Nicholas Christakis: How social networks predict epidemics

Nicholas Christakis: Sosyal ağlar salgınları nasıl öngörebilir?

93,295 views

2010-09-16 ・ TED


New videos

Nicholas Christakis: How social networks predict epidemics

Nicholas Christakis: Sosyal ağlar salgınları nasıl öngörebilir?

93,295 views ・ 2010-09-16

TED


Videoyu oynatmak için lütfen aşağıdaki İngilizce altyazılara çift tıklayınız.

Çeviri: Mehmet Öner Yalçın Gözden geçirme: Isil Arican
00:15
For the last 10 years, I've been spending my time trying to figure out
0
15260
3000
Son 10 yıldır insanların nasıl ve neden
00:18
how and why human beings
1
18260
2000
sosyal ağlar üzerinde bir araya geldiklerini
00:20
assemble themselves into social networks.
2
20260
3000
anlamak için vakit harcıyorum.
00:23
And the kind of social network I'm talking about
3
23260
2000
Va kastettiğim sosyal ağ türü
00:25
is not the recent online variety,
4
25260
2000
son zamanlardaki internet ağları değil,
00:27
but rather, the kind of social networks
5
27260
2000
insanlığın yüzlerce, binlerce yıldır
00:29
that human beings have been assembling for hundreds of thousands of years,
6
29260
3000
insanlığın Afrika bozkırlarında ilk ortaya çıktığı zamanlardan beri
00:32
ever since we emerged from the African savannah.
7
32260
3000
bir araya geldikleri sosyal ağlar.
00:35
So, I form friendships and co-worker
8
35260
2000
Yani ben insanlarla iş arkadaşlığı, kardeşlik
00:37
and sibling and relative relationships with other people
9
37260
3000
ve akrabalık gibi değişik derecelerde ilişkiler kuruyorum;
00:40
who in turn have similar relationships with other people.
10
40260
2000
ve bu insanlar da diğer insanlarla benzer ilişkiler kuruyorlar.
00:42
And this spreads on out endlessly into a distance.
11
42260
3000
Ve bu çok geniş bir alana yayılıyor.
00:45
And you get a network that looks like this.
12
45260
2000
Ve buna benzer bir ağınız oluyor.
00:47
Every dot is a person.
13
47260
2000
Her nokta bir insan.
00:49
Every line between them is a relationship between two people --
14
49260
2000
Aralarındaki her çizgi iki insan arasındaki ilişki.
00:51
different kinds of relationships.
15
51260
2000
Farklı türde ilişkiler.
00:53
And you can get this kind of vast fabric of humanity,
16
53260
3000
Ve her birimizin dahil olduğu
00:56
in which we're all embedded.
17
56260
2000
bu tarz büyük bir insanlık dokusu elde ediyorsunuz.
00:58
And my colleague, James Fowler and I have been studying for quite sometime
18
58260
3000
Meslektaşım James Fowler ve ben bir süredir
01:01
what are the mathematical, social,
19
61260
2000
bu sosyal ağların işleyişini yönlendiren
01:03
biological and psychological rules
20
63260
3000
matematiksel, sosyal, biyolojik ve psikolojik
01:06
that govern how these networks are assembled
21
66260
2000
kuralların nasıl bir araya geldiğini,
01:08
and what are the similar rules
22
68260
2000
benzer kuralların neler olduğunu
01:10
that govern how they operate, how they affect our lives.
23
70260
3000
nasıl işlediklerini ve yaşamımızı nasıl etkilediklerini araştırıyoruz.
01:13
But recently, we've been wondering
24
73260
2000
Ve son zamanlarda, ekrandaki modeli kullanarak
01:15
whether it might be possible to take advantage of this insight,
25
75260
3000
dünyayı iyi bir hale getirebilmek için
01:18
to actually find ways to improve the world,
26
78260
2000
yeni yöntemler bulabilir miyiz.
01:20
to do something better,
27
80260
2000
bazı şeyleri sadece anlamak yerine çözebilir miyiz
01:22
to actually fix things, not just understand things.
28
82260
3000
diye düşünmeye başladık.
01:25
So one of the first things we thought we would tackle
29
85260
3000
Uğraşmaya düşündüğümüz şeylerden ilki
01:28
would be how we go about predicting epidemics.
30
88260
3000
salgın hastalıkları nasıl önceden tahmin ederiz oldu.
01:31
And the current state of the art in predicting an epidemic --
31
91260
2000
Salgın hastalıkları öngörmede kullanılan şu anki yöntem
01:33
if you're the CDC or some other national body --
32
93260
3000
- salgın hastalıklarla savaşma kurumu veya başka bir ulusal kurumsanız -
01:36
is to sit in the middle where you are
33
96260
2000
olduğunuz yerde oturmak
01:38
and collect data
34
98260
2000
ve bilgileri
01:40
from physicians and laboratories in the field
35
100260
2000
bölgedeki doktorlar ve laboratuvarlardan toplayarak
01:42
that report the prevalence or the incidence of certain conditions.
36
102260
3000
belli durumların yaygınlığını ve sıklığını rapor etmek şeklindedir.
01:45
So, so and so patients have been diagnosed with something,
37
105260
3000
Böyle, böyle, bazı hastalara burada şu tanılar konuldu,
01:48
or other patients have been diagnosed,
38
108260
2000
bazı diğer hastalara ise şurada şu tanılar konuldu gibi....
01:50
and all these data are fed into a central repository, with some delay.
39
110260
3000
ve bütün bu veriler biraz gecikmeyle merkezi bir kaynakta depolanır.
01:53
And if everything goes smoothly,
40
113260
2000
Ve eğer herşey sorunsuz giderse,
01:55
one to two weeks from now
41
115260
2000
bir veya iki hafta sonra,
01:57
you'll know where the epidemic was today.
42
117260
3000
salgın hastalığın bugün hangi durumda olduğunu öğrenebilirsiniz.
02:00
And actually, about a year or so ago,
43
120260
2000
Ve aslında, bir yıl kadar önce,
02:02
there was this promulgation
44
122260
2000
resmi bir açıklamayla tanıtılan
02:04
of the idea of Google Flu Trends, with respect to the flu,
45
124260
3000
Google Flu Trends fikrine göre
02:07
where by looking at people's searching behavior today,
46
127260
3000
grip salgınlarında insanların günlük arama davranışlarına bakarak
02:10
we could know where the flu --
47
130260
2000
salgının nerede olduğunu,
02:12
what the status of the epidemic was today,
48
132260
2000
salgın hastalığın bugünki durumunun ne olduğunu,
02:14
what's the prevalence of the epidemic today.
49
134260
3000
ve yaygınlığının bugün ne kadar olduğunu görebilecektik.
