,
15:59
and watch how these types of phenomena
398
959260
2000
och se hur dessa olika typer av fenomen
16:01
can diffuse within human populations.
399
961260
3000
kan diffundera genom mänskliga populationer.
16:04
And there are three ways, I think,
400
964260
2000
Och det finns tre olika sätt, tror jag,
16:06
that these massive-passive data can be used.
401
966260
2000
som dessa massiv-passiva data kan användas på.
16:08
One is fully passive,
402
968260
2000
Ett är helt passivt,
16:10
like I just described --
403
970260
2000
som jag tidigare beskrivit --
16:12
as in, for instance, the trucker example,
404
972260
2000
som i exemplet om lastbilschaufförerna,
16:14
where we don't actually intervene in the population in any way.
405
974260
2000
där vi vi inte ingriper i populationen på något sätt alls.
16:16
One is quasi-active,
406
976260
2000
En är kvasi-aktiv,
16:18
like the flu example I gave,
407
978260
2000
som influensaexemplet jag gav,
16:20
where we get some people to nominate their friends
408
980260
3000
där vi får några människor att nominera sin vänner
16:23
and then passively monitor their friends --
409
983260
2000
och sen passivt följa deras vänner --
16:25
do they have the flu, or not? -- and then get warning.
410
985260
2000
har de eller har de inte influensan? .. och få en varning.
16:27
Or another example would be,
411
987260
2000
Eller ett annat exempel skulle kunna vara,
16:29
if you're a phone company, you figure out who's central in the network
412
989260
3000
om du var ett telefonbolag, och du kunde klura ut vilka som är centrala i ett nätverk,
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
992260
3000
och du kunde fråga dessa människor, " Skulle du kunna SMSa din feber varje dag?
16:35
Just text us your temperature."
414
995260
2000
Bara messa din kroppstemperatur:"
16:37
And collect vast amounts of information about people's temperature,
415
997260
3000
Och genom detta samla in stor mängd info folks kroppstemperatur
16:40
but from centrally located individuals.
416
1000260
2000
men från centralt lokaliserade individer.
16:42
And be able, on a large scale,
417
1002260
2000
Och därigenom ha möjligen att i stor skala,
16:44
to monitor an impending epidemic
418
1004260
2000
övervaka en annalkande epidemi
16:46
with very minimal input from people.
419
1006260
2000
men mycket begränsat indata från folk.
16:48
Or, finally, it can be more fully active --
420
1008260
2000
Eller slutligen, kan det var fullt aktivt --
16:50
as I know subsequent speakers will also talk about today --
421
1010260
2000
som jag vet att påföljande talare idag också kommer att prata om --
16:52
where people might globally participate in wikis,
422
1012260
2000
där folk kanske globalt deltar i wikis,
16:54
or photographing, or monitoring elections,
423
1014260
3000
i fotografering, eller följa röstande,
16:57
and upload information in a way that allows us to pool
424
1017260
2000
eller ladda upp information på så sätt att det tillåter oss att förena
16:59
information in order to understand social processes
425
1019260
2000
information så det går att förstå sociala processer
17:01
and social phenomena.
426
1021260
2000
och sociala fenomen.
17:03
In fact, the availability of these data, I think,
427
1023260
2000
Faktum är, tillgången på dessa data, tror jag,
17:05
heralds a kind of new era
428
1025260
2000
frammanar en ny typ av era
17:07
of what I and others would like to call
429
1027260
2000
av vad jag skulle vilja kalla
17:09
"computational social science."
430
1029260
2000
"beräkningssocialvetenskap"
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1031260
3000
Det är ungefär som när Galileo uppfann -- eller, inte uppfann--
17:14
came to use a telescope
432
1034260
2000
började använda teleskop
17:16
and could see the heavens in a new way,
433
1036260
2000
och helt plötsligt kunde vi se himmelen på ett nytt sätt,
17:18
or Leeuwenhoek became aware of the microscope --
434
1038260
2000
eller när Leeuwenhoek upptäckte mikroskopet --
17:20
or actually invented --
435
1040260
2000
eller verkligen uppfann det --
17:22
and could see biology in a new way.
436
1042260
2000
och vi kunde se biologin på ett nytt sätt.
17:24
But now we have access to these kinds of data
437
1044260
2000
Men nu har vi tillgång till dessa olika typer av data
17:26
that allow us to understand social processes
438
1046260
2000
som tillåter oss förstå sociala processer
17:28
and social phenomena
439
1048260
2000
och sociala fenomen
17:30
in an entirely new way that was never before possible.
440
1050260
3000
på ett helt annat sätt än vad som tidigare var möjligt,
17:33
And with this science, we can
441
1053260
2000
Och med denna vetenskap kan vi
17:35
understand how exactly
442
1055260
2000
förstår exakt hur
17:37
the whole comes to be greater
443
1057260
2000
helheten blir större
17:39
than the sum of its parts.
444
1059260
2000
än summan av dess delar.
17:41
And actually, we can use these insights
445
1061260
2000
Och vi kan faktiskt använda dessa insikter
17:43
to improve society and improve human well-being.
446
1063260
3000
för att förbättra samhället och förbättra välmåendet hos människor.
17:46
Thank you.
447
1066260
2000
Tack så mycket.
Om denna webbplats

På den här webbplatsen hittar du YouTube-videor som är användbara för att lära sig engelska. Du kommer att få se engelska lektioner som ges av förstklassiga lärare från hela världen. Dubbelklicka på de engelska undertexterna som visas på varje videosida för att spela upp videon därifrån. Undertexterna rullar i takt med videouppspelningen. Om du har några kommentarer eller önskemål kan du kontakta oss via detta kontaktformulär.

https://forms.gle/WvT1wiN1qDtmnspy7