Nicholas Christakis: How social networks predict epidemics

Nicholas Christakis: Sosyal ağlar salgınları nasıl öngörebilir?

Çeviri: Mehmet Öner Yalçın Gözden geçirme: Isil Arican

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

Son 10 yıldır insanların nasıl ve neden

how and why human beings

sosyal ağlar üzerinde bir araya geldiklerini

assemble themselves into social networks.

anlamak için vakit harcıyorum.

And the kind of social network I'm talking about

Va kastettiğim sosyal ağ türü

is not the recent online variety,

son zamanlardaki internet ağları değil,

but rather, the kind of social networks

insanlığın yüzlerce, binlerce yıldır

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

insanlığın Afrika bozkırlarında ilk ortaya çıktığı zamanlardan beri

ever since we emerged from the African savannah.

bir araya geldikleri sosyal ağlar.

So, I form friendships and co-worker

Yani ben insanlarla iş arkadaşlığı, kardeşlik

and sibling and relative relationships with other people

ve akrabalık gibi değişik derecelerde ilişkiler kuruyorum;

who in turn have similar relationships with other people.

ve bu insanlar da diğer insanlarla benzer ilişkiler kuruyorlar.

And this spreads on out endlessly into a distance.

Ve bu çok geniş bir alana yayılıyor.

And you get a network that looks like this.

Ve buna benzer bir ağınız oluyor.

Every dot is a person.

Her nokta bir insan.

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

Aralarındaki her çizgi iki insan arasındaki ilişki.

different kinds of relationships.

Farklı türde ilişkiler.

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

Ve her birimizin dahil olduğu

in which we're all embedded.

bu tarz büyük bir insanlık dokusu elde ediyorsunuz.

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

Meslektaşım James Fowler ve ben bir süredir

what are the mathematical, social,

bu sosyal ağların işleyişini yönlendiren

biological and psychological rules

matematiksel, sosyal, biyolojik ve psikolojik

that govern how these networks are assembled

kuralların nasıl bir araya geldiğini,

and what are the similar rules

benzer kuralların neler olduğunu

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

nasıl işlediklerini ve yaşamımızı nasıl etkilediklerini araştırıyoruz.

But recently, we've been wondering

Ve son zamanlarda, ekrandaki modeli kullanarak

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

dünyayı iyi bir hale getirebilmek için

to actually find ways to improve the world,

yeni yöntemler bulabilir miyiz.

to do something better,

bazı şeyleri sadece anlamak yerine çözebilir miyiz

to actually fix things, not just understand things.

diye düşünmeye başladık.

So one of the first things we thought we would tackle

Uğraşmaya düşündüğümüz şeylerden ilki

would be how we go about predicting epidemics.

salgın hastalıkları nasıl önceden tahmin ederiz oldu.

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

Salgın hastalıkları öngörmede kullanılan şu anki yöntem

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

- salgın hastalıklarla savaşma kurumu veya başka bir ulusal kurumsanız -

is to sit in the middle where you are

olduğunuz yerde oturmak

and collect data

ve bilgileri

from physicians and laboratories in the field

bölgedeki doktorlar ve laboratuvarlardan toplayarak

that report the prevalence or the incidence of certain conditions.

belli durumların yaygınlığını ve sıklığını rapor etmek şeklindedir.

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

Böyle, böyle, bazı hastalara burada şu tanılar konuldu,

or other patients have been diagnosed,

bazı diğer hastalara ise şurada şu tanılar konuldu gibi....

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

ve bütün bu veriler biraz gecikmeyle merkezi bir kaynakta depolanır.

And if everything goes smoothly,

Ve eğer herşey sorunsuz giderse,

one to two weeks from now

bir veya iki hafta sonra,

you'll know where the epidemic was today.

salgın hastalığın bugün hangi durumda olduğunu öğrenebilirsiniz.

And actually, about a year or so ago,

Ve aslında, bir yıl kadar önce,

there was this promulgation

resmi bir açıklamayla tanıtılan

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

Google Flu Trends fikrine göre

where by looking at people's searching behavior today,

grip salgınlarında insanların günlük arama davranışlarına bakarak

we could know where the flu --

salgının nerede olduğunu,

what the status of the epidemic was today,

salgın hastalığın bugünki durumunun ne olduğunu,

what's the prevalence of the epidemic today.

ve yaygınlığının bugün ne kadar olduğunu görebilecektik.