02:17
But what I'd like to show you today
50
137260
2000
Ama bugün size göstermek istediğim şey,
02:19
is a means by which we might get
51
139260
2000
sadece bir salgınla ilgili
02:21
not just rapid warning about an epidemic,
52
141260
3000
acil uyarı değil,
02:24
but also actually
53
144260
2000
aynı zamanda
02:26
early detection of an epidemic.
54
146260
2000
salgının erkenden belirlenmesi
02:28
And, in fact, this idea can be used
55
148260
2000
Hatta, bu fikir
02:30
not just to predict epidemics of germs,
56
150260
3000
yalnızca bulaşıcı salgın hastalıkları değil,
02:33
but also to predict epidemics of all sorts of kinds.
57
153260
3000
her türlü soyut/somut salgınlığı öngörmek için kullanılabilir.
02:37
For example, anything that spreads by a form of social contagion
58
157260
3000
Örneğin, sosyal temas ile yayılan herhangi bir şey
02:40
could be understood in this way,
59
160260
2000
bu şekilde anlaşılabilir,
02:42
from abstract ideas on the left
60
162260
2000
Soldaki soyut düşüncelerden;
02:44
like patriotism, or altruism, or religion
61
164260
3000
yani vatanseverlik, başkalarını düşünürlük, din gibi,
02:47
to practices
62
167260
2000
uygulamalara, örneğin;
02:49
like dieting behavior, or book purchasing,
63
169260
2000
diyet alışkanlıklarından, kitap seçimine,
02:51
or drinking, or bicycle-helmet [and] other safety practices,
64
171260
3000
içme alışkanlığından, bisiklet kaskı ve diğer önlem uygulamalarına,
02:54
or products that people might buy,
65
174260
2000
veya insanların satın alabileceği ürünlere,
02:56
purchases of electronic goods,
66
176260
2000
elektronik eşya satın alma yaygınlığı
02:58
anything in which there's kind of an interpersonal spread.
67
178260
3000
yani insanlararası olan herhangi bir yaygınlıktan söz ediyorum.
03:01
A kind of a diffusion of innovation
68
181260
2000
Bir yeniliğin yayılma türü
03:03
could be understood and predicted
69
183260
2000
size şimdi göstereceğim yapı ile
03:05
by the mechanism I'm going to show you now.
70
185260
3000
anlaşılabilir ve öngörülebilir.
03:08
So, as all of you probably know,
71
188260
2000
Hepinizin bildiği gibi
03:10
the classic way of thinking about this
72
190260
2000
bunu düşünmenin klasik yolu
03:12
is the diffusion-of-innovation,
73
192260
2000
yeniliğin-yayılması veya
03:14
or the adoption curve.
74
194260
2000
pazara tanıtılan ürünün kabul görme eğrisidir.
03:16
So here on the Y-axis, we have the percent of the people affected,
75
196260
2000
Burada Y ekseninde etkilenen insanların yüzdesi
03:18
and on the X-axis, we have time.
76
198260
2000
X ekseninde ise zaman var.
03:20
And at the very beginning, not too many people are affected,
77
200260
3000
İlk başlarda, çok fazla insan etkilenmemiş,
03:23
and you get this classic sigmoidal,
78
203260
2000
ve bu klasik sigmoid şekilli,
03:25
or S-shaped, curve.
79
205260
2000
veya S biçimli eğriyi elde ediyoruz.
03:27
And the reason for this shape is that at the very beginning,
80
207260
2000
Ve bu şeklin sebebi ilk başlarda,
03:29
let's say one or two people
81
209260
2000
bir veya iki kişi diyelim,
03:31
are infected, or affected by the thing
82
211260
2000
etkileniyor veya bulaşıyor
03:33
and then they affect, or infect, two people,
83
213260
2000
sonra bunlar iki kişiyi etkiliyor veya onlara bulaştırıyor
03:35
who in turn affect four, eight, 16 and so forth,
84
215260
3000
onlar da dört, sekiz, 16 kişiyi vs.
03:38
and you get the epidemic growth phase of the curve.
85
218260
3000
Ve eğrinin salgın büyüme kısmını elde ediyorsunuz. Ve salgın
03:41
And eventually, you saturate the population.
86
221260
2000
nüfusun büyük kısmına yayılınca doygunluğa ulaşıyor.
03:43
There are fewer and fewer people
87
223260
2000
Salgının yayılabileceği insan sayısı
03:45
who are still available that you might infect,
88
225260
2000
zaman ilerledikçe azalıyor
03:47
and then you get the plateau of the curve,
89
227260
2000
ve eğrinin sondaki düz kısmına ulaşıyorsunuz.
03:49
and you get this classic sigmoidal curve.
90
229260
3000
ve toplamda da bu S biçimli eğriyi elde ediyorsunuz.
03:52
And this holds for germs, ideas,
91
232260
2000
Bu biçim mikroplar için doğru olduğu kadar, fikirler
03:54
product adoption, behaviors,
92
234260
2000
davranışlar, pazara sunulan yeni ürünün benimsenmesi
03:56
and the like.
93
236260
2000
için de geçerli.
03:58
But things don't just diffuse in human populations at random.
94
238260
3000
Fakat bunlar yalnızca insan nüfusuna rastgele yayılmaz.
04:01
They actually diffuse through networks.
95
241260
2000
Aslında ağlar aracılığıyla yayılırlar.
04:03
Because, as I said, we live our lives in networks,
96
243260
3000
Çünkü, söylediğim gibi, hayatımızı ağlarda geçiriyoruz,
04:06
and these networks have a particular kind of a structure.
97
246260
3000
ve bu ağlar özel bir yapıya sahip.
04:09
Now if you look at a network like this --
98
249260
2000
Şimdi eğer bu tarz bir ağa bakarsanız ...
04:11
this is 105 people.
99
251260
2000
Burada 105 insan var.
04:13
And the lines represent -- the dots are the people,
100
253260
2000
Noktalar insanları,
04:15
and the lines represent friendship relationships.
101
255260
2000
ve çizgiler de arkadaşlık ilişkilerini temsil ediyor.
04:17
You might see that people occupy
102
257260
2000
Gördüğünüz gibi insanlar
04:19
different locations within the network.
103
259260
2000
ağda farklı yerlerde bulunuyor.
04:21
And there are different kinds of relationships between the people.
104
261260
2000
Ve insanlar arasında farklı türde ilişkiler var.
04:23
You could have friendship relationships, sibling relationships,
105
263260
3000
Bunlar, arkadaşlık bağı, kardeşlik bağı,
04:26
spousal relationships, co-worker relationships,
106
266260
3000
karı koca bağı, iş arkadaşlığı
04:29
neighbor relationships and the like.
107
269260
3000
ya da komşuluk bağı gibi..
04:32
And different sorts of things
108
272260
2000
Ve farklı şeyler
04:34
spread across different sorts of ties.
109
274260
2000
farklı ilişkiler ile yayılır
04:36
For instance, sexually transmitted diseases
110
276260
2000
Örneğin cinsel yolla bulaşan hastalıklar
04:38
will spread across sexual ties.
