Nicholas Christakis: Miként jelzik előre a közösségi hálózatok a járványokat

Az utóbbi tíz évben annak a kérdésnek a megválaszolásával foglalkoztam, hogy az emberek miért és hogyan szerveződnek közösségi hálózatokba. Amikor közösségi hálózatról beszélek, nem a nemrég megjelent online változatára gondolok, hanem azokra a közösségi hálózatokra, amelyekbe az emberek több százezer éve szerveződnek, azóta, amióta az ember afrikai szavannákon megjelent. Tehát az ember baráti, munkatársi testvéri és rokoni kapcsolatokat alakít ki más emberekkel, akik maguk is hasonló kapcsolatokat létesítenek. Ez pedig végtelenbe nyúlik. Így egy olyan hálózat alakul ki, ami a következőképpen néz ki. Minden pont egy-egy személy. A pontok közötti vonalak a két ember közötti kapcsolatot jelölik -- különböző kapcsolatokat. Így kialakul ez a hatalmas emberiség szövevény, amelybe mindannyian be vagyunk ágyazva.

A kollégám, James Fowler és én, már egy jó ideje vizsgáljuk, hogy melyek azok a matematikai, társadalmi, biológiai és pszichológiai szabályszerűségek, amelyek ezeknek a hálózatoknak a felépítését meghatározzák, és azt, hogy melyek azok a hasonló szabályok, amelyek a működésüket meghatározzák, és ezek miként befolyásolják az életünket. Nemrégiben felmerült bennünk az a kérdés, hogy vajon előnyt lehetne-e kovácsolni a kutatási eredményeinkből, hozzásegíthetnek-e ezek a világ fejlődéséhez, hogy jobbá tegyünk dolgokat, hogy ne csupán megértsünk dolgokat, hanem jobbá is tegyük azokat. Az egyik első dolog, amire gondoltunk az volt, hogy miként jelezzük előre a járványokat.

A dolgok mai állása szerint a járványok előrejelzése -- CDC-ként vagy más országos szervezetként -- úgy történik, hogy ott, ahol éppen tartózkodsz, adatokat gyűjtesz a szakavatott orvosoktól, illetve laboratóriumoktól, amelyek beszámolnak bizonyos betegségek előfordulásáról, gyakoriságáról. Ilyen és ilyen pácienseket valamilyen betegséggel diagnosztizálták [itt], más betegeket más betegséggel diagnosztizáltak [ott], és ezek az adatok egy központi összesítő rendszerbe kerülnek, bizonyos időbeli eltolódással. Ha minden simán megy, egy-két héten belül kiderül, hogy a járvány hol tartott ma. Mintegy egy évvel ezelőtt nyilvánosságra hozták a Google Influenza Tendenciák ötletét, az influenzára vonatkozóan, amely keretében az emberek Google keresési szokásait vizsgálva rá lehet jönni, hogy az influenza hol ... mi volt a járvány helyzete ma, mekkora volt az előfordulási gyakorisága ma.

Ma azt szeretném megmutatni önöknek, hogy létezik egy olyan módszer, amellyel nemcsak gyors figyelmeztetést kaphatunk egy járványról, hanem lényegében a járvány nagyon korán kimutatható. Ez a módszer nemcsak arra alkalmas, hogy a baktériumok által okozott járványokat előrejelezze, hanem arra is, hogy bármilyen fajta járványt megjósoljon. Például, bármi, ami társadalmi érintkezéssel terjed, megérthető ily módon, az absztrakt gondolatoktól, balra, mint például a hazaszeretet, az altruizmus, a vallás az olyan gyakorlatokig, mint például a fogyókúrázás vagy könyvvásárlás, alkoholfogyasztás, védősisak-viselés vagy egyéb biztonsági viselkedésmódok, vagy vásárlási szokások, elektronikai termékek vásárlása, bármi, ami személyek között terjedhet. Az innováció terjedése megérthető és előrejelezhető azzal a mechanizmussal, amit bemutatok most önöknek.

Ahogyan talán mindannyian tudják, klasszikusan erről az innováció-diffúzióval vagy az ún. elfogadási görbével gondolkodnak. Itt, az Y tengelyen található az érintett személyek aránya, az X tengelyen pedig az idő látható. Az elején nem túl sok ember érintett, a klasszikus szigmoid, S-alakú görbét látjuk. A görbe oka, hogy a legeslegelején mondjuk egy-két ember érintett vagy fertőzött, majd megérint vagy megfertőz két személyt, akik maguk is átadják még 4, 8 majd 16 személynek, és így tovább, amíg megkapjuk a járvány terjedésének növekedési görbéjét. És így tovább, amíg az egész népesség megfertőződik. Egyre kevesebb ember van, aki még nem érintett, és aki megfertőzhető, majd a görbe plafonizálódik, és az eredmény ez a klasszikus szigmoid görbe lesz. Ez érvényes a baktériumokra, a gondolatokra, a termékelfogadásra, a viselkedés-terjedésre, és hasonlókra. De a dolgok nem véletlenszerűen terjednek az emberi populációkban, hanem hálózatokon keresztül. Mert, mint ahogyan említettem, hálózatokban éljük az életünket, és ezeknek a hálózatoknak különleges szerkezetük van.

Ha megnéznek egy ilyen hálózatot ... Ezt 105 személy alkotja. És a vonalak... a pontok az emberek, a vonalak pedig a közöttük fennálló baráti kapcsolatokat jelölik. Látható, hogy az emberek különböző helyeket foglalnak el a hálózaton belül. És az is látszik, hogy az emberek között különböző kapcsolatok vannak. Találunk baráti kapcsolatokat, testvéri kapcsolatokat, házastársi kapcsolatokat, munkatársi kapcsolatokat, szomszédsági kapcsolatokat és így tovább. Különböző dolgok terjednek a különböző kapcsolatokon keresztül. Például, szexuális úton terjedő betegségek szexuális kapcsolatokon keresztül terjednek. Vagy az emberek dohányzási szokásait például befolyásolják barátaik. Vagy altruista vagy jótékonysági viselkedésüket munkatársaik vagy szomszédjaik irányítják. Nem minden helyzet egyforma a hálózaton belül.

Ha megnézik ezt, egyből látják, hogy a különböző személyeknek nem ugyanannyi kapcsolatuk van. Egyes embereknek csak egy kapcsolatuk van, másoknak kettő, megint másoknak hat, esetleg tíz. Ezt a csomópont "érték"-ének nevezik, vagy a csomópont kapcsolatai számának. De ezenkívül valami más is van. Ha megnézik az A és B csomópontot, akkor látják, hogy mindekettőnek hat kapcsolata van. De ha a hálózat képét madártávlatból nézzük, látszik, hogy valami nagyon különbözik az A és a B csomópontok esetében. Engedjék meg, hogy megkérdezzem -- egy kérdéssel segíthetem ennek megértését -- kinek a helyében lennének inkább, ha egy halálos vírus terjedne a hálózaton keresztül, A-nak vagy B-nek? (Hallgatóság: B-nek.) Nicholas Christakis: B-nek, egyértelmű. B a hálózat szélén helyezkedik el. Kinek a helyében lennének inkább, ha egy jó szaftos pletyka keringene a hálózaton? A-nak. Egyből ráéreztek, hogy A-hoz nagyobb valószínűséggel eljut a terjedő dolog, és korábban jut el hozzá a hálózat szerkezetén belül elfoglalt helye miatt. A valójában sokkal központibb helyet foglal el, és ez matematikai képletben is kifejezhető. Tehát, ha valamit ki akarunk mutatni, ami a hálózaton keresztül terjed, akkor - ideális esetben - szenzorokat állítanánk fel a hálózat központi figuráin, beleértve az A csomópontot, figyelnénk azokat az embereket, akik a hálózat közepén helyezkednek el, és így korán értesülnénk bármiről, ami a hálózatban terjed.

Vagyis, ha látjuk, hogy ezek elkaptak egy vírust vagy eljutott hozzájuk valamilyen információ, tudnánk, hogy hamarosan mindenki elkapja a vírust vagy mindenkihez eljut az információ. Ez sokkal hatékonyabb lenne, mint véletlenszerűen kiválasztott személyeket figyelni, figyelmen kívül hagyva a népesség szerkezetét. Ha ezt meg tudnánk tenni, akkor valami ilyesmit látnánk. A bal oldalon, ismét, az S-alakú elfogadási görbét látjuk. A piros pontozott vonal azt mutatja, hogyan nézne ki az átvétel a véletlenszerűen választott emberek esetében, a bal oldali vonalon pedig azt látjuk, hogyan nézne ki az átvétel a hálózat központi helyén található személyek esetében. Az Y tengelyen a fertőzés kumulatív eseteit látjuk, az X tengelyen pedig az időt. A jobb oldalon ugyanazokat az adatokat mutatjuk, napi előfordulásuk lebontásában. És amit itt mutatunk -- itt -- az az, hogy nagyon kevés ember érintett, majd egyre több és több, és itt van a betegség csúcsa. Visszatérve a bal oldalihoz, az látjuk, mi történik a központi egyéneknél. És ez az az időbeli különbség a kettő között a korai értesülés, a korai figyelmeztetés egy fenyegető járványról, ami az emberi populációban terjed.

A gond az, hogy az emberi hálózatok feltérképezése nem mindig lehetséges. Nagyon drága, bonyolult lehet, vagy nem etikus, vagy egyszerűen nem lehet végrehajtani. Tehát, hogyan határozható meg, hogy kik a központi személyek egy hálózatban a hálózat teljes feltérképezése nélkül? Amit kitaláltunk, egy régi dolgon alapszik, egy, a közösségi hálózatokról ismert dolgon, ami a következőképpen néz ki: Tudták, hogy a barátaiknak több barátjuk van, mint önöknek? A barátaiknak több barátjuk van, mint önöknek. Ez a tény a barátság paradoxonaként ismert. Képzeljenek el egy nagyon népszerű személyt a közösségi hálózaton belül -- például egy buli házigazdát, akinek több száz barátja van -- és egy mizantrópot