Πώς τα κοινωνικά δίκτυα προβλέπουν επιδημίες

Μετά τη χαρτογράφηση περίπλοκων κοινωνικών δικτύων των ανθρώπων, ο Νικόλας Χρηστάκης και ο συνάδελφός του Τζέιμς Φάουλερ άρχισαν να ερευνούν πως αυτή η πληροφορία θα μπορούσε να βελτιώσει τις ζωές μας. Τώρα, αποκαλύπτει τα μόλις δημοσιευμένα ευρήματά του: Αυτά τα δίκτυα μπορούν να χρησιμοποιηθούν στην ανίχνευση επιδημικών φαινομένων νωρίτερα από ποτέ, από την εξάπλωση καινοτόμων ιδεών μέχρι τις επικίνδυνες συμπεριφορές και τους ιούς (όπως ο Η1Ν1).

Τα τελευταία δέκα χρόνια, περνάω τον καιρό μου προσπαθώντας να καταλάβω πώς και γιατί τα ανθρώπινα όντα συναθροίζονται σε κοινωνικά δίκτυα. Το είδος των κοινωνικών δικτύων για το οποίο μιλάω δεν είναι η πρόσφατη online ποικιλία, αλλά περισσότερο, το είδος των κοινωνικών δικτύων στα οποία τα ανθρώπινα όντα συναθροίζονται εδώ και εκατοντάδες χιλιάδες χρόνια, από τότε που εμφανιστήκαμε στην Αφρικανική σαβάνα. Λοιπόν, δημιουργώ φιλίες και συνεργατικές και αδελφικές και συγγενικές σχέσεις με άλλους ανθρώπους που με τη σειρά τους έχουν παρόμοιες σχέσεις με άλλους ανθρώπους. Και αυτό εξαπλώνεται αδιάκοπα σε μεγάλη απόσταση. Και παίρνετε ένα δίκτυο που μοιάζει με αυτό. Κάθε τελεία είναι ένα άτομο. Κάθε γραμμή ανάμεσά τους είναι μια σχέση μεταξύ δυο ανθρώπων — διάφορα είδη σχέσεων. Και μπορείτε να πάρετε αυτό το είδος τεράστιου ιστού της ανθρωπότητας, στον οποίο όλοι είμαστε ενσωματωμένοι.

Και ο συνεργάτης μου, ο Τζέιμς Φάουλερ, κι εγώ μελετάμε εδώ και αρκετό καιρό ποιοι είναι οι μαθηματικοί, κοινωνικοί, βιολογικοί και ψυχολογικοί κανόνες που καθορίζουν τον τρόπο με τον οποίο αυτά τα δίκτυα σχηματίζονται και ποιοι είναι οι παρόμοιοι κανόνες που καθορίζουν τον τρόπο που αυτά διευθύνουν, που επηρεάζουν τις ζωές μας. Και πρόσφατα, αναρωτιώμαστε αν θα ήταν δυνατό να επωφεληθούμε από αυτή την επίγνωση, ώστε πράγματι να βρούμε τρόπους να βελτιώσουμε τον κόσμο, να κάνουμε κάτι καλύτερο, πράγματι να διορθώσουμε πράγματα, όχι απλά να καταλάβουμε πράγματα. Έτσι ένα από τα πρώτα πράγματα που σκεφτήκαμε να αντιμετωπίσουμε ήταν πώς προσεγγίζουμε την πρόβλεψη επιδημιών.

Και η τρέχουσα πρακτική στην πρόβλεψη μιας επιδημίας — αν είστε το CDC (Κέντρα Ελέγχου και Πρόληψης Ασθενειών) ή κάποιο άλλο εθνικό σώμα — είναι να καθήσεις στη μέση εκεί που είσαι και να συλλέγεις δεδομένα από γιατρούς και εργαστήρια του τομέα που αναφέρουν την εξάπλωση ή τη συχνότητα συγκεκριμένων καταστάσεων. Λοιπόν, ανώνυμοι ασθενείς έχουν διαγνωστεί με κάτι [εδώ] ή άλλοι ασθενείς έχουν διαγνωστεί [εδώ], και όλα αυτά τα δεδομένα τροφοδοτούν ένα κεντρικό αρχειοστάσιο, με κάποια καθυστέρηση. Και αν όλα κυλήσουν ομαλά, σε μια με δυο βδομάδες από τώρα, θα ξέρετε που ήταν η επιδημία σήμερα. Και πράγματι, πριν από περίπου ένα χρόνο, υπήρξε αυτή η δημοσίευση της ιδέας του Google Flu Trends, αναφορικά με τη γρίπη, όπου, παρατηρώντας τι αναζητούν οι άνθρωποι σήμερα, θα μπορούσαμε να ξέρουμε που η γρίπη ... ποια ήταν η κατάσταση της επιδημίας σήμερα, ποια ήταν η εξάπλωση της επιδημίας σήμερα.


Αλλά αυτό που θα ήθελα να σας δείξω σήμερα είναι ένα μέσο με το οποίο θα μπορούσαμε να πάρουμε όχι απλώς ταχεία προειδοποίηση για μια επιδημία, αλλά επίσης πραγματικά έγκαιρη ανίχνευση μιας επιδημίας. Και, στην πραγματικότητα, αυτή η ιδέα μπορεί να χρησιμοποιηθεί όχι απλά στην πρόβλεψη επιδημιών από μικρόβια αλλά επίσης στην πρόβλεψη επιδημιών κάθε είδους.

 Για παράδειγμα, κάθε τι που εξαπλώνεται με μια μορφή κοινωνικής μετάδοσης θα μπορούσε να γίνει κατανοητό με αυτό τον τρόπο, από αφηρημένες ιδέες στα αριστερά όπως ο πατριωτισμός, ή ο αλτρουισμός, ή η θρησκεία, μέχρι συνήθειες όπως διατροφικές συνήθειες, ή αγορά βιβλίων, ή κατανάλωση αλκοόλ, ή κράνη ποδηλάτων [και] άλλα μέτρα ασφαλείας, ή προϊόντα που οι άνθρωποι ίσως αγόραζαν, αγορές ηλεκτρονικών αγαθών, οτιδήποτε στο οποίο ενυπάρχει ένα είδος διαπροσωπικής εξάπλωσης. Ένα είδος διάχυσης καινοτομίας θα μπορούσε να γίνει κατανοητό και να προβλεφθεί από το μηχανισμό τον οποίο πρόκειται να σας δείξω τώρα.

Λοιπόν, όπως πιθανώς όλοι γνωρίζετε, ο κλασικός τρόπος να σκεφτόμαστε γι' αυτό είναι η διάχυση καινοτομίας, ή η καμπύλη υιοθέτησης. Έτσι εδώ στον άξονα Υ, έχουμε το ποσοστό των ανθρώπων που επηρεάζονται, και στον άξονα Χ, έχουμε το χρόνο. Και ακριβώς στην αρχή, δεν έχουν επηρεαστεί πάρα πολλοί άνθρωποι, και παίρνετε αυτή την κλασική σιγμοειδή, ή σχήματος S, καμπύλη. 

Και ο λόγος γι' αυτό το σχήμα είναι ότι ακριβώς στην αρχή, ας πούμε ένας ή δυο άνθρωποι έχουν επηρεαστεί, ή μολυνθεί, από τον παράγοντα, και στη συνέχεια επηρεάζουν ή μολύνουν, δυο ανθρώπους, που με τη σειρά τους επηρεάζουν τέσσερις, οκτώ, δεκαέξι κ.ο.κ., και έχετε την επιδημική φάση αύξησης της καμπύλης. Και τελικά, γεμίζετε όλο τον πληθυσμό. 

Υπάρχουν όλο και λιγότεροι άνθρωποι που ακόμα θα μπορούσατε να μολύνετε, και τότε παίρνετε το πλατώ της καμπύλης, και έχετε αυτή την κλασική σιγμοειδή καμπύλη. Και αυτό ισχύει για μικρόβια, ιδέες, υιοθέτηση προϊόντων, συμπεριφορές, και τα συναφή. Αλλά τα πράγματα δεν διαχέονται απλά στους ανθρώπινους πληθυσμούς τυχαία. Στην πραγματικότητα διαχέονται μέσω δικτύων. Επειδή, όπως είπα, ζούμε τις ζωές μας σε δίκτυα, και αυτά τα δίκτυα έχουν ένα συγκεκριμένο είδος δομής.



Τώρα αν κοιτάξετε ένα δίκτυο σαν αυτό ... Αυτό είναι 105 άνθρωποι. Και οι γραμμές απεικονίζουν ... οι τελείες είναι οι άνθρωποι, και οι γραμμές απεικονίζουν φιλικές σχέσεις. Μπορεί να βλέπετε ότι οι άνθρωποι καταλαμβάνουν διαφορετικές θέσεις μέσα στο δίκτυο. Και υπάρχουν διαφορετικά είδη σχέσεων μεταξύ των ανθρώπων. Θα μπορούσατε να έχετε φιλικές σχέσεις, αδελφικές σχέσεις, συζυγικές σχέσεις, συναδελφικές σχέσεις, γειτονικές σχέσεις και τα συναφή. Και διαφορετικά είδη πραγμάτων εξαπλώνονται κατά μήκος διαφορετικών ειδών δεσμών. Για παράδειγμα, σεξουαλικώς μεταδιδόμενες ασθένειες θα εξαπλώνονται κατά μήκος σεξουαλικών δεσμών. Ή, για παράδειγμα, η καπνιστική συμπεριφορά των ανθρώπων θα μπορούσε να επηρεαστεί από τους φίλους τους. Ή η αλτρουιστική ή η φιλανθρωπική τους συμπεριφορά θα μπορούσε να επηρεαστεί από τους συνεργάτες τους, ή από τους γείτονές τους. Αλλά δεν είναι όλες οι θέσεις μέσα στο δίκτυο ίδιες.
Έτσι αν κοιτάξετε αυτό, θα μπορούσατε αμέσως να αντιληφθείτε ότι διαφορετικοί άνθρωποι έχουν διαφορετικούς αριθμούς συνδέσμων. 