111
278260
2000
cinsel ilişki ile yayılır
04:40
Or, for instance, people's smoking behavior
112
280260
2000
Veya örneğin, bir insanın sigara içmesinin nedeni
04:42
might be influenced by their friends.
113
282260
2000
sigara içen arkadaşlarından etkilenmesi olabilir.
04:44
Or their altruistic or their charitable giving behavior
114
284260
2000
veya o kişinin bencil olmayan ve hayırsever davranışlarının nedeni
04:46
might be influenced by their coworkers,
115
286260
2000
iş arkadaşlarından etkilenmesi olabilir,
04:48
or by their neighbors.
116
288260
2000
ya da komşularından.
04:50
But not all positions in the network are the same.
117
290260
3000
Ancak ağdaki her nokta aynı değil.
04:53
So if you look at this, you might immediately grasp
118
293260
2000
Eğer buna bakarsanız, hemen fark edeceksiniz ki
04:55
that different people have different numbers of connections.
119
295260
3000
değişik insanların değişik sayıda ilişkisi var.
04:58
Some people have one connection, some have two,
120
298260
2000
Bazı insanların bir, bazılarının iki
05:00
some have six, some have 10 connections.
121
300260
3000
kimisinin altı, kimisinin de on tane bağlantısı var.
05:03
And this is called the "degree" of a node,
122
303260
2000
Buna noktanın (düğümün), derecesi,
05:05
or the number of connections that a node has.
123
305260
2000
ya da o noktanın sahip olduğu bağlantı sayısı denir.
05:07
But in addition, there's something else.
124
307260
2000
Ancak bundan öte, başka bir şey daha var.
05:09
So, if you look at nodes A and B,
125
309260
2000
Eğer A ve B noktalarına bakarsanız,
05:11
they both have six connections.
126
311260
2000
her ikisinin de altı bağlantısı var.
05:13
But if you can see this image [of the network] from a bird's eye view,
127
313260
3000
Oysa bu ağın resmini kuş bakışı açısından görebilseniz
05:16
you can appreciate that there's something very different
128
316260
2000
A ve B noktalarının arasında bir şeyin çok farklı olduğunu keşfedeceksiniz
05:18
about nodes A and B.
129
318260
2000
keşfedeceksiniz.
05:20
So, let me ask you this -- I can cultivate this intuition by asking a question --
130
320260
3000
Size şunu sormak istiyorum, -- Bu sezgiyi sizde bir soru sorarak sizde uyandırabilirim --
05:23
who would you rather be
131
323260
2000
Eğer ölümcül bir mikrop yayılıyorsa
05:25
if a deadly germ was spreading through the network, A or B?
132
325260
3000
hangisi olmayı yeğlersiniz? A ya da B?
05:28
(Audience: B.) Nicholas Christakis: B, it's obvious.
133
328260
2000
(Dinleyici: B) Nicholas Christakis: B, açık ve seçik olarak.
05:30
B is located on the edge of the network.
134
330260
2000
B ağın ucunda yer alıyor.
05:32
Now, who would you rather be
135
332260
2000
Pekala, eğer ilginizi çekebilecek
05:34
if a juicy piece of gossip were spreading through the network?
136
334260
3000
bir dedikodu yayılıyorsa, hangisi olmayı yeğlersiniz?
05:37
A. And you have an immediate appreciation
137
337260
3000
A. Hemen kavrayacağınız üzere
05:40
that A is going to be more likely
138
340260
2000
ağın yapısı
05:42
to get the thing that's spreading and to get it sooner
139
342260
3000
ve A'nın ağdaki konumu nedeniyle
05:45
by virtue of their structural location within the network.
140
345260
3000
A'nın yayılan "şeyleri" daha çabuk alacağı açıktır.
05:48
A, in fact, is more central,
141
348260
2000
A, gerçekten, daha merkezde
05:50
and this can be formalized mathematically.
142
350260
3000
ve bu matematiksel olarak ifade edilebilir.
05:53
So, if we want to track something
143
353260
2000
Bu yüzden, eğer ağ boyunca yayılan
05:55
that was spreading through a network,
144
355260
3000
bir şeyi izlemek istiyorsak,
05:58
what we ideally would like to do is to set up sensors
145
358260
2000
Mantıklı olanı, ağın merkezindeki noktalara
06:00
on the central individuals within the network,
146
360260
2000
algılayıcılar yerleştirip,
06:02
including node A,
147
362260
2000
ki A da buna dahil;
06:04
monitor those people that are right there in the middle of the network,
148
364260
3000
daha sonra bu merkezdeki noktaları/insanları gözlemleriz,
06:07
and somehow get an early detection
149
367260
2000
ve bir şekilde ağda yayılan "şeyi"
06:09
of whatever it is that is spreading through the network.
150
369260
3000
erkenden tespit etmemiz mümkün olur.
06:12
So if you saw them contract a germ or a piece of information,
151
372260
3000
Eğer o noktaların mikropla temas ettiğini ya da bir "şey" öğrendiğini görürseniz,
06:15
you would know that, soon enough,
152
375260
2000
yakın zamanda herkesin
06:17
everybody was about to contract this germ
153
377260
2000
o mikropla temas edeceğini ya da
06:19
or this piece of information.
154
379260
2000
o bir "şey"i öğreneceğini biliyorsunuz.
06:21
And this would be much better
155
381260
2000
Ve bu ağın yapısı referans alınmadan
06:23
than monitoring six randomly chosen people,
156
383260
2000
rastgele seçilen altı kişi gözetlemekten
06:25
without reference to the structure of the population.
157
385260
3000
çok daha iyidir.
06:28
And in fact, if you could do that,
158
388260
2000
Ve gerçekten, eğer bunu yapabilirseniz
06:30
what you would see is something like this.
159
390260
2000
göreceğiniz şunun gibi bir şey olacaktır.
06:32
On the left-hand panel, again, we have the S-shaped curve of adoption.
160
392260
3000
Sol tarafta, yine, S biçimli salgın eğrimiz var.
06:35
In the dotted red line, we show
161
395260
2000
Noktalı kırmızı çizgiyle salgının
06:37
what the adoption would be in the random people,
162
397260
2000
rastgele insanlar arasında nasıl yayılabileceğini;
06:39
and in the left-hand line, shifted to the left,
163
399260
3000
ve solundaki, sola doğru kaydırılmış eğride de
06:42
we show what the adoption would be
164
402260
2000
salgının ağın merkezindeki insanlarda
06:44
in the central individuals within the network.
165
404260
2000
nasıl yayılacağını gösteriyoruz.
06:46
On the Y-axis is the cumulative instances of contagion,
166
406260
2000
Y doğrultusu toplam salgın vak'a sayısını;
06:48
and on the X-axis is the time.
167
408260
2000
X doğrultusu da zamanı gösteriyor.
06:50
And on the right-hand side, we show the same data,
168
410260
2000
Ve sağ tarafta, aynı veriyi gösteriyoruz ancak;
06:52
but here with daily incidence.
169
412260
2000
burada gösterilen günlük vak'alar.
06:54
And what we show here is -- like, here --
170
414260
2000
Ve burada gösterdiğimiz ise , -- örneğin burada --
06:56
very few people are affected, more and more and more and up to here,
171
416260
2000
çok az sayıda insan etkilenmiş, ilerledikçe ise daha fazla sayıda etkileniyor
06:58
and here's the peak of the epidemic.
172
418260
2000
ve burası da salgının tepe noktası.
07:00
But shifted to the left is what's occurring in the central individuals.
173
420260
2000
Sola kaydırılmış eğri, merkezdeki bireylerde ne olduğunu gösteriyor.
07:02
And this difference in time between the two
174
422260
3000
ve ikisi arasındaki bu zaman farklılığı bize
07:05
is the early detection, the early warning we can get,
175
425260
3000
yakında insan nüfusu arasında
07:08
about an impending epidemic
176
428260
2000
gerçekleşecek olan salgının
07:10
in the human population.
177
430260
2000
erken uyarısını verir.
07:12
The problem, however,
178
432260
2000
Fakat sorun ise;
07:14
is that mapping human social networks
179
434260
2000
insanların sosyal ağlarının bir haritasını çıkarmanın
07:16
is not always possible.
180
436260
2000
her zaman mümkün olmadığıdır.
07:18
It can be expensive, not feasible,
181
438260
2000
Çok pahalı olabilir [çok zor]
07:20
unethical,
182
440260
2000
ahlaki olmayabilir,
07:22
or, frankly, just not possible to do such a thing.
183
442260
3000
veya, dürüstçe söylemem gerekirse, mümkün de değil.
07:25
So, how can we figure out
184
445260
2000
Öyleyse, kimin ağın merkezinde olduğunu
07:27
who the central people are in a network
185
447260
2000
ağın haritasını çıkarmadan
07:29
without actually mapping the network?
186
449260
3000
nasıl anlayabiliriz?
07:32
What we came up with
187
452260
2000
Bunun üzerine aklımıza,
07:34
was an idea to exploit an old fact,
188
454260
2000
eski bir bilgiyi, daha doğrusu sosyal ağlarla ilgili
07:36
or a known fact, about social networks,
189
456260
2000
bilinen bir bilgiyi kullanmak geldi.
07:38
which goes like this:
190
458260
2000
Şöyle ki:
07:40
Do you know that your friends
191
460260
2000
Arkadaşlarının senden daha fazla
07:42
have more friends than you do?
192
462260
3000
arkadaşının olduğunu biliyor musun?
07:45
Your friends have more friends than you do,
193
465260
3000
Arkadaşlarının senden daha fazla arkadaşı var.
07:48
and this is known as the friendship paradox.
194
468260
2000
Bu arkadaşlık paradoksu [çelişkisi] olarak bilinir.
07:50
Imagine a very popular person in the social network --
195
470260
2000
İlk olarak, çevresinde çok revaçta olan birini düşünün,
07:52
like a party host who has hundreds of friends --
196
472260
3000
örneğin yüzlerce arkadaşına parti veren birisi; ve bir de
07:55
and a misanthrope who has just one friend,
197
475260
2000
herkesten kaçan ve yalnızca bir arkadaşı olan birini düşünün.
07:57
and you pick someone at random from the population;
198
477260
3000
ve kümeden rastgele birisini seçiyorsunuz
08:00
they were much more likely to know the party host.
199
480260
2000
ve bu seçtiğiniz kişiler büyük olasılıkla partiyi düzenleyeni tanıyacaktır.
08:02
And if they nominate the party host as their friend,
200
482260
2000
Eğer ki bu kişiler parti sahibini arkadaşı olarak tanımlarlarsa,
08:04
that party host has a hundred friends,
201
484260
2000
partiyi düzenleyenin yüzlerce arkadaşı vardır.
08:06
therefore, has more friends than they do.
202
486260
3000
bu nedenle de herkesten daha çok arkadaşı vardır.
08:09
And this, in essence, is what's known as the friendship paradox.
203
489260
3000
ve de bu temelde arkadaşlık çelişkisi olarak bilinir.
08:12
The friends of randomly chosen people
204
492260
3000
Rastgele seçilenin arkadaşlarının derecesi,
08:15
have higher degree, and are more central
205
495260
2000
daha fazladır ve bu yüzden rastgele seçilen kişilere göre
08:17
than the random people themselves.
206
497260
2000
daha merkezdedirler.
08:19
And you can get an intuitive appreciation for this
207
499260
2000
Eğer ki bu ağın kenarındaki insanları düşünecek olursanız,
08:21
if you imagine just the people at the perimeter of the network.
208
501260
3000
anlatılanı sezgisel olarak kavrayabilirsiniz.
08:24
If you pick this person,
209
504260
2000
Eğer bu kişiyi seçerseniz,
08:26
the only friend they have to nominate is this person,
210
506260
3000
arkadaş olarak tanımlayacağı tek kişi budur
08:29
who, by construction, must have at least two
211
509260
2000
mantıksal olarak da bu kişin de, en azından iki
08:31
and typically more friends.
212
511260
2000
ve genel olarak daha fazla arkadaşı olmalıdır.
08:33
And that happens at every peripheral node.
213
513260
2000
ve bu mantık tüm kenardaki bireyler için geçerlidir.
08:35
And in fact, it happens throughout the network as you move in,
214
515260
3000
Daha da doğrusu, ağda içeri ilerledikçe bu varsayım geçerlidir.
08:38
everyone you pick, when they nominate a random --
215
518260
2000
Seçtiğiniz kişi,
08:40
when a random person nominates a friend of theirs,
216
520260
3000
diğerleri tarafından arkadaş olarak tanımlandıkça;
08:43
you move closer to the center of the network.
217
523260
3000
ağın merkezine doğru gidiyorsunuz demektir.
08:46
So, we thought we would exploit this idea
218
526260
3000
Bu yüzden biz de bu bilgiyle ;
08:49
in order to study whether we could predict phenomena within networks.
219
529260
3000
ağ içinde gerçekleşebilecek bir olayı öngörmek için kullanmanın yollarını araştırdık.
08:52
Because now, with this idea
220
532260
2000
Bu fikir sayesinde;
08:54
we can take a random sample of people,
221
534260
2000
insanlar arasından rastgele bir seçim yapabilir,
08:56
have them nominate their friends,
222
536260
2000
daha merkezde olabilecek arkadaşlarını
08:58
those friends would be more central,
223
538260
2000
göstermelerini isteyebilir,
09:00
and we could do this without having to map the network.
224
540260
3000
ve bu işlemi tüm ağın haritasını çıkarmadan yapabiliriz.
09:03
And we tested this idea with an outbreak of H1N1 flu
225
543260
3000
Bu fikri, 2009'un sonbaharı ve kışında;
09:06
at Harvard College
226
546260
2000
- yalnızca birkaç ay önce -
09:08
in the fall and winter of 2009, just a few months ago.
227
548260
3000
H1N1 [Domuz] gribi için Harvard Üniversitesinde test ettik.
09:11
We took 1,300 randomly selected undergraduates,
228
551260
3000
1300 rastgele üniversite öğrencisi seçtik,
09:14
we had them nominate their friends,
229
554260
2000
ve arkadaşlarını göstermelerini istedik.
09:16
and we followed both the random students and their friends
230
556260
2000
ve hem rastgele seçilen öğrenciyi hem de arkadaşlarını
09:18
daily in time
231
558260
2000
günlük olarak
09:20
to see whether or not they had the flu epidemic.
232
560260
3000
gribe yakalanıp yakalanmadıklarını takip ettik.
09:23
And we did this passively by looking at whether or not they'd gone to university health services.
233
563260
3000
Bunu da dolaylı olarak, bu öğrencilerin sağlık merkezine gidip gitmediklerine bakarak elde ettik.
09:26
And also, we had them [actively] email us a couple of times a week.
234
566260
3000
ve ayrıca, doğrudan da bize haftada birkaç tane e-posta göndermelerini istedik.
09:29
Exactly what we predicted happened.
235
569260
3000
Aynen öngördüğümüz gerçekleşti.
09:32
So the random group is in the red line.
236
572260
3000
Rastgele seçilen grup kırmızı çizgi,
09:35
The epidemic in the friends group has shifted to the left, over here.
237
575260
3000
Arkadaş grubunda ise salgın eğrisi sola kaydı, buraya doğru.
09:38
And the difference in the two is 16 days.
238
578260
3000
ve ikisi arasındaki fark ise 16 gün.
09:41
By monitoring the friends group,
239
581260
2000
Arkadaş grubunu gözlemleyerek
09:43
we could get 16 days advance warning
240
583260
2000
bu insan topluluğu içerisinde yaklaşan salgın için
09:45
of an impending epidemic in this human population.
241
585260
3000
16 günlük bir erken uyarı zamanı elde edebildik.
09:48
Now, in addition to that,
242
588260
2000
Buna ek olarak
09:50
if you were an analyst who was trying to study an epidemic
243
590260
3000
Eğer örneğin, salgınları ya da pazara sunulan bir ürünün yayılmasını
09:53
or to predict the adoption of a product, for example,
244
593260
3000
inceleyen bir çözümleyici [analist] iseniz,
09:56
what you could do is you could pick a random sample of the population,
245
596260
3000
yapacağınız örnek kümenizden rastgele bir kişi seçip
09:59
also have them nominate their friends and follow the friends
246
599260
3000
arkadaşlarını belirleyip, hem o kişiyi hem de arkadaşlarını
10:02
and follow both the randoms and the friends.
247
602260
3000
gözlemlemektir.
10:05
Among the friends, the first evidence you saw of a blip above zero
248
605260
3000
Arkadaşlar içinde, yaygınlık eğrisindeki küçük artış
10:08
in adoption of the innovation, for example,
249
608260
3000
eli kulağında olan bir salgının
10:11
would be evidence of an impending epidemic.
250
611260
2000
ya da yeniliği kabullenmenin ilk kanıtıdır.
10:13
Or you could see the first time the two curves diverged,
251
613260
3000
Ya da sol tarafta, iki eğrinin birbirinden ıraksamaya başladığı
10:16
as shown on the left.
252
616260
2000
ilk noktayı görüyorsunuz.
10:18
When did the randoms -- when did the friends take off
253
618260
3000
Ne zaman arkadaş grubu artışa geçiyor
10:21
and leave the randoms,
254
621260
2000
ve rastgele seçilenleri geride bırakıyor
10:23
and [when did] their curve start shifting?
255
623260
2000
ve ne zaman eğri kaymaya başlıyor?
10:25
And that, as indicated by the white line,
256
625260
2000
Bu beyaz çizgiyle gösterildiği gibi
10:27
occurred 46 days
257
627260
2000
salgının en yaygın hale ulaşmasından
10:29
before the peak of the epidemic.
258
629260
2000
46 gün önce olmuş.
10:31
So this would be a technique
259
631260
2000
Yani, bu belli bir topluluktaki
10:33
whereby we could get more than a month-and-a-half warning
260
633260
2000
grip salgınını bir buçuk ay gibi bir zaman öncesinden
10:35
about a flu epidemic in a particular population.
261
635260
3000
belirlemenin bir yöntemi olabilir.
10:38
I should say that
262
638260
2000
Şunu da belirtmeliyim ki;
10:40
how far advanced a notice one might get about something
263
640260
2000
erken belirlemenin süresi birçok
10:42
depends on a host of factors.
264
642260
2000
etkene bağlıdır.
10:44
It could depend on the nature of the pathogen --
265
644260
2000
Patojenin doğasına bağlı olabilir --
10:46
different pathogens,
266
646260
2000
farklı patojenlerle
10:48
using this technique, you'd get different warning --
267
648260
2000
bu yöntemi kullanarak farklı erken uyarılar elde edersiniz
10:50
or other phenomena that are spreading,
268
650260
2000
veya da yayılan bir olayı...
10:52
or frankly, on the structure of the human network.
269
652260
3000
ya da insan sosyal ağının yapısını...
10:55
Now in our case, although it wasn't necessary,
270
655260
3000
Bizim örneğimizde, gerekli değilse de
10:58
we could also actually map the network of the students.
271
658260
2000
öğrencilerin ağını haritalandırabiliriz.
11:00
So, this is a map of 714 students
272
660260
2000
Bu 714 öğrencinin
11:02
and their friendship ties.
273
662260
2000
ve arkadaşlık bağlarının yer aldığı bir harita.
11:04
And in a minute now, I'm going to put this map into motion.
274
664260
2000
Ve bir dakika içerisinde,bunu inceleyeceğiz.
11:06
We're going to take daily cuts through the network
275
666260
2000
Bu ağdan 120 gün boyunca
11:08
for 120 days.
276
668260
2000
günlük örnekler alacağız
11:10
The red dots are going to be cases of the flu,
277
670260
3000
Kırmızı noktalar grip vak'asını,
11:13
and the yellow dots are going to be friends of the people with the flu.
278
673260
3000
sarı noktalar ise grip olanların arkadaşlarını,
11:16
And the size of the dots is going to be proportional
279
676260
2000
ve noktaların boyutu da o noktanın grip olan
11:18
to how many of their friends have the flu.
280
678260
2000
arkadaş sayısını gösteriyor.
11:20
So bigger dots mean more of your friends have the flu.
281
680260
3000
Yani, büyük noktalar daha çok arkadaşınızın grip olduğu anlamında.
11:23
And if you look at this image -- here we are now in September the 13th --
282
683260
3000
Bu şekle bakarsanız -- burada 13 Eylüldeyiz --
11:26
you're going to see a few cases light up.
283
686260
2000
az miktarda vak'anın oluştuğunu göreceksiniz.
11:28
You're going to see kind of blooming of the flu in the middle.
284
688260
2000
ve burada ortada grip vak'alarında adeta bir patlama yaşandığını görüyorsunuz.
11:30
Here we are on October the 19th.
285
690260
3000
Burada 19 Ekimdeyiz.
11:33
The slope of the epidemic curve is approaching now, in November.
286
693260
2000
ve Kasım ayında eğrinin eğimi artıyor ve ...
11:35
Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,
287
695260
3000
Bum, bum bum. Ortada vaka'a sayısında bir patlama olduğunu görüyorsunuz.
11:38
and then you're going to see a sort of leveling off,
288
698260
2000
ve ardından bir tür denge durumunu görüyorsunuz.
11:40
fewer and fewer cases towards the end of December.
289
700260
3000
Aralığın sonuna doğru da vak'alar gittikçe azalıyor.
11:43
And this type of a visualization
290
703260
2000
Bu tür bir görsel açıklama,
11:45
can show that epidemics like this take root
291
705260
2000
bu tür salgınların başkalarını etkilemeden önce
11:47
and affect central individuals first,
292
707260
2000
ilk olarak merkezdeki bireylerde kök saldığını
11:49
before they affect others.
293
709260
2000
ve onları etkilediğini gösteriyor.
11:51
Now, as I've been suggesting,
294
711260
2000
Ben bu yöntemin yalnızca
11:53
this method is not restricted to germs,
295
713260
3000
mikroplara değil, tüm topluluk içerisinde
11:56
but actually to anything that spreads in populations.
296
716260
2000
yayılan bir "şey"e de uygulanabileceğini öne sürüyorum.
11:58
Information spreads in populations,
297
718260
2000
Bilgi topluluklar içinde yayılır...
12:00
norms can spread in populations,
298
720260
2000
Kurallar topluluklar içerisinde yayılabilir...
12:02
behaviors can spread in populations.
299
722260
2000
Davranışlar topluluklar içerisinde yayılabilir...
12:04
And by behaviors, I can mean things like criminal behavior,
300
724260
3000
Davranışlar derken, kastettiğim suç içeren davranışlar gibi..
12:07
or voting behavior, or health care behavior,
301
727260
3000
veya oy verme gibi, veya sağlığa özen davranışı gibi,
12:10
like smoking, or vaccination,
302
730260
2000
örneğin sigara içme ya da aşılanma...
12:12
or product adoption, or other kinds of behaviors
303
732260
2000
ya da ürün yaygınlaşması, veya insanlararası etkileşimle
12:14
that relate to interpersonal influence.
304
734260
2000
ortaya çıkan diğer tüm çeşit davranışlar gibi.
12:16
If I'm likely to do something that affects others around me,
305
736260
3000
Eğer başkalarını da etkileyecek bir şey yapıyorsam,
12:19
this technique can get early warning or early detection
306
739260
3000
bu yöntem ile bu "şey"in toplulukta yayılmasıyla ilgili
12:22
about the adoption within the population.
307
742260
3000
erken uyarı ya da erken belirleme sağlayabiliriz.
12:25
The key thing is that for it to work,
308
745260
2000
Bu yöntemin işe yaraması için kilit nokta,
12:27
there has to be interpersonal influence.
309
747260
2000
insanlar arası bir etkileşimin var olması gerekir.
12:29
It cannot be because of some broadcast mechanism
310
749260
2000
Yayılma mekanizması herkesi aynı ölçüde
12:31
affecting everyone uniformly.
311
751260
3000
etkilemeyebilir.
12:35
Now the same insights
312
755260
2000
Aynı kavrayışlar
12:37
can also be exploited -- with respect to networks --
313
757260
3000
-- ağlar için olduğu kadar-- başka konular
12:40
can also be exploited in other ways,
314
760260
3000
için de kullanılabilir.
12:43
for example, in the use of targeting
315
763260
2000
örneğin, bir konuya müdahale için
12:45
specific people for interventions.
316
765260
2000
belirli kişileri seçmede kullanılabilir.
12:47
So, for example, most of you are probably familiar
317
767260
2000
Örneğin, muhtemelen "sürü bağışıklığı" kavramı
12:49
with the notion of herd immunity.
318
769260
2000
çoğunuza tanıdık geliyor olabilir.
12:51
So, if we have a population of a thousand people,
319
771260
3000
Yani, eğer bin kişiden oluşan bir topluluğumuz varsa
12:54
and we want to make the population immune to a pathogen,
320
774260
3000
ve o topluluğa bir patojene karşı bağışıklık kazandırmak istiyorsak.
12:57
we don't have to immunize every single person.
321
777260
2000
herkesi bağışık hale getirmemiz gerekmez.
12:59
If we immunize 960 of them,
322
779260
2000
960 kişinin bağışıklık kazanması;
13:01
it's as if we had immunized a hundred [percent] of them.
323
781260
3000
topluğun hepsinin bağışıklık kazanması ile eşdeğerdir.
13:04
Because even if one or two of the non-immune people gets infected,
324
784260
3000
Çünkü bir ya da iki bağışık olmayan kişi hastalansa bile,
13:07
there's no one for them to infect.
325
787260
2000
onların etkileyeceği başka insan yoktur.
13:09
They are surrounded by immunized people.
326
789260
2000
Çünkü çevresindekilerin hepsi bağışık insanlardır.
13:11
So 96 percent is as good as 100 percent.
327
791260
3000
Yani, yüzde 96 yüzde yüz ile eşdeğerdir.
13:14
Well, some other scientists have estimated
328
794260
2000
Bazı bilim insanları, bin kişiden yüzde 30'luk rastgele bir
13:16
what would happen if you took a 30 percent random sample
329
796260
2000
seçim yaparak, 300 kişiyi bağışık hale getirdikten sonra
13:18
of these 1000 people, 300 people and immunized them.
330
798260
3000
ne olacağını kestirmeye çalışmışlar.
13:21
Would you get any population-level immunity?
331
801260
2000
Topluluk düzeyinde bir bağışık elde eder miyiz?
13:23
And the answer is no.
332
803260
3000
Yanıt, hayır.
13:26
But if you took this 30 percent, these 300 people
333
806260
2000
ancak eğer bu 300 kişiyi alır ve
13:28
and had them nominate their friends
334
808260
2000
arkadaşlarını bulursanız,
13:30
and took the same number of vaccine doses
335
810260
3000
ve aynı miktarda aşı alır
13:33
and vaccinated the friends of the 300 --
336
813260
2000
ve bu 300 kişinin
13:35
the 300 friends --
337
815260
2000
300 arkadaşını aşılarsanız
13:37
you can get the same level of herd immunity
338
817260
2000
sanki topluluğun yüzde 96sını aşılamış gibi
13:39
as if you had vaccinated 96 percent of the population
339
819260
3000
bir "sürü bağışıklığı" düzeyi elde edersiniz
13:42
at a much greater efficiency, with a strict budget constraint.
340
822260
3000
ve bunu çok daha verimli şekilde ve kısıtlı bütçe ile yapmış olursunuz.
13:45
And similar ideas can be used, for instance,
341
825260
2000
Benzer fikirler örneğin gelişmekte olan ülkelerde
13:47
to target distribution of things like bed nets
342
827260
2000
cibinlik dağıtılması ile ilgili kilit kişileri
13:49
in the developing world.
343
829260
2000
seçmekte kullanılabilir.
13:51
If we could understand the structure of networks in villages,
344
831260
3000
Eğer köylerdeki ilişki ağının yapısını anlayabilirsek
13:54
we could target to whom to give the interventions
345
834260
2000
bu tür yaygınlaşmayı hızlandırabilmek için
13:56
to foster these kinds of spreads.
346
836260
2000
hedefimizin kim olduğunu bulabiliriz.
13:58
Or, frankly, for advertising with all kinds of products.
347
838260
3000
Ya da samimi olmak gerekirse, her tür ürün reklamı için geçerlidir.
14:01
If we could understand how to target,
348
841260
2000
Eğer nasıl hedeflememiz gerektiğini anlayabilirsek,
14:03
it could affect the efficiency
349
843260
2000
verimliliği ya da neye ulaşmak istediğimizi
14:05
of what we're trying to achieve.
350
845260
2000
olumlu yönde etkilemiş oluruz.
14:07
And in fact, we can use data
351
847260
2000
Ve gerçekten de, bunu gerçekleştirmek için
14:09
from all kinds of sources nowadays [to do this].
352
849260
2000
tüm değişik kaynaklardan verileri kullanabiliriz.
14:11
This is a map of eight million phone users
353
851260
2000
Bu bir avrupa ülkesindeki sekiz milyon
14:13
in a European country.
354
853260
2000
telefon kullanıcısının haritası.
14:15
Every dot is a person, and every line represents
355
855260
2000
Her nokta bir insanı ve her çizgi ise insanlar arasındaki
14:17
a volume of calls between the people.
356
857260
2000
arama yoğunluğunu gösteriyor.
14:19
And we can use such data, that's being passively obtained,
357
859260
3000
Ve tüm ülkenin haritasını çıkarmak için bu pasif yolla
14:22
to map these whole countries
358
862260
2000
elde edilen verileri kullanabilir ve
14:24
and understand who is located where within the network.
359
864260
3000
kişilerin ağın neresinde olduklarını anlayabiliriz.
14:27
Without actually having to query them at all,
360
867260
2000
hem de kimseyi sorgulamak zorunda kalmadan
14:29
we can get this kind of a structural insight.
361
869260
2000
bu tür bir yapısal kavrayış elde edebiliriz.
14:31
And other sources of information, as you're no doubt aware
362
871260
3000
Benzer yapı için diğer bilgi kaynakları da kullanılabilir,
14:34
are available about such features, from email interactions,
363
874260
3000
hepinizin bildiği gibi, e-posta alışverişi,
14:37
online interactions,
364
877260
2000
sanal etkileşimler
14:39
online social networks and so forth.
365
879260
3000
sanal sosyal ağlar vb....
14:42
And in fact, we are in the era of what I would call
366
882260
2000
Şu an, "Devasa - pasif"
14:44
"massive-passive" data collection efforts.
367
884260
3000
olarak adlandırdığım bilgi toplama çabalarının olduğu bir çağda yaşıyoruz.
14:47
They're all kinds of ways we can use massively collected data
368
887260
3000
Toplanmış devasa bilgileri kullanabileceğimiz pek çok yöntem var,
14:50
to create sensor networks
369
890260
3000
örneğin bir toplumu izlemek için,
14:53
to follow the population,
370
893260
2000
algılayıcı ağlar yaratmak,
14:55
understand what's happening in the population,
371
895260
2000
toplumda olan biteni anlayabilmek,
14:57
and intervene in the population for the better.
372
897260
3000
ve toplumun iyiliği için ortama müdahele etmek gibi şeyler.
15:00
Because these new technologies tell us
373
900260
2000
Çünkü bu yeni teknolojiler bize
15:02
not just who is talking to whom,
374
902260
2000
yalnızca kimin kimle konuştuğunu değil
15:04
but where everyone is,
375
904260
2000
kimlerin nerede olduğunu
15:06
and what they're thinking based on what they're uploading on the Internet,
376
906260
3000
internete yüklediklerini temel alarak ne düşündüklerini,
15:09
and what they're buying based on their purchases.
377
909260
2000
ve satın aldıklarına bakarak daha neler alacaklarını söylüyor.
15:11
And all this administrative data can be pulled together
378
911260
3000
Ve tüm bu yönetsel veriler bir araya getirilebilir
15:14
and processed to understand human behavior
379
914260
2000
ve insan davranışlarını daha önce hiç olmadığı kadar
15:16
in a way we never could before.
380
916260
3000
anlamamız için işlenebilir.
15:19
So, for example, we could use truckers' purchases of fuel.
381
919260
3000
Örneğin, tır sürücülerinin benzin satın almalarını inceleyebiliriz.
15:22
So the truckers are just going about their business,
382
922260
2000
Yani yalnızca tır sürücüleri tır kullanmıyorlar,
15:24
and they're buying fuel.
383
924260
2000
benzin de satın alıyorlar.
15:26
And we see a blip up in the truckers' purchases of fuel,
384
926260
3000
Ve onların benzin almalarındaki küçük artışa bakarak
15:29
and we know that a recession is about to end.
385
929260
2000
ekonomik durgunluğun sona ereceğini görebiliriz.
15:31
Or we can monitor the velocity
386
931260
2000
Ya da mobil operatörler
15:33
with which people are moving with their phones on a highway,
387
933260
3000
otobanda yolda yolculuk yapan insanların
15:36
and the phone company can see,
388
936260
2000
cep telefonlarının hızlarını ölçebilir
15:38
as the velocity is slowing down,
389
938260
2000
ve hızın azaldığı yerlerde trafiğin
15:40
that there's a traffic jam.
390
940260
2000
yoğunlaşmaya başladığını anlayabilir.
15:42
And they can feed that information back to their subscribers,
391
942260
3000
Ve bu bilgiyi tekrardan aynı yol üzerindeki
15:45
but only to their subscribers on the same highway
392
945260
2000
trafik sıkışıklığına henüz varmamış
15:47
located behind the traffic jam!
393
947260
2000
abonelerine iletebilir.
15:49
Or we can monitor doctors prescribing behaviors, passively,
394
949260
3000
Ya da doktorların ilaç yazma davranışlarını inceleyebilir
15:52
and see how the diffusion of innovation with pharmaceuticals
395
952260
3000
ve ilaç alanındaki bir yeniliğin doktorlar arasındaki bir ağda
15:55
occurs within [networks of] doctors.
396
955260
2000
nasıl yaygınlaştığını görebiliriz.
15:57
Or again, we can monitor purchasing behavior in people
397
957260
2000
Ya da, insanların satın alma alışkanlıklarını gözlemleyebilir
15:59
and watch how these types of phenomena
398
959260
2000
ve bu tür olayların insan topluluklarında
16:01
can diffuse within human populations.
399
961260
3000
nasıl yayıldığını izleyebiliriz.
16:04
And there are three ways, I think,
400
964260
2000
Sanırım bu devasa-pasif
16:06
that these massive-passive data can be used.
401
966260
2000
verilerin kullanılabileceği üç farklı yol var.
16:08
One is fully passive,
402
968260
2000
İlki tamamen pasif,
16:10
like I just described --
403
970260
2000
az önce tır sürücüleri
16:12
as in, for instance, the trucker example,
404
972260
2000
örneğinde tanımladığım gibi.
16:14
where we don't actually intervene in the population in any way.
405
974260
2000
burada topluluğa bir müdahalede bulunmuyoruz.
16:16
One is quasi-active,
406
976260
2000
İkincisi yarı-etkin;
16:18
like the flu example I gave,
407
978260
2000
domuz gribi örneğinde öğrencilerden
16:20
where we get some people to nominate their friends
408
980260
3000
arkadaşlarını göstermelerini istediğimiz gibi.
16:23
and then passively monitor their friends --
409
983260
2000
ve daha sonra arkadaşlarını pasif olarak gözlemleyerek,
16:25
do they have the flu, or not? -- and then get warning.
410
985260
2000
grip olup olmadıklarına bakarak, erken tespitte bulunabiliriz.
16:27
Or another example would be,
411
987260
2000
Diğeri örnek ise,
16:29
if you're a phone company, you figure out who's central in the network
412
989260
3000
eğer bir telefon operatörü iseniz, kimin ağın merkezinde olduğunu bulabilir
16:32
and you ask those people, "Look, will you just text us your fever every day?
413
992260
3000
ve onlara "bize her gün vücut sıcaklığını ölçüp yollar mısın?" diye sorabilirsiniz
16:35
Just text us your temperature."
414
995260
2000
Yalnızca bize vücut sıcaklığını gönder...
16:37
And collect vast amounts of information about people's temperature,
415
997260
3000
Ve bütün bu insanların vücut sıcaklıklarını toplayıp
16:40
but from centrally located individuals.
416
1000260
2000
-- ama ağın merkezinde olan kişilerden --
16:42
And be able, on a large scale,
417
1002260
2000
ve büyük ölçekte ise,
16:44
to monitor an impending epidemic
418
1004260
2000
yayılmakta olan bir salgın hastalığı
16:46
with very minimal input from people.
419
1006260
2000
az miktarda veri toplayarak gözlemleyebilirsiniz.
16:48
Or, finally, it can be more fully active --
420
1008260
2000
Ya da son olarak,
16:50
as I know subsequent speakers will also talk about today --
421
1010260
2000
bi sonraki konuşmacılar, insanların küresel olarak
16:52
where people might globally participate in wikis,
422
1012260
2000
wiki'lere [imece bilgi topluluklarının] katkıda bulunabileceği,
16:54
or photographing, or monitoring elections,
423
1014260
3000
fotoğraflayabileceği, ya da seçimleri gözlemleyebileceklerinden,
16:57
and upload information in a way that allows us to pool
424
1017260
2000
ve bu bilgileri bizim bir araya getirerek sosyal olay ve olguları
16:59
information in order to understand social processes
425
1019260
2000
anlamamızı sağlayacak şekilde nasıl
17:01
and social phenomena.
426
1021260
2000
paylaşabileceklerinden bahsedecekler.
17:03
In fact, the availability of these data, I think,
427
1023260
2000
Doğrusu, bu verilerin ulaşılabildiği, bence
17:05
heralds a kind of new era
428
1025260
2000
benim ve benim gibilerin
17:07
of what I and others would like to call
429
1027260
2000
"sayısal sosyal bilimler" olarak adlandırdığı
17:09
"computational social science."
430
1029260
2000
yeni bir çağın habercisi.
17:11
It's sort of like when Galileo invented -- or, didn't invent --
431
1031260
3000
Bu biraz Galileo'nun
17:14
came to use a telescope
432
1034260
2000
teleskobu kullanarak
17:16
and could see the heavens in a new way,
433
1036260
2000
yıldızları farklı bir gözle incelemesi gibi bir şey,
17:18
or Leeuwenhoek became aware of the microscope --
434
1038260
2000
ya da Leewenhoek'in mikroskobu keşfederek
17:20
or actually invented --
435
1040260
2000
-- daha doğrusu icat ederek--
17:22
and could see biology in a new way.
436
1042260
2000
biyolojide yeni bir çağ açması gibi bir şey.
17:24
But now we have access to these kinds of data
437
1044260
2000
Artık bizim bu tür verilere erişimimiz var ve
17:26
that allow us to understand social processes
438
1046260
2000
bu durum sosyal olayları ve olguları
17:28
and social phenomena
439
1048260
2000
daha önce hiç olmadığı bir şekilde
17:30
in an entirely new way that was never before possible.
440
1050260
3000
görmemizi ve anlamamızı sağlayacak.
17:33
And with this science, we can
441
1053260
2000
Ve bu bilim ile, bir araya gelmiş toplamın
17:35
understand how exactly
442
1055260
2000
nasıl tek tek küçük parçaların
17:37
the whole comes to be greater
443
1057260
2000
toplamından daha değerli
17:39
than the sum of its parts.
444
1059260
2000
olduğunu anlıyoruz.
17:41
And actually, we can use these insights
445
1061260
2000
Ve gerçekten de, bu kavrayışı kullanarak
17:43
to improve society and improve human well-being.
446
1063260
3000
toplumun ve insanların esenliklerini arttırabiliriz.
17:46
Thank you.
447
1066260
2000
Sağ olun.
Bu web sitesi hakkında

Bu site size İngilizce öğrenmek için yararlı olan YouTube videolarını tanıtacaktır. Dünyanın dört bir yanından birinci sınıf öğretmenler tarafından verilen İngilizce derslerini göreceksiniz. Videoyu oradan oynatmak için her video sayfasında görüntülenen İngilizce altyazılara çift tıklayın. Altyazılar video oynatımı ile senkronize olarak kayar. Herhangi bir yorumunuz veya isteğiniz varsa, lütfen bu iletişim formunu kullanarak bizimle iletişime geçin.

https://forms.gle/WvT1wiN1qDtmnspy7