But what I'd like to show you today

Ama bugün size göstermek istediğim şey,

is a means by which we might get

sadece bir salgınla ilgili

not just rapid warning about an epidemic,

acil uyarı değil,

but also actually

aynı zamanda

early detection of an epidemic.

salgının erkenden belirlenmesi

And, in fact, this idea can be used

Hatta, bu fikir

not just to predict epidemics of germs,

yalnızca bulaşıcı salgın hastalıkları değil,

but also to predict epidemics of all sorts of kinds.

her türlü soyut/somut salgınlığı öngörmek için kullanılabilir.

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

Örneğin, sosyal temas ile yayılan herhangi bir şey

could be understood in this way,

bu şekilde anlaşılabilir,

from abstract ideas on the left

Soldaki soyut düşüncelerden;

like patriotism, or altruism, or religion

yani vatanseverlik, başkalarını düşünürlük, din gibi,

to practices

uygulamalara, örneğin;

like dieting behavior, or book purchasing,

diyet alışkanlıklarından, kitap seçimine,

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

içme alışkanlığından, bisiklet kaskı ve diğer önlem uygulamalarına,

or products that people might buy,

veya insanların satın alabileceği ürünlere,

purchases of electronic goods,

elektronik eşya satın alma yaygınlığı

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

yani insanlararası olan herhangi bir yaygınlıktan söz ediyorum.

A kind of a diffusion of innovation

Bir yeniliğin yayılma türü

could be understood and predicted

size şimdi göstereceğim yapı ile

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

anlaşılabilir ve öngörülebilir.

So, as all of you probably know,

Hepinizin bildiği gibi

the classic way of thinking about this

bunu düşünmenin klasik yolu

is the diffusion-of-innovation,

yeniliğin-yayılması veya

or the adoption curve.

pazara tanıtılan ürünün kabul görme eğrisidir.

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

Burada Y ekseninde etkilenen insanların yüzdesi

and on the X-axis, we have time.

X ekseninde ise zaman var.

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

İlk başlarda, çok fazla insan etkilenmemiş,

and you get this classic sigmoidal,

ve bu klasik sigmoid şekilli,

or S-shaped, curve.

veya S biçimli eğriyi elde ediyoruz.

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

Ve bu şeklin sebebi ilk başlarda,

let's say one or two people

bir veya iki kişi diyelim,

are infected, or affected by the thing

etkileniyor veya bulaşıyor

and then they affect, or infect, two people,

sonra bunlar iki kişiyi etkiliyor veya onlara bulaştırıyor

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

onlar da dört, sekiz, 16 kişiyi vs.

and you get the epidemic growth phase of the curve.

Ve eğrinin salgın büyüme kısmını elde ediyorsunuz. Ve salgın

And eventually, you saturate the population.

nüfusun büyük kısmına yayılınca doygunluğa ulaşıyor.

There are fewer and fewer people

Salgının yayılabileceği insan sayısı

who are still available that you might infect,

zaman ilerledikçe azalıyor

and then you get the plateau of the curve,

ve eğrinin sondaki düz kısmına ulaşıyorsunuz.

and you get this classic sigmoidal curve.

ve toplamda da bu S biçimli eğriyi elde ediyorsunuz.

And this holds for germs, ideas,

Bu biçim mikroplar için doğru olduğu kadar, fikirler

product adoption, behaviors,

davranışlar, pazara sunulan yeni ürünün benimsenmesi

and the like.

için de geçerli.

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

Fakat bunlar yalnızca insan nüfusuna rastgele yayılmaz.

They actually diffuse through networks.

Aslında ağlar aracılığıyla yayılırlar.

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

Çünkü, söylediğim gibi, hayatımızı ağlarda geçiriyoruz,

and these networks have a particular kind of a structure.

ve bu ağlar özel bir yapıya sahip.

Now if you look at a network like this --

Şimdi eğer bu tarz bir ağa bakarsanız ...

this is 105 people.

Burada 105 insan var.

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

Noktalar insanları,

and the lines represent friendship relationships.

ve çizgiler de arkadaşlık ilişkilerini temsil ediyor.

You might see that people occupy

Gördüğünüz gibi insanlar

different locations within the network.

ağda farklı yerlerde bulunuyor.

And there are different kinds of relationships between the people.

Ve insanlar arasında farklı türde ilişkiler var.

You could have friendship relationships, sibling relationships,

Bunlar, arkadaşlık bağı, kardeşlik bağı,

spousal relationships, co-worker relationships,

karı koca bağı, iş arkadaşlığı

neighbor relationships and the like.

ya da komşuluk bağı gibi..

