Николас Христакис: Как социалните мрежи предсказват епидемии

В последните 10 години прекарвам времето си, опитвайки се да разбера, как и защо човешките същества се събират в социални мрежи. И не говоря за социалните мрежи от наскорошните онлайн разновидности, а по-скоро, за вида социални мрежи, в които човешките същества се събират от стотици хиляди години, откакто сме произлезли от африканската савана. И така, аз формирам приятелства и връзки с колеги, роднини и относителни връзки с други хора, които от своя страна имат подобни отношения с други хора. И това се разпростира безкрайно надалеко. Получавате мрежа, която изглежда така. Всяка точка е човек. Всяка линия между тях е връзка между двама души -- различни видове връзки. И можете да получите този вид голяма структура на човечеството, в която всички сме вградени.

И моят колега, Джеймс Фаулър, и аз изучаваме от известно време, какви са математическите, социалните, биологичните и психологическите правила, които управляват как тези мрежи са образувани, и какви са сходните правила, които управляват как те функционират, как засягат нашия живот. И наскоро започнахме да се чудим, дали не би било възможно да се възползваме от това прозрение, всъщност да намерим начини за подобряване на света, да направим нещо по-добро, всъщност да оправяме неща, а не само да ги разбираме. Така че едно от първите неща, които си мислим, че ще преборим, е как ще прогнозираме епидемиите.

Сегашния най-развит метод за прогнозиране на епидемия -- ако сте Центъра по контрол и профилактика на заболяванията [на англ. CDC] или друг национален орган -- е да стоите по средата, където сте, и да събирате данни от лекари и лаборатории в областта, които докладват за преобладаването, или разпространението на определени заболявания. Толкова, толкова и толкова пациента са диагностицирани с нещо, или други пациенти са диагностицирани, и всички тези данни се вкарват в централно хранилище с известно закъснение. И ако всичко върви гладко, след 1-2 седмици ще знаете къде е била епидемията днес. И всъщност преди около една година беше обявена идеята за Гугъл грипни тенденции, по отношение на грипа, където, гледайки поведението на търсене на хората днес, бихме могли да знаем къде грипа ... какво е състоянието на епидемията днес, какво е разпространението на епидемията днес.

Но това, което бих искал да ви покажа днес е средство, чрез което можем да получим, не само бързо предупреждение за епидемия, но също и ранно откриване на епидемия. И всъщност, тази идея може да се използва не само за предсказване на епидемия от микроби, но също и да предсказва епидемии от най-различен вид. Например, всичко, което се разпространява като един вид социална зараза, може да бъде разбрано по този начин, от абстрактни идеи от една страна, като патриотизъм, или алтруизъм, или религия, до практики като диетично поведение, или купуване на книги, или пиене, или велосипедна-каска [и] други практики за безопасност, или продукти, които хората могат да купуват, покупка на електронни стоки, всичко, в което има нещо като междуличностно разпространение. Нещо като разпространение на иновациите може да бъде разбрано и прогнозирано от механизма, който ще ви покажа сега.

И така, както всички от вас може би знаят, класическия начин да си мислим за това е разпространението на иновациите, или "кривата на усвояване." Така, тук по оста Y е процента на засегнатите хора, и по оста X е времето. И в самото начало, засегнатите хора не са твърде много, и ще получите тази класическа сигмоида, или S-образна крива. И причината за тази форма е, че в самото начало, да приемем, че един или двама души са засегнати, или заразени от нещото, и след това те засягат, или заразяват, двама човека, които на свой ред засягат четири, осем, 16 и т.н., и получавате фазата на растеж на епидемията върху кривата. И накрая, населението се насища. Има все по-малко хора, които все още са на разположение, за да могат да бъдат заразени, и тогава получавате платото на кривата, и ще получите тази класическа S-образна крива. И това се отнася и за микроби, идеи, възприемане на продукти, поведение и други подобни. Но нещата не се разпространяват на случаен принцип в човешките популации. Те всъщност се разпространяват чрез мрежи. Понеже, както казах, ние живеем живота си в мрежи, и тези мрежи имат определен вид структура.

Сега, ако се вгледате в мрежа като този ... Това са 105 души. И линиите представляват ... точките са хората, а линиите представляват приятелски отношения. Можете да видите, че хората заемат различни места в мрежата. И има различни видове взаимоотношения между хората. Може да има приятелски взаимоотношения, отношения между братя и сестри, съпружески взаимоотношения, колегиални отношения, съседски взаимоотношения и други подобни. И различни видове неща, разпространени в различни видове връзки. Например, полово предавани болести, ще се разпространяват чрез сексуални връзки. Или например, пушенето на хората, може да бъде повлияно от техните приятели. Или тяхното алтруистично или благотворително поведение, може да бъде повлияно от колегите им, или от техните съседи. Но не всички позиции в мрежата са еднакви.

Така че, ако се вгледате в това, може незабавно да схванете, че различните хора имат различен брой връзки. Някои хора имат една връзка, някои са с две, някои имат шест, други са с десет връзки. И това се нарича степен на един възел, или броя на връзките, които има един възел. Но, освен това, има нещо друго. Така например, ако погледнете възлите А и Б, те и двата имат шест връзки. Но ако видите тази диаграма от птичи поглед, можете да оцените, че има нещо много различно между възлите А и Б. Така че, нека да ви попитам -- мога да направя това интуитивно, като задам въпрос -- кой бихте искали да бъдете, ако смъртоносен вирус се разпространява през мрежата, А или Б? (Публиката: Б.) Николас Христакис: Б, това е очевидно. Б се намира на края на мрежата. Сега, кой бихте искали да бъдете, ако пикантна клюка са разпространява през мрежата? А. И можете да оцените непосредствено, че А е по-вероятно да получи новината, която се разпространява, и да я получи по-скоро, благодарение на структурното си разположение в рамките на мрежата. А, всъщност, е по-централен, и това може да се формализира математически. Така че, ако искаме да проследим нещо, което се разпространява през мрежа, това, което в идеалния случай бихме искали да направим, е да поставим сензори на централните лица в рамките на мрежата, включително възел А, и да наблюдаваме тези хора, които са там в средата на мрежата, и някак си да открием рано, каквото и да се разпространява чрез мрежата.

Така че, ако ги видите да получават вирус, или информация, ще знаете, че доста скоро, всеки ще е на път да получи този вирус, или тази информация. И това ще бъде много по-добре, отколкото да се наблюдават шест произволно избрани хора, без оглед на структурата на населението. И всъщност, ако бихме могли да направим това, това, което ще видим е нещо подобно на таблото от лявата страна, отново, имаме S-образна крива на усвояване. С пунктираната червена линия показваме, какво ще бъде усвояването при случайни хора, и на линията от ляво, изместена на ляво, показваме какво ще е усвояването при индивидите, разположени в централната част на мрежата. По оста Y са сумарните случаи на зараза, а по оста X е времето. И от дясната страна, показваме същите данни, но с дневни инциденти. И това, което показваме тук е - като, тук -- много малко хора са засегнати, все повече, и повече, и повече до тук, и тук е пикът на епидемията. Но изместено наляво е това, което се случва при индивидите в центъра. И тази разлика във времето между двете групи е ранното откриване, ранното предупреждение, което можем да получим, за предстоящата епидемия в човешката популация.

Проблемът, обаче е, че пълното описание на човешките социални мрежи е не винаги възможно. Може да бъде скъпо, [неосъществимо], неетично, или, честно казано, просто не е възможно да се направи такова нещо. И така, как можем да разберем, кои са хората в центъра на мрежата, без всъщност да описваме мрежата в детайли? Това, което ни хрумна беше идеята да се използва една много стара практика, или известен факт за социалните мрежи, който гласи нещо от сорта на: Знаете ли, че вашите приятели имат повече приятели от вас? Вашите приятели имат повече приятели от вас. И това е известно като парадокса на приятелството. Представете си един много популярен човек в социалната мрежа -- като домакин на парти, който има стотици приятели -- и мизантроп, който има само един приятел, и вие избирате някого на случаен принцип от населението; той е много по-вероятно да познава домакина на партито. И ако те определят домакина на партито като свой приятел, този домакин на парти има сто приятели, следователно, има повече приятели, отколкото тях. И това по същество е известно като парадокса на приятелството. Приятелите на случайно избрани хора имат по-висока степен и са по-централни, отколкото самите случайни хора.

Можете да получите интуитивна представа за това, ако си представите само хората в периметъра на мрежата. Ако изберете този човек, единственият приятел, който той трябва да избере, е този човек, който по построение, трябва да има поне двама, и обикновено повече приятели. И това се случва със всеки периферен възел. И всъщност, това се случва в рамките на цялата мрежа, докато се придвижвате навътре, всекиго, когото изберете, ако те номинират случайно ... когато случаен човек номинира свой приятел, се придвижвате по-близо до центъра на мрежата. Така че, ние решихме, че можем да използваме тази идея, за да проучим дали можем да предскажем явления в мрежи. Защото сега, с тази идея, можем да вземем случайна извадка от хора, да ги накараме да номинират своите приятели, тези приятели ще бъдат по-централни, и можем да направим това, без да се налага да съставяме карта на мрежата.

И ние тествахме тази идея с разпространението на H1N1 грип в Харвардския колеж, през есента и зимата на 2009 година, само преди няколко месеца. Взехме 1300 случайно подбрани студенти, накарахме ги да номинират своите приятели, и следвахме както случайно избрани студенти, така и техните приятели, ежедневно във времето, за да видим дали те имат, или не, грипна епидемия. И ние правихме това пасивно, гледайки дали те са ползвали, или не, университетския здравен център. И също така, те трябваше да ни пишат няколко пъти в седмицата. Случи се точно това, което предсказахме. Случайната група е с червената линия. Епидемията в групата на приятелите се измести наляво, до тук. И разликата в двете е 16 дни. Чрез наблюдение на групата приятели, можахме да получим 16 дни предупреждение в аванс, за предстояща епидемия в тази човешка популация.

Сега, в допълнение към това, ако сте анализатор, който се опитва да изучава епидемиите, или да предвиди усвояването на даден продукт, например, това, което бихте могли да направите, е да изберете случайна извадка от населението, да ги накарете да номинират своите приятели и да проследите приятелите, и да следвате както случайните хора, така и приятелите. Сред приятелите, първото доказателство, което видите за покачване над нулата в усвояването на иновациите, например, ще бъде доказателство за предстояща епидемия. Или можете да видите първия път, когато двете криви се разклоняват, както е показано в ляво. Кога случайните ... кога приятелите се отделят и оставят случайните хора, и техните криви започват да се отместват? И това, както е показано от бялата линия, настъпи на 46 ден, преди пика на епидемията. Така че това може да бъде техника, с която бихме могли да получим повече от месец и половина предупреждение, за грипна епидемия в определена популация.

Трябва да кажа, че колко ранно предупреждение може да се получи за нещо, зависи от множество фактори. Може да зависи от естеството на патогените -- при различни патогени, използвайки тази техника, може да получите различни предупреждения -- или различни явления, които се разпространяват, или, честно казано, от структурата на човешката мрежа. Сега, в нашия случай, въпреки че не беше необходимо, можехме да направим карта на мрежата на студентите.

Така че, това е картата на 714 студенти и техните приятелски връзки. И след една минута ще оживя тази карта. Ще направим дневни снимки на мрежата за 120 дни. Червените точки ще са случаите на грип, а жълтите точки ще бъдат приятели на хората с грип. И размерът на точките ще бъде пропорционален на това, колко много от техните приятели имат грип. Така че по-големите точки означават, че повече от вашите приятели имат грип. И ако се вгледате в тази графика -- това е от 13-и септември -- можете да видите само няколко случаи да проблясват. Може да видите растежа на грипа по средата. Това е от 19-и октомври. Наклонът на епидемичната крива се приближава сега през ноември. Бам, бам, бам, бам, бам, ще видите много растеж в средата, и след това ще видите нещо като стабилизиране, и все по-малко случаи към края на декември. И този тип визуализация показва, че епидемии като тази, се закореняват и засягат първо индивидите в центъра, преди да засегнат останалите.

Сега, както споменах, този метод не се ограничава до микроби, но всъщност до всичко, което се разпространява в популациите. Информацията се разпространява в популациите. Норми може да се разпространяват в популациите. Поведения могат да се разпространяват в популациите. И под поведения, имам предвид неща като престъпно поведение, или избирателно поведение, или здравно поведение, като тютюнопушене, или ваксинация, или усвояване на продукт, или други видове поведения, които се отнасят до междуличностното влияние. Ако мога да направя нещо, което да засегне другите около мен, тази техника може да получи ранно предупреждение, или ранно откриване, за усвояването в населението. Ключовото нещо в това, за да работи е, че трябва да има междуличносто влияние. Не може да се дължи на някакъв предавателен механизъм, който засяга всички по еднакъв начин.

Сега, същите прозрения, също може да бъдат използвани -- по отношение на мрежите -- също могат да бъдат използвани по други начини, например, при използването на фокусиране на определени хора за интервенции. Така например, повечето от вас вероятно са запознати с понятието за стаден имунитет. Така че, ако имаме популация от хиляда души, и искаме да направим населението имунно към патогени, ние не трябва да имунизираме всеки един човек. Ако имунизираме 960 от тях, ще бъде същото, както ако имунизираме сто [процента] от тях. Защото, ако дори един или двама от неимунизираните хора станат заразени, няма да има кого да инфектират. Ще са заобиколени от имунизирани хора. Така че 96% е почти като 100%. Е, някои други учени изчислиха, какво ще се случи, ако се направи 30 процентова случайна извадка на тези 1300 души и ги имунизираме. Дали ще получим някакво ниво на имунитет на населението? И отговорът е, не. Но ако вземете тези 30 процента, тези 300 души, и ги накарате да номинират своите приятели, и вземете същия брой ваксини, и ваксинирате приятелите на 300-та, 300-та приятели, ще получите същото ниво на стаден имунитет, все едно сте ваксинирали 96% от населението, при много по-голяма ефективност, със строго ограничен бюджет.

И подобни идеи могат да бъдат използвани, например, за разпределението на неща, като мрежи за легла, в развиващия се свят. Ако можем да разберем структурата на мрежите в селата, може да насочим към кого да дадем интервенциите, за насърчаването на тези видове покривала. Или, честно казано, за рекламиране на всякакви видове продукти. Ако можем да разберем как да се фокусираме, това ще повлияе на ефективността, на това, което се опитваме да постигнем. И в действителност, можем да използваме данни от различни видове източници, [за да правим това] днес.

Това е карта на осем милиона телефонни потребители в една европейска държава. Всяка точка е човек, и всяка линия представлява обемът на разговорите между хората. И можем да използваме такива данни, които са пасивно получени, за да опишем целите тези страни, и да разберем кой къде се намира в рамките на мрежата. Без всъщност да се налага да ги питаме, можем да получим това структурно наблюдение. И други източници на информация, както без съмнение ви е известно, са на разположение, за информация като електронни взаимодействия, онлайн взаимодействия, онлайн социални мрежи и други. И всъщност, ние сме в ерата на това, което бих нарекъл масивни-пасивни усилия за събиране на данни. Има всякакви начини за използване на масово събирани данни за създаване на сензорни мрежи, които да следат населението, разбират какво се случва в населението и да се намесват в населението за по-добро. Понеже тези нови технологии ни казават, не само кой говори с кого, но и къде е всеки, и това, което мислят, въз основа на това, което качват в интернет, и това, което купуват, въз основа на техните покупки. И всички тези административни данни могат да бъдат използвани заедно и обработени, за да разберем поведението на хората, по начин, по който не сме могли да го сторим преди.

Така например, бихме могли да използваме покупките на гориво на шофьорите на камиони. И така, шофьорите на камиони развиват търговията си, и те закупуват гориво. И когато видим нарастване в покупките на гориво на шофьорите на камиони, знаем, че рецесията е на път да свърши. Или можем да наблюдаваме скоростта, с която хората се движат с телефоните си по магистралата, и телефонната компания може да види, докато скоростта намалява, че има задръстване. И те могат да изпратят тази информация обратно на своите абонати, но само на абонатите си по същата магистрала, намираща се зад задръстването. Или можем да следим лекарското поведение на изписване на лекарства, пасивно, като видим как разпространението на иновациите с фармацевтични продукти се случва при лекарите. Или отново, можем да наблюдаваме покупателното поведение на хората, и да гледам как тези явления могат да се разпространяват в човешки популации.

И има три начина, мисля, по които могат да бъдат използвани тези масивни-пасивни данни. Единият е напълно пасивен, както току-що описах. Например, при шофьорът на камиона, където всъщност не се намесваме в популацията по никакъв начин. Един от тях е полуактивен, като примера с грипа, който дадох, където накарахме някои хора да номинират своите приятели и след това пасивно наблюдавахме техните приятели -- дали имат грип, или не? -- и след това получихме предупреждение. Или друг пример ще бъде, ако сте телефонна компания, и сте наясно кой е нa централно място в мрежата, и помолите тези хора, "Вижте, може ли просто да ни изпратите съобщение с вашата температура всеки ден? Просто SMS с температурата." И да съберете огромно количество информация за температурата на хората, но само от централно разположените лица. И да имате възможност, в голям мащаб, да наблюдавате предстояща епидемия, с много минимална информация от хората. Или може да бъде много по-активен начин -- за което знам, че други ще говорят днес -- където хората могат да участват в световен мащаб в уикита, или фотографиране, или наблюдение на избори, и качване на информация по начин, по който можем да я извличаме, за да разбираме обществени процеси и социални явления.

Всъщност, наличието на тези данни, мисля, предвещава една нова ера, на това, което аз и други, бихме искали да наречем изчислителна социална наука. Това е нещо като Галилео, когато изобретил -- или, не го е изобретил -- но започнал да използва телескопа, и могъл да види небето по нов начин, или когато Льовенхук се запознал с микроскопа -- или всъщност го изобретил -- и можал да види биологията по нов начин. Но сега имаме достъп до този вид данни, които ни позволяват да разберем социални процеси и социални явления, по един изцяло нов начин, който не бил възможен преди. И с тази наука, ние можем да разберем как точно цялата част става по-голяма, от сбора на съставните й части. И всъщност, ние можем да използваме тези данни, за подобряване на обществото и подобряване на човешкото благополучие.

Благодаря ви.