Μερικοί άνθρωποι έχουν ένα σύνδεσμο, μερικοί έχουν δύο, μερικοί έχουν έξι, μερικοί έχουν δέκα συνδέσμους. Και αυτό ονομάζεται "βαθμός" κόμβου, ή ο αριθμός των συνδέσμων που έχει ένας κόμβος. Αλλά, επιπροσθέτως, υπάρχει κάτι άλλο. 

Λοιπόν, αν κοιτάξετε τους κόμβους Α και Β, και οι δυο έχουν έξι συνδέσμους Αλλά αν μπορείτε να δείτε αυτή την εικόνα [του δικτύου] από ψηλά, μπορείτε να καταλάβετε ότι υπάρχει κάτι πολύ διαφορετικό σχετικά με τους κόμβους Α και Β. Λοιπον, επιτρέψτε μου να σας ρωτήσω το εξής — Μπορώ να καλλιεργήσω αυτή τη διαίσθηση κάνοντας μια ερώτηση — ποιος θα προτιμούσατε να είστε αν ένα θανατηφόρο μικρόβιο εξαπλωνόταν μέσω του δικτύου, ο Α ή ο Β; (Κοινό: ο Β) Νικόλας Χριστάκης: ο Β, είναι προφανές. Ο Β είναι τοποθετημένος στην άκρη του δκτύου. Τώρα, ποιος θα προτιμούσατε να είστε αν ένα ζουμερό κουτσομπολιό εξαπλωνόταν μέσω του δικτύου; Ο Α. Και έχετε μια άμεση εκτίμηση ότι ο Α είναι πιο πιθανό να πάρει αυτό που εξαπλώνεται και να το πάρει γρηγορότερα λόγω της δομικής του θέσης μέσα στο δίκτυο. 

Ο Α, στην πραγματικότητα, είναι πιο κεντρικός, και αυτό μπορεί να επικυρωθεί μαθηματικά. Έτσι, αν θέλαμε να εντοπίσουμε κάτι που εξαπλωνόταν μέσω ενός δικτύου, το ιδανικό θα ήταν να βάλουμε αισθητήρες στα κεντρικά άτομα μέσα στο δίκτυο, συμπεριλαμβανομένου του κόμβου A, να παρακολουθούμε εκείνους τους ανθρώπους που είναι ακριβώς εκεί στη μέση του δικτύου, και με κάποιο τρόπο να έχουμε μια έγκαιρη ανίχνευση από οτιδήποτε κι αν είναι αυτό που εξαπλώνεται μέσω του δικτύου.



 Με άλλα λόγια, αν τους βλέπατε να έρχονται σε επαφή με ένα μικρόβιο ή μια πληροφορία, θα γνωρίζατε ότι, αρκετά σύντομα, ο καθένας θα επρόκειτο να έρθει σε επαφή με αυτό το μικρόβιο ή με αυτή την πληροφορία. Και αυτό θα ήταν πολύ καλύτερο από το να παρακολουθείς έξι τυχαία επιλεγμένους ανθρώπους, χωρίς αναφορά στη δομή του πληθυσμού. Και στην πραγματικότητα, αν θα μπορούσατε να κάνετε αυτό, αυτό που θα βλέπατε είναι κάτι σαν κι αυτό. Στον πίνακα στ' αριστερά, πάλι, έχουμε τη σιγμοειδή καμπύλη υιοθέτησης.

 Στη διακεκομμένη κόκκινη γραμμή, δείχνουμε πως θα ήταν η υιοθέτηση σε τυχαίους ανθρώπους, και στη γραμμή στ' αριστερά, μετατοπισμένη στ' αριστερά, δείχνουμε πως θα ήταν η υιοθέτηση στα κεντρικά άτομα μέσα στο δίκτυο. Στον άξονα Υ είναι οι αθροιστικές περιπτώσεις μετάδοσης, και στον άξονα των Χ είναι ο χρόνος. Και στη δεξιά πλευρά, δείχνουμε τα ίδια δεδομένα, αλλά εδώ με ημερήσια συχνότητα. Και αυτό που δείχνουμε εδώ είναι — όπως εδώ — πολύ λίγοι άνθρωποι επηρεάζονται, περισσότεροι και περισσότεροι και περισσότεροι και ως εδώ, και εδώ είναι η κορυφή της επιδημίας. Αλλά μετατοπισμένο στ' αριστερά είναι αυτό που συμβαίνει στα κεντρικά άτομα. Και αυτή η διαφορά στο χρόνο μεταξύ των δυο είναι η έγκαιρη ανίχνευση, η έγκαιρη προειδοποίηση που μπορούμε να έχουμε, για μια επικείμενη επιδημία στον ανθρώπινο πληθυσμό.
Το πρόβλημα, πάντως, είναι ότι η χαρτογράφηση των ανθρώπινων κοινωνικών δικτύων δεν είναι πάντα δυνατή. Μπορεί να είναι ακριβή, [πολύ δύσκολη], ανήθικη, ή, ειλικρινά, απλά μη δυνατό να κάνεις κάτι τέτοιο. 

Λοιπόν, πώς μπορούμε να καταλάβουμε ποιοι είναι οι κεντρικοί άνθρωποι σε ένα δίκτυο χωρίς στην πραγματικότητα να χαρτογραφήσουμε το δίκτυο; 

Αυτό που σκεφτήκαμε ήταν μια ιδέα να εκμεταλλευτούμε ένα παλιό δεδομένο, ή ένα γνωστό δεδομένο, για τα κοινωνικά δίκτυα, που πηγαίνει κάπως έτσι: 

Γνωρίζετε ότι οι φίλοι σας έχουν περισσότερους φίλους από ότι εσείς; 

Οι φίλοι σας έχουν περισσότερους φίλους από εσάς. Και αυτό είναι γνωστό ως το παράδοξο της φιλίας. Φανταστείτε ένα πολύ δημοφιλές άτομο στο κοινωνικό δίκτυο — όπως έναν οικοδεσπότη πάρτυ που έχει εκατοντάδες φίλους — και έναν μισάνθρωπο που έχει μόνο ένα φίλο, και διαλέγετε τυχαία κάποιους από τον πληθυσμό, θα ήταν πολύ πιο πιθανό να γνωρίζουν τον οικοδεσπότη του πάρτυ.

 Και αν ονομάσουν τον οικοδεσπότη του πάρτυ φίλο τους, εκείνος ο οικοδεσπότης του πάρτυ έχει εκατό φίλους, συνεπώς, έχει περισσότερους φίλους από όσους έχουν αυτοί. Και αυτό, κατ' ουσίαν, είναι γνωστό ως το παράδοξο της φιλίας. Οι φίλοι τυχαία επιλεγμένων ανθρώπων έχουν υψηλότερο βαθμό, και είναι πιο κεντρικοί, από τους ίδιους τους τυχαίους ανθρώπους.

Και μπορείτε να έχετε μια διαισθητική εκτίμηση γι' αυτό αν φανταστείτε απλώς τους ανθρώπους στην περίμετρο του δικτύου. Αν διαλέξετε αυτό το άτομο, ο μόνος φίλος που έχουν να κατονομάσουν είναι αυτό το άτομο, ο οποίος, λόγω κατασκευής, πρέπει να έχει τουλάχιστον δύο, και τυπικά περισσότερους, φίλους. Και αυτό συμβαίνει σε κάθε περιφερειακό κόμβο. 

Και στην πραγματικότητα, αυτό συμβαίνει σε όλο το δίκτυο καθώς κινείσαι μέσα σ'αυτό, καθένας που διαλέγεις, όταν ονομάζουν έναν τυχαίο ... όταν ένα τυχαίο άτομο ονομάζει ένα φίλο του, κινείσαι πλησιέστερα προς το κέντρο του δικτύου. Λοιπόν, σκεφτήκαμε να εξερευνήσουμε αυτή την ιδέα με σκοπό να μελετήσουμε αν θα μπορούσαμε να προβλέψουμε φαινόμενα μέσα σε δίκτυα. 

Επειδή τώρα, με αυτή την ιδέα, μπορούμε να πάρουμε ένα τυχαίο δείγμα ανθρώπων, να τους ζητήσουμε να ονομάσουν τους φίλους τους, εκείνοι οι φίλοι θα ήταν πιο κεντρικοί, και θα μπορούσαμε να το κάνουμε χωρίς να χρειάζεται να χαρτογραφήσουμε το δίκτυο.

Και τεστάραμε αυτή την ιδέα με μια έξαρση της γρίπης Η1Ν1 στο Κολλέγιο Χάρβαρντ το φθινόπωρο και το χειμώνα του 2009, μόλις λίγους μήνες πριν. Πήραμε 1300 τυχαία επιλεγμένους φοιτητές, τους ζητήσαμε να ονομάσουν τους φίλους τους, και ακολουθήσαμε και τους τυχαίους φοιτητές και τους φίλους τους καθημερινά για να δούμε αν είχαν ή όχι την επιδημία γρίπης. 

Και το κάναμε αυτό παθητικά εξετάζοντας αν είχαν πάει ή όχι στις υπηρεσίες υγείας του πανεπιστημίου. Και επίσης, τους ζητήσαμε [ενεργητικά] να μας στέλνουν ένα ηλεκτρονικό μήνυμα δυο φορές την εβδομάδα. Ακριβώς αυτό που προβλέψαμε συνέβη. Λοιπόν η τυχαία ομάδα είναι στην κόκκινη γραμμή. Η επιδημία στην ομάδα των φίλων έχει μετατοπιστεί στα αριστερά, εδώ. Και η διαφορά ανάμεσα στα δυο είναι 16 μέρες.  

Παρακολουθώντας την ομάδα των φίλων, θα μπορούσαμε να έχουμε προειδοποίηση 16 μέρες πριν από μια επικείμενη επιδημία σε αυτό τον ανθρώπινο πληθυσμό.



Λοιπόν, επιπροσθέτως, αν ήσασταν ένας αναλυτής που προσπαθούσε να μελετήσει μια επιδημία ή να προβλέψει την υιοθέτηση ενός προϊόντος, για παράδειγμα, αυτό που να μπορούσατε να κάνετε είναι να διαλέξετε ένα τυχαίο δείγμα του πληθυσμού να τους ζητήσετε να ονομάσουν τους φίλους τους και να ακολουθήσουν τους φίλους τους, και να ακολουθήσετε και τους τυχαίους και τους φίλους. Ανάμεσα στους φίλους, η πρώτη ένδειξη που θα βλέπατε μιας μικρής μεταβολής πάνω από το μηδέν στην υιοθέτηση καινοτομίας, για παράδειγμα, θα ήταν στοιχείο για μια επικείμενη επιδημία. Ή θα μπορούσατε να δείτε την πρώτη φορά που οι δυο καμπύλες απέκλιναν, όπως φαίνεται στ' αριστερά. Πότε οι τυχαίοι ... πότε οι φίλοι απομακρύνθηκαν και άφησαν τους τυχαίους, και [πότε] οι καμπύλες άρχισαν να μετατοπίζονται; Και αυτό, όπως φαίνεται από τη λευκή γραμμή, συνέβη 46 μέρες πριν την έξαρση της επιδημίας. Έτσι αυτό θα μπορούσε να είναι μια τεχνική όπου θα μπορούσαμε να πάρουμε προειδοποίηση ενάμιση μήνα νωρίτερα για μια επιδημία γρίπης σε ένα συγκεκριμένο πληθυσμό.

Θα έλεγα ότι το πόσο νωρίς θα μπορούσε κάποιος να έχει μια προειδοποίηση για κάτι εξαρτάται από διάφορους παράγοντες. Θα μπορούσε να εξαρτηθεί από τη φύση του παθογόνου — διαφορετικά παθογόνα, με αυτή την τεχνική, θα παίρνατε διαφορετικές προειδοποιήσεις — ή από άλλα φαινόμενα που εξαπλώνονται, ή, ειλικρινά, από τη δομή του ανθρώπινου δικτύου. Τώρα, στην περίπτωσή μας, αν και δεν ήταν απαραίτητο, θα μπορούσαμε στην πραγματικότητα να χαρτογραφήσουμε το δίκτυο των φοιτητών.



Αυτός, λοιπόν, είναι ένας χάρτης 714 φοιτητών και των φιλικών δεσμών τους. 

Και σε ένα λεπτό, πρόκειται να θέσω αυτό το χάρτη σε κίνηση. Πρόκειται να πάρουμε καθημερινές τομές μέσα στο δίκτυο για 120 μέρες. Οι κόκκινες τελείες θα είναι περιπτώσεις γρίπης, και οι κίτρινες τελείες θα είναι φίλοι των ανθρώπων με γρίπη. Και το μέγεθος των τελειών θα είναι ανάλογο με το πόσοι από τους φίλους τους έχουν γρίπη. Έτσι μεγαλύτερες τελείες σημαίνει ότι περισσότεροι από τους φίλους σου έχουν γρίπη. 

Και αν κοιτάξετε αυτή την εικόνα — εδώ είμαστε τώρα στις 13 Σεπτεμβρίου — θα δείτε λίγες περιπτώσεις να φωτίζονται. Πρόκειται να δείτε κάτι σαν έξαρση της γρίπης στη μέση. Εδώ είμαστε στις 19 Οκτωβρίου. Η κλίση της επιδημικής καμπύλης πλησιάζει εδώ, στο Νοέμβριο. Μπανγκ, μπανγκ, μπανγκ, μπανγκ, μπανγκ, πρόκειται να δείτε πολλές εξάρσεις στη μέση, και πρόκειται να δείτε ένα είδος ύφεσης, όλο και λιγότερες περιπτώσεις προς τα τέλη Δεκεμβρίου. Και αυτός ο τύπος οπτικοποίησης μπορεί να δείξει ότι επιδημίες σαν κι αυτή ξεκινούν και επηρεάζουν τα κεντρικά άτομα πρώτα, πριν επηρεάσουν άλλους.

Λοιπόν, όπως προτείνω, αυτή η μέθοδος δεν περιορίζεται σε μικρόβια, αλλά στην πραγματικότητα σε οτιδήποτε εξαπλώνεται σε πληθυσμούς. Οι πληροφορίες εξαπλώνονται σε πληθυσμούς. Τα πρότυπα μπορούν να εξαπλώνονται σε πληθυσμούς. Οι συμπεριφορές μπορούν να εξαπλώνονται σε πληθυσμούς. 

Και λέγοντας συμπεριφορές, μπορώ να εννοώ πράγματα όπως η εγκληματική συμπεριφορά, ή η εκλογική συμπεριφορά, ή η συμπεριφορά σχετικά με την υγεία, όπως το κάπνισμα, ή ο εμβολιασμός, ή η υιοθέτηση προϊόντος, ή άλλα είδη συμπεριφοράς που σχετίζονται με διαπροσωπική επιρροή. Αν είναι πιθανό να κάνω κάτι που επηρεάζει άλλους γύρω μου, αυτή η τεχνική μπορεί να δώσει έγκαιρη προειδοποίηση, ή έγκαιρη ανίχνευση, γύρω από την υιοθέτηση μέσα στον πληθυσμό. Το σημείο κλειδί είναι, ότι για να δουλέψει, θα πρέπει να υπάρχει διαπροσωπική επιρροή. Δε μπορεί να είναι λόγω κάποιου μηχανισμού μετάδοσης που επηρεάζει όλους ομοιόμορφα.

Τώρα τις ίδιες επιγνώσεις μπορούμε επίσης να τις εκμεταλλευτούμε - αντίστοιχα με τα δίκτυα — μπορούν επίσης να χρησιμοποιηθούν με άλλους τρόπους, για παράδειγμα, στη στοχοποίηση συγκεκριμένων ανθρώπων για παρεμβάσεις. Λοιπόν, για παράδειγμα, οι περισσότεροι από εσάς πιθανώς γνωρίζετε την έννοια της ανοσίας της αγέλης. Λοιπόν, αν έχουμε ένα πληθυσμό χιλίων ανθρώπων, και θέλουμε να ανοσοποιήσουμε τον πληθυσμό σε ένα παθογόνο, δε χρειάζεται να ανοσοποιήσουμε κάθε ένα άτομο.

 Αν ανοσοποιήσουμε 960 απ' αυτούς, είναι σα να είχαμε ανοσοποιήσει το 100% αυτών. Επειδή ακόμα κι αν ένας ή δύο από τους μη ανοσοποιημένους ανθρώπους μολυνθούν, δεν υπάρχει κανένας που να μπορούν να μολύνουν. Περιβάλλονται από ανοσοποιημένους ανθρώπους. Έτσι το 96% είναι τόσο καλό όσο και το 100%.

 Λοιπόν, κάποιοι άλλοι επιστήμονες έχουν υπολογίσει τι θα συνέβαινε αν παίρνατε ένα τυχαίο δείγμα του 30% από αυτούς τους 1000 ανθρώπους, 300 ανθρώπους και τους ανοσοποιούσατε. Θα είχατε ανοσία σε επίπεδο πληθυσμού;

 Και η απάντηση είναι όχι. Αλλά αν παίρνατε αυτό το 30%, αυτούς τους 300 ανθρώπους, και τους ζητούσατε να ονομάσουν τους φίλους τους και παίρνατε τον ίδιο αριθμό δόσεων εμβολίων και εμβολιάζατε τους φίλους των 300, τους φίλους των 300, θα μπορέσετε να έχετε το ίδιο επίπεδο ανοσίας της αγέλης σα να είχατε εμβολιάσει το 96% του πληθυσμού με πολύ μεγαλύτερη αποτελεσματικότητα, με αυστηρά περιορισμένο προϋπολογισμό.

Και παρόμοιες ιδέες μπορούν να χρησιμοποιηθούν, για παράδειγμα, για να κατευθύνετε την κατανομή αντικειμένων όπως οι κουνουπιέρες στον αναπτυσσόμενο κόσμο. Αν μπορούσαμε να καταλάβουμε τη δομή των δικτύων στα χωριά, θα μπορούσαμε να εστιάσουμε σε ποιον θα αναθέταμε τη μεσολάβηση για να προωθήσει αυτά τα είδη των εξαπλώσεων. Ή, ειλικρινά, για να διαφημίσουμε προϊόντα κάθε είδους. Αν μπορούσαμε να καταλάβουμε πως να στοχεύσουμε, αυτό θα μπορούσε να επηρεάσει την αποτελεσματικότητα αυτού που προσπαθούμε να επιτύχουμε. Και στην πραγματικότητα, μπορούμε να χρησιμοποήσουμε δεδομένα από πηγές κάθε είδους στις μέρες μας [για να το κάνουμε].





Αυτός είναι ένας χάρτης οκτώ εκατομμυρίων χρηστών τηλεφώνου σε μια Ευρωπαϊκή χώρα. Κάθε τελεία είναι ένα άτομο, και κάθε γραμμή απεικονίζει έναν όγκο κλήσεων μεταξύ των ανθρώπων. Και μπορούμε να χρησιμοποιήσουμε τέτοια στοιχεία, που συλλέγονται παθητικά, για να χαρτογραφήσουμε ολόκληρες χώρες και να καταλάβουμε ποιος είναι τοποθετημένος πού μέσα στο δίκτυο. 

Πράγματι, χωρίς καθόλου να χρειαστεί να τους ρωτήσουμε, μπορούμε να έχουμε αυτό το είδος δομικής επίγνωσης. Και άλλες πηγές πληροφοριών, όπως χωρίς αμφιβολία γνωρίζετε, είναι διαθέσιμες για τέτοια χαρακτηριστικά, από την επικοινωνία με ηλεκτρονικά μηνύματα, on line επικοινωνία, online κοινωνικά δίκτυα, κ.ο.κ. 

Και στην πραγματικότητα, είμαστε στην εποχή αυτού που θα αποκαλούσα "μαζικές-παθητικές" προσπάθειες συλλογής δεδομένων.

 Υπάρχουν κάθε είδους τρόποι που μπορούμε να χρησιμοποιήσουμε μαζικώς συλλεγμένα δεδομένα να δημιουργήσουμε δίκτυα αισθητήρων να ακολουθήσουμε τον πληθυσμό, να καταλάβουμε τι συμβαίνει στον πληθυσμό, και να παρέμβουμε στον πληθυσμό προς το καλύτερο. 

Επειδή αυτές οι νέες τεχνολογίες μας λένε όχι μόνο ποιος μιλά σε ποιον, αλλά πού είναι ο καθένας, και τι σκέφτονται με βάση τι ανεβάζουν στο ίντερνετ, και τι αγοράζουν με βάση τα ψώνια τους. Και όλα αυτά τα διαχειριστικά δεδομένα μπορούν να συγκεντρωθούν και να επεξεργαστούν για να καταλάβουμε την ανθρώπινη συμπεριφορά με ένα τρόπο που ποτέ πριν δεν μπορούσαμε.

Έτσι, για παράδειγμα θα μπορούσαμε να χρησιμοποιήσουμε τις αγορές καυσίμων των φορτηγατζήδων. Έτσι οι φορτηγατζήδες απλώς κάνουν την δουλειά τους, και αγοράζουν καύσιμα. Και εμείς βλέπουμε μια μικρή άνοδο στις αγορές καυσίμων των φορτηγατζήδων, και ξέρουμε ότι μια ύφεση βρίσκεται στο τέλος της.

 Ή μπορούμε να καταγράψουμε την ταχύτητα με την οποία οι άνθρωποι κινούνται με τα τηλέφωνά τους σε μια λεωφόρο, και η τηλεφωνική εταιρία μπορεί να δει, καθώς η ταχύτητα μειώνεται, ότι υπάρχει ένα μποτιλιάρισμα. Και μπορούν να προωθήσουν την πληροφορία στους συνδρομητές τους, αλλά μόνο στους συνδρομητές αυτούς που βρίσκονται στον ίδιο αυτοκινητόδρομο και μάλιστα πίσω από το μποτιλιάρισμα! 

Ή μπορούμε να παρακολουθήσουμε τις συμπεριφορές συνταγογράφησης των γιατρών, παθητικά, και να δούμε πώς η διάχυση καινοτομίας με τα φάρμακα συμβαίνει μέσα στα [δίκτυα των] γιατρών.

 Ή πάλι, μπορούμε να καταγράψουμε την αγοραστική συμπεριφορά σε ανθρώπους, και να παρακολουθήσουμε πώς αυτοί οι τύποι φαινομένων μπορούν να διαχυθούν μέσα στους ανθρώπινους πληθυσμούς.

Και υπάρχουν τρεις τρόποι, νομίζω, που μπορούν να χρησιμοποιηθούν αυτά τα μαζικά-παθητικά δεδομένα. 

Ο ένας είναι εντελώς παθητικά, όπως μόλις περιέγραψα — όπως, για παράδειγμα, στο παράδειγμα των φορτηγατζήδων, όπου στην πραγματικότητα δεν παρεμβαίνουμε στον πληθυσμό με κανένα τρόπο.

 Ένας είναι ημι-ενεργητικός, όπως το παράδειγμα της γρίπης που παρουσίασα, όπου πείθουμε κάποιους ανθρώπους να ονομάσουν τους φίλους τους και μετά παθητικά παρακολουθούμε τους φίλους τους — έχουν τη γρίπη, ή όχι - και μετά παίρνουμε την προειδοποίηση. 

Ή ένα άλλο παράδειγμα θα ήταν, αν ήσασταν μια εταιρεία τηλεφωνίας, θα καταλαβαίνατε ποιοι είναι κεντρικοί στο δίκτυο, και θα ρωτούσατε αυτούς τους ανθρώπους, "Κοιτάξτε, θα μας στέλνετε ένα μήνυμα για τη θερμοκρασία σας κάθε μέρα; Απλώς στείλτε μας τη θερμοκρασία σας.' 

Και θα συγκεντρώνατε τεράστιες ποσότητες πληροφοριών για τη θερμοκρασία των ανθρώπων, αλλά από κεντρικά τοποθετημένα άτομα. Και θα μπορούσατε, σε μεγάλη κλίμακα, να παρακολουθείσετε μια επικείμενη επιδημία με πολύ λιγες καταχωρήσεις από ανθρώπους. 

Ή, τέλος, μπορεί να είναι εντελώς ενεργητικά — όπως γνωρίζω οι επόμενοι ομιλητές θα μιλήσουν επίσης γι' αυτό σήμερα — όπου άνθρωποι θα μπορούσαν παγκοσμίως να συμμετέχουν σε wikis, ή φωτογραφίζοντας ή καταγράφοντας εκλογές, και να ανεβάζουν πληροφορίες με ένα τρόπο που μας επιτρέπει να συγκεντρώσουμε πληροφορίες για να καταλάβουμε κοινωνικές διαδικασίες και κοινωνικά φαινόμενα.

Στην πραγματικότητα, η διαθεσιμότητα αυτών των δεδομένων, νομίζω, κηρύττει ένα είδος νέας εποχής αυτού που εγώ και άλλοι θα θέλαμε να αποκαλέσουμε "υπολογιστική κοινωνική επιστήμη." Είναι κάπως όπως όταν ο Γαλιλαίος εφήυρε - ή, δεν εφήυρε — χρησιμοποίησε το τηλεσκόπιο και μπορούσε να δει τους ουρανούς με ένα καινούργιο τρόπο, ή ο Λέβενχουκ έμαθε για το μικροσκόπιο — ή στην πραγματικότητα το εφήυρε — και μπορούσε να δει τη βιολογία με ένα νέο τρόπο. Αλλά τώρα έχουμε πρόσβαση σε αυτά τα είδη πληροφοριών που μας επιτρέπει να κατανοούμε κοινωνικές διαδικασίες και κοινωνικά φαινόμενα με έναν εντελώς νέο τρόπο που ποτέ πριν δεν ήταν δυνατό. Και με αυτή την επιστήμη, μπορούμε να κατανοήσουμε πώς ακριβώς το όλον καταλήγει να γίνει σπουδαιότερο από το σύνολο των μερών του. Και στην πραγματικότητα, μπορούμε να χρησιμοποιήσουμε αυτή την επίγνωση για να βελτιώσουμε την κοινωνία και να βελτιώσουμε την ανθρώπινη ευημερία.

TED, June 2010

Ο Νικόλας Χρηστάκης είναι καθηγητής ιατρικής και ιατρικής κοινωνιολογίας στο Πανεπιστήμιο Χάρβαντ, το 2009 συμπεριλήφθηκε από το «TIME» στον κατάλογο των εκατό προσωπικοτήτων με τη μεγαλύτερη επιρροή στον πλανήτη.

 

 braining

 

Η ΑΠΟΚΑΛΥΨΗ ΤΟΥ ΕΝΑΤΟΥ ΚΥΜΑΤΟΣ