And different sorts of things

Ve farklı şeyler

spread across different sorts of ties.

farklı ilişkiler ile yayılır

For instance, sexually transmitted diseases

Örneğin cinsel yolla bulaşan hastalıklar

will spread across sexual ties.

cinsel ilişki ile yayılır

Or, for instance, people's smoking behavior

Veya örneğin, bir insanın sigara içmesinin nedeni

might be influenced by their friends.

sigara içen arkadaşlarından etkilenmesi olabilir.

Or their altruistic or their charitable giving behavior

veya o kişinin bencil olmayan ve hayırsever davranışlarının nedeni

might be influenced by their coworkers,

iş arkadaşlarından etkilenmesi olabilir,

or by their neighbors.

ya da komşularından.

But not all positions in the network are the same.

Ancak ağdaki her nokta aynı değil.

So if you look at this, you might immediately grasp

Eğer buna bakarsanız, hemen fark edeceksiniz ki

that different people have different numbers of connections.

değişik insanların değişik sayıda ilişkisi var.

Some people have one connection, some have two,

Bazı insanların bir, bazılarının iki

some have six, some have 10 connections.

kimisinin altı, kimisinin de on tane bağlantısı var.

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

Buna noktanın (düğümün), derecesi,

or the number of connections that a node has.

ya da o noktanın sahip olduğu bağlantı sayısı denir.

But in addition, there's something else.

Ancak bundan öte, başka bir şey daha var.

So, if you look at nodes A and B,

Eğer A ve B noktalarına bakarsanız,

they both have six connections.

her ikisinin de altı bağlantısı var.

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

Oysa bu ağın resmini kuş bakışı açısından görebilseniz

you can appreciate that there's something very different

A ve B noktalarının arasında bir şeyin çok farklı olduğunu keşfedeceksiniz

about nodes A and B.

keşfedeceksiniz.

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

Size şunu sormak istiyorum, -- Bu sezgiyi sizde bir soru sorarak sizde uyandırabilirim --

who would you rather be

Eğer ölümcül bir mikrop yayılıyorsa

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

hangisi olmayı yeğlersiniz? A ya da B?

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

(Dinleyici: B) Nicholas Christakis: B, açık ve seçik olarak.

B is located on the edge of the network.

B ağın ucunda yer alıyor.

Now, who would you rather be

Pekala, eğer ilginizi çekebilecek

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

bir dedikodu yayılıyorsa, hangisi olmayı yeğlersiniz?

A. And you have an immediate appreciation

A. Hemen kavrayacağınız üzere

that A is going to be more likely

ağın yapısı

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

ve A'nın ağdaki konumu nedeniyle

by virtue of their structural location within the network.

A'nın yayılan "şeyleri" daha çabuk alacağı açıktır.

A, in fact, is more central,

A, gerçekten, daha merkezde

and this can be formalized mathematically.

ve bu matematiksel olarak ifade edilebilir.

So, if we want to track something

Bu yüzden, eğer ağ boyunca yayılan

that was spreading through a network,

bir şeyi izlemek istiyorsak,

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

Mantıklı olanı, ağın merkezindeki noktalara

on the central individuals within the network,

algılayıcılar yerleştirip,

including node A,

ki A da buna dahil;

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

daha sonra bu merkezdeki noktaları/insanları gözlemleriz,

and somehow get an early detection

ve bir şekilde ağda yayılan "şeyi"

of whatever it is that is spreading through the network.

erkenden tespit etmemiz mümkün olur.

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

Eğer o noktaların mikropla temas ettiğini ya da bir "şey" öğrendiğini görürseniz,

you would know that, soon enough,

yakın zamanda herkesin

everybody was about to contract this germ

o mikropla temas edeceğini ya da

or this piece of information.

o bir "şey"i öğreneceğini biliyorsunuz.

And this would be much better

Ve bu ağın yapısı referans alınmadan

than monitoring six randomly chosen people,

rastgele seçilen altı kişi gözetlemekten

without reference to the structure of the population.

çok daha iyidir.

And in fact, if you could do that,

Ve gerçekten, eğer bunu yapabilirseniz

what you would see is something like this.

göreceğiniz şunun gibi bir şey olacaktır.

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

Sol tarafta, yine, S biçimli salgın eğrimiz var.

In the dotted red line, we show

Noktalı kırmızı çizgiyle salgının

what the adoption would be in the random people,

rastgele insanlar arasında nasıl yayılabileceğini;

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

ve solundaki, sola doğru kaydırılmış eğride de

we show what the adoption would be

salgının ağın merkezindeki insanlarda

in the central individuals within the network.

nasıl yayılacağını gösteriyoruz.

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

Y doğrultusu toplam salgın vak'a sayısını;

and on the X-axis is the time.

X doğrultusu da zamanı gösteriyor.

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

Ve sağ tarafta, aynı veriyi gösteriyoruz ancak;

but here with daily incidence.

burada gösterilen günlük vak'alar.

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

Ve burada gösterdiğimiz ise , -- örneğin burada --

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

çok az sayıda insan etkilenmiş, ilerledikçe ise daha fazla sayıda etkileniyor

and here's the peak of the epidemic.

ve burası da salgının tepe noktası.

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

Sola kaydırılmış eğri, merkezdeki bireylerde ne olduğunu gösteriyor.

And this difference in time between the two

ve ikisi arasındaki bu zaman farklılığı bize

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

yakında insan nüfusu arasında

about an impending epidemic

gerçekleşecek olan salgının

in the human population.

erken uyarısını verir.

The problem, however,

Fakat sorun ise;

is that mapping human social networks

insanların sosyal ağlarının bir haritasını çıkarmanın

is not always possible.

her zaman mümkün olmadığıdır.

It can be expensive, not feasible,

Çok pahalı olabilir [çok zor]

unethical,

ahlaki olmayabilir,

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

veya, dürüstçe söylemem gerekirse, mümkün de değil.

So, how can we figure out

Öyleyse, kimin ağın merkezinde olduğunu

who the central people are in a network

ağın haritasını çıkarmadan

without actually mapping the network?

nasıl anlayabiliriz?

What we came up with

Bunun üzerine aklımıza,

was an idea to exploit an old fact,

eski bir bilgiyi, daha doğrusu sosyal ağlarla ilgili

or a known fact, about social networks,

bilinen bir bilgiyi kullanmak geldi.

which goes like this:

Şöyle ki:

Do you know that your friends

Arkadaşlarının senden daha fazla

have more friends than you do?

arkadaşının olduğunu biliyor musun?

Your friends have more friends than you do,

Arkadaşlarının senden daha fazla arkadaşı var.

and this is known as the friendship paradox.

Bu arkadaşlık paradoksu [çelişkisi] olarak bilinir.

Imagine a very popular person in the social network --

İlk olarak, çevresinde çok revaçta olan birini düşünün,

like a party host who has hundreds of friends --

örneğin yüzlerce arkadaşına parti veren birisi; ve bir de

and a misanthrope who has just one friend,

herkesten kaçan ve yalnızca bir arkadaşı olan birini düşünün.

and you pick someone at random from the population;

ve kümeden rastgele birisini seçiyorsunuz

they were much more likely to know the party host.

ve bu seçtiğiniz kişiler büyük olasılıkla partiyi düzenleyeni tanıyacaktır.

And if they nominate the party host as their friend,

Eğer ki bu kişiler parti sahibini arkadaşı olarak tanımlarlarsa,

that party host has a hundred friends,

partiyi düzenleyenin yüzlerce arkadaşı vardır.

therefore, has more friends than they do.

bu nedenle de herkesten daha çok arkadaşı vardır.

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

ve de bu temelde arkadaşlık çelişkisi olarak bilinir.

The friends of randomly chosen people

Rastgele seçilenin arkadaşlarının derecesi,

have higher degree, and are more central

daha fazladır ve bu yüzden rastgele seçilen kişilere göre

than the random people themselves.

daha merkezdedirler.

And you can get an intuitive appreciation for this

Eğer ki bu ağın kenarındaki insanları düşünecek olursanız,

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

anlatılanı sezgisel olarak kavrayabilirsiniz.

If you pick this person,

Eğer bu kişiyi seçerseniz,

the only friend they have to nominate is this person,

arkadaş olarak tanımlayacağı tek kişi budur

who, by construction, must have at least two

mantıksal olarak da bu kişin de, en azından iki

and typically more friends.

ve genel olarak daha fazla arkadaşı olmalıdır.

And that happens at every peripheral node.

ve bu mantık tüm kenardaki bireyler için geçerlidir.

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

Daha da doğrusu, ağda içeri ilerledikçe bu varsayım geçerlidir.

everyone you pick, when they nominate a random --

Seçtiğiniz kişi,

when a random person nominates a friend of theirs,

diğerleri tarafından arkadaş olarak tanımlandıkça;

you move closer to the center of the network.

ağın merkezine doğru gidiyorsunuz demektir.

So, we thought we would exploit this idea

Bu yüzden biz de bu bilgiyle ;

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

ağ içinde gerçekleşebilecek bir olayı öngörmek için kullanmanın yollarını araştırdık.

Because now, with this idea

Bu fikir sayesinde;

we can take a random sample of people,

insanlar arasından rastgele bir seçim yapabilir,

have them nominate their friends,

daha merkezde olabilecek arkadaşlarını

those friends would be more central,

göstermelerini isteyebilir,

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

ve bu işlemi tüm ağın haritasını çıkarmadan yapabiliriz.

And we tested this idea with an outbreak of H1N1 flu

Bu fikri, 2009'un sonbaharı ve kışında;

at Harvard College

- yalnızca birkaç ay önce -

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

H1N1 [Domuz] gribi için Harvard Üniversitesinde test ettik.

We took 1,300 randomly selected undergraduates,

1300 rastgele üniversite öğrencisi seçtik,

we had them nominate their friends,

ve arkadaşlarını göstermelerini istedik.

and we followed both the random students and their friends

ve hem rastgele seçilen öğrenciyi hem de arkadaşlarını

daily in time

günlük olarak

to see whether or not they had the flu epidemic.

gribe yakalanıp yakalanmadıklarını takip ettik.

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

Bunu da dolaylı olarak, bu öğrencilerin sağlık merkezine gidip gitmediklerine bakarak elde ettik.

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

ve ayrıca, doğrudan da bize haftada birkaç tane e-posta göndermelerini istedik.

Exactly what we predicted happened.

Aynen öngördüğümüz gerçekleşti.

So the random group is in the red line.

Rastgele seçilen grup kırmızı çizgi,

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

Arkadaş grubunda ise salgın eğrisi sola kaydı, buraya doğru.

And the difference in the two is 16 days.

ve ikisi arasındaki fark ise 16 gün.

By monitoring the friends group,

Arkadaş grubunu gözlemleyerek

we could get 16 days advance warning

bu insan topluluğu içerisinde yaklaşan salgın için

of an impending epidemic in this human population.

16 günlük bir erken uyarı zamanı elde edebildik.

Now, in addition to that,

Buna ek olarak

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

Eğer örneğin, salgınları ya da pazara sunulan bir ürünün yayılmasını

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

inceleyen bir çözümleyici [analist] iseniz,

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

yapacağınız örnek kümenizden rastgele bir kişi seçip

also have them nominate their friends and follow the friends

arkadaşlarını belirleyip, hem o kişiyi hem de arkadaşlarını

and follow both the randoms and the friends.

gözlemlemektir.

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

Arkadaşlar içinde, yaygınlık eğrisindeki küçük artış

in adoption of the innovation, for example,

eli kulağında olan bir salgının

would be evidence of an impending epidemic.

ya da yeniliği kabullenmenin ilk kanıtıdır.

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

Ya da sol tarafta, iki eğrinin birbirinden ıraksamaya başladığı

as shown on the left.

ilk noktayı görüyorsunuz.

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

Ne zaman arkadaş grubu artışa geçiyor

and leave the randoms,

ve rastgele seçilenleri geride bırakıyor

and [when did] their curve start shifting?

ve ne zaman eğri kaymaya başlıyor?

And that, as indicated by the white line,

Bu beyaz çizgiyle gösterildiği gibi

occurred 46 days

salgının en yaygın hale ulaşmasından

before the peak of the epidemic.

46 gün önce olmuş.

So this would be a technique

Yani, bu belli bir topluluktaki

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

grip salgınını bir buçuk ay gibi bir zaman öncesinden

about a flu epidemic in a particular population.

belirlemenin bir yöntemi olabilir.

I should say that

Şunu da belirtmeliyim ki;

how far advanced a notice one might get about something

erken belirlemenin süresi birçok

depends on a host of factors.

etkene bağlıdır.

It could depend on the nature of the pathogen --

Patojenin doğasına bağlı olabilir --

different pathogens,

farklı patojenlerle

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

bu yöntemi kullanarak farklı erken uyarılar elde edersiniz

or other phenomena that are spreading,

veya da yayılan bir olayı...

or frankly, on the structure of the human network.

ya da insan sosyal ağının yapısını...

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

Bizim örneğimizde, gerekli değilse de

we could also actually map the network of the students.

öğrencilerin ağını haritalandırabiliriz.

So, this is a map of 714 students

Bu 714 öğrencinin

and their friendship ties.

ve arkadaşlık bağlarının yer aldığı bir harita.

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

Ve bir dakika içerisinde,bunu inceleyeceğiz.

We're going to take daily cuts through the network

Bu ağdan 120 gün boyunca

for 120 days.

günlük örnekler alacağız

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

Kırmızı noktalar grip vak'asını,

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

sarı noktalar ise grip olanların arkadaşlarını,

And the size of the dots is going to be proportional

ve noktaların boyutu da o noktanın grip olan

to how many of their friends have the flu.

arkadaş sayısını gösteriyor.

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

Yani, büyük noktalar daha çok arkadaşınızın grip olduğu anlamında.

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

Bu şekle bakarsanız -- burada 13 Eylüldeyiz --

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

az miktarda vak'anın oluştuğunu göreceksiniz.

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

ve burada ortada grip vak'alarında adeta bir patlama yaşandığını görüyorsunuz.

Here we are on October the 19th.

Burada 19 Ekimdeyiz.

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

ve Kasım ayında eğrinin eğimi artıyor ve ...

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

Bum, bum bum. Ortada vaka'a sayısında bir patlama olduğunu görüyorsunuz.

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

ve ardından bir tür denge durumunu görüyorsunuz.

fewer and fewer cases towards the end of December.

Aralığın sonuna doğru da vak'alar gittikçe azalıyor.

And this type of a visualization

Bu tür bir görsel açıklama,

can show that epidemics like this take root

bu tür salgınların başkalarını etkilemeden önce

and affect central individuals first,

ilk olarak merkezdeki bireylerde kök saldığını

before they affect others.

ve onları etkilediğini gösteriyor.

Now, as I've been suggesting,

Ben bu yöntemin yalnızca

this method is not restricted to germs,

mikroplara değil, tüm topluluk içerisinde

but actually to anything that spreads in populations.

yayılan bir "şey"e de uygulanabileceğini öne sürüyorum.

Information spreads in populations,

Bilgi topluluklar içinde yayılır...

norms can spread in populations,

Kurallar topluluklar içerisinde yayılabilir...

behaviors can spread in populations.

Davranışlar topluluklar içerisinde yayılabilir...

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

Davranışlar derken, kastettiğim suç içeren davranışlar gibi..

or voting behavior, or health care behavior,

veya oy verme gibi, veya sağlığa özen davranışı gibi,

like smoking, or vaccination,

örneğin sigara içme ya da aşılanma...

or product adoption, or other kinds of behaviors

ya da ürün yaygınlaşması, veya insanlararası etkileşimle

that relate to interpersonal influence.

ortaya çıkan diğer tüm çeşit davranışlar gibi.

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

Eğer başkalarını da etkileyecek bir şey yapıyorsam,

this technique can get early warning or early detection

bu yöntem ile bu "şey"in toplulukta yayılmasıyla ilgili

about the adoption within the population.

erken uyarı ya da erken belirleme sağlayabiliriz.

The key thing is that for it to work,

Bu yöntemin işe yaraması için kilit nokta,

there has to be interpersonal influence.

insanlar arası bir etkileşimin var olması gerekir.

It cannot be because of some broadcast mechanism

Yayılma mekanizması herkesi aynı ölçüde

affecting everyone uniformly.

etkilemeyebilir.

Now the same insights

Aynı kavrayışlar

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

-- ağlar için olduğu kadar-- başka konular

can also be exploited in other ways,

için de kullanılabilir.

for example, in the use of targeting

örneğin, bir konuya müdahale için

specific people for interventions.

belirli kişileri seçmede kullanılabilir.

So, for example, most of you are probably familiar

Örneğin, muhtemelen "sürü bağışıklığı" kavramı

with the notion of herd immunity.

çoğunuza tanıdık geliyor olabilir.

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

Yani, eğer bin kişiden oluşan bir topluluğumuz varsa

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

ve o topluluğa bir patojene karşı bağışıklık kazandırmak istiyorsak.

we don't have to immunize every single person.

herkesi bağışık hale getirmemiz gerekmez.

If we immunize 960 of them,

960 kişinin bağışıklık kazanması;

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

topluğun hepsinin bağışıklık kazanması ile eşdeğerdir.

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

Çünkü bir ya da iki bağışık olmayan kişi hastalansa bile,

there's no one for them to infect.

onların etkileyeceği başka insan yoktur.

They are surrounded by immunized people.

Çünkü çevresindekilerin hepsi bağışık insanlardır.

So 96 percent is as good as 100 percent.

Yani, yüzde 96 yüzde yüz ile eşdeğerdir.

Well, some other scientists have estimated

Bazı bilim insanları, bin kişiden yüzde 30'luk rastgele bir

what would happen if you took a 30 percent random sample

seçim yaparak, 300 kişiyi bağışık hale getirdikten sonra

of these 1000 people, 300 people and immunized them.

ne olacağını kestirmeye çalışmışlar.

Would you get any population-level immunity?

Topluluk düzeyinde bir bağışık elde eder miyiz?

And the answer is no.

Yanıt, hayır.

But if you took this 30 percent, these 300 people

ancak eğer bu 300 kişiyi alır ve

and had them nominate their friends

arkadaşlarını bulursanız,

and took the same number of vaccine doses

ve aynı miktarda aşı alır

and vaccinated the friends of the 300 --

ve bu 300 kişinin

the 300 friends --

300 arkadaşını aşılarsanız

you can get the same level of herd immunity

sanki topluluğun yüzde 96sını aşılamış gibi

as if you had vaccinated 96 percent of the population

bir "sürü bağışıklığı" düzeyi elde edersiniz

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

ve bunu çok daha verimli şekilde ve kısıtlı bütçe ile yapmış olursunuz.

And similar ideas can be used, for instance,

Benzer fikirler örneğin gelişmekte olan ülkelerde

to target distribution of things like bed nets

cibinlik dağıtılması ile ilgili kilit kişileri

in the developing world.

seçmekte kullanılabilir.

If we could understand the structure of networks in villages,

Eğer köylerdeki ilişki ağının yapısını anlayabilirsek

we could target to whom to give the interventions

bu tür yaygınlaşmayı hızlandırabilmek için

to foster these kinds of spreads.

hedefimizin kim olduğunu bulabiliriz.

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

Ya da samimi olmak gerekirse, her tür ürün reklamı için geçerlidir.

If we could understand how to target,

Eğer nasıl hedeflememiz gerektiğini anlayabilirsek,

it could affect the efficiency

verimliliği ya da neye ulaşmak istediğimizi

of what we're trying to achieve.

olumlu yönde etkilemiş oluruz.

And in fact, we can use data

Ve gerçekten de, bunu gerçekleştirmek için

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

tüm değişik kaynaklardan verileri kullanabiliriz.

This is a map of eight million phone users

Bu bir avrupa ülkesindeki sekiz milyon

in a European country.

telefon kullanıcısının haritası.

Every dot is a person, and every line represents

Her nokta bir insanı ve her çizgi ise insanlar arasındaki

a volume of calls between the people.

arama yoğunluğunu gösteriyor.

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

Ve tüm ülkenin haritasını çıkarmak için bu pasif yolla

to map these whole countries

elde edilen verileri kullanabilir ve

and understand who is located where within the network.

kişilerin ağın neresinde olduklarını anlayabiliriz.

Without actually having to query them at all,

hem de kimseyi sorgulamak zorunda kalmadan

we can get this kind of a structural insight.

bu tür bir yapısal kavrayış elde edebiliriz.

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

Benzer yapı için diğer bilgi kaynakları da kullanılabilir,

are available about such features, from email interactions,

hepinizin bildiği gibi, e-posta alışverişi,

online interactions,

sanal etkileşimler

online social networks and so forth.

sanal sosyal ağlar vb....

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

Şu an, "Devasa - pasif"

"massive-passive" data collection efforts.

olarak adlandırdığım bilgi toplama çabalarının olduğu bir çağda yaşıyoruz.

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

Toplanmış devasa bilgileri kullanabileceğimiz pek çok yöntem var,

to create sensor networks

örneğin bir toplumu izlemek için,

to follow the population,

algılayıcı ağlar yaratmak,

understand what's happening in the population,

toplumda olan biteni anlayabilmek,

and intervene in the population for the better.

ve toplumun iyiliği için ortama müdahele etmek gibi şeyler.

Because these new technologies tell us

Çünkü bu yeni teknolojiler bize

not just who is talking to whom,

yalnızca kimin kimle konuştuğunu değil

but where everyone is,

kimlerin nerede olduğunu

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

internete yüklediklerini temel alarak ne düşündüklerini,

and what they're buying based on their purchases.

ve satın aldıklarına bakarak daha neler alacaklarını söylüyor.

And all this administrative data can be pulled together

Ve tüm bu yönetsel veriler bir araya getirilebilir

and processed to understand human behavior

ve insan davranışlarını daha önce hiç olmadığı kadar

in a way we never could before.

anlamamız için işlenebilir.

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

Örneğin, tır sürücülerinin benzin satın almalarını inceleyebiliriz.

So the truckers are just going about their business,

Yani yalnızca tır sürücüleri tır kullanmıyorlar,

and they're buying fuel.

benzin de satın alıyorlar.

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

Ve onların benzin almalarındaki küçük artışa bakarak

and we know that a recession is about to end.

ekonomik durgunluğun sona ereceğini görebiliriz.

Or we can monitor the velocity

Ya da mobil operatörler

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

otobanda yolda yolculuk yapan insanların

and the phone company can see,

cep telefonlarının hızlarını ölçebilir

as the velocity is slowing down,

ve hızın azaldığı yerlerde trafiğin

that there's a traffic jam.

yoğunlaşmaya başladığını anlayabilir.

And they can feed that information back to their subscribers,

Ve bu bilgiyi tekrardan aynı yol üzerindeki

but only to their subscribers on the same highway

trafik sıkışıklığına henüz varmamış

located behind the traffic jam!

abonelerine iletebilir.

Or we can monitor doctors prescribing behaviors, passively,

Ya da doktorların ilaç yazma davranışlarını inceleyebilir

and see how the diffusion of innovation with pharmaceuticals

ve ilaç alanındaki bir yeniliğin doktorlar arasındaki bir ağda

occurs within [networks of] doctors.

nasıl yaygınlaştığını görebiliriz.

Or again, we can monitor purchasing behavior in people

Ya da, insanların satın alma alışkanlıklarını gözlemleyebilir

and watch how these types of phenomena

ve bu tür olayların insan topluluklarında

can diffuse within human populations.

nasıl yayıldığını izleyebiliriz.

And there are three ways, I think,

Sanırım bu devasa-pasif

that these massive-passive data can be used.

verilerin kullanılabileceği üç farklı yol var.

One is fully passive,

İlki tamamen pasif,

like I just described --

az önce tır sürücüleri

as in, for instance, the trucker example,

örneğinde tanımladığım gibi.

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

burada topluluğa bir müdahalede bulunmuyoruz.

One is quasi-active,

İkincisi yarı-etkin;

like the flu example I gave,

domuz gribi örneğinde öğrencilerden

where we get some people to nominate their friends

arkadaşlarını göstermelerini istediğimiz gibi.

and then passively monitor their friends --

ve daha sonra arkadaşlarını pasif olarak gözlemleyerek,

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

grip olup olmadıklarına bakarak, erken tespitte bulunabiliriz.

Or another example would be,

Diğeri örnek ise,

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

eğer bir telefon operatörü iseniz, kimin ağın merkezinde olduğunu bulabilir

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

ve onlara "bize her gün vücut sıcaklığını ölçüp yollar mısın?" diye sorabilirsiniz

Just text us your temperature."

Yalnızca bize vücut sıcaklığını gönder...

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

Ve bütün bu insanların vücut sıcaklıklarını toplayıp

but from centrally located individuals.

-- ama ağın merkezinde olan kişilerden --

And be able, on a large scale,

ve büyük ölçekte ise,

to monitor an impending epidemic

yayılmakta olan bir salgın hastalığı

with very minimal input from people.

az miktarda veri toplayarak gözlemleyebilirsiniz.

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

Ya da son olarak,

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

bi sonraki konuşmacılar, insanların küresel olarak

where people might globally participate in wikis,

wiki'lere [imece bilgi topluluklarının] katkıda bulunabileceği,

or photographing, or monitoring elections,

fotoğraflayabileceği, ya da seçimleri gözlemleyebileceklerinden,

and upload information in a way that allows us to pool

ve bu bilgileri bizim bir araya getirerek sosyal olay ve olguları

information in order to understand social processes

anlamamızı sağlayacak şekilde nasıl

and social phenomena.

paylaşabileceklerinden bahsedecekler.

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

Doğrusu, bu verilerin ulaşılabildiği, bence

heralds a kind of new era

benim ve benim gibilerin

of what I and others would like to call

"sayısal sosyal bilimler" olarak adlandırdığı

"computational social science."

yeni bir çağın habercisi.

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

Bu biraz Galileo'nun

came to use a telescope

teleskobu kullanarak

and could see the heavens in a new way,

yıldızları farklı bir gözle incelemesi gibi bir şey,

or Leeuwenhoek became aware of the microscope --

ya da Leewenhoek'in mikroskobu keşfederek

or actually invented --

-- daha doğrusu icat ederek--

and could see biology in a new way.

biyolojide yeni bir çağ açması gibi bir şey.

But now we have access to these kinds of data

Artık bizim bu tür verilere erişimimiz var ve

that allow us to understand social processes

bu durum sosyal olayları ve olguları

and social phenomena

daha önce hiç olmadığı bir şekilde

in an entirely new way that was never before possible.

görmemizi ve anlamamızı sağlayacak.

And with this science, we can

Ve bu bilim ile, bir araya gelmiş toplamın

understand how exactly

nasıl tek tek küçük parçaların

the whole comes to be greater

toplamından daha değerli

than the sum of its parts.

olduğunu anlıyoruz.

And actually, we can use these insights

Ve gerçekten de, bu kavrayışı kullanarak

to improve society and improve human well-being.

toplumun ve insanların esenliklerini arttırabiliriz.

Thank you.

Sağ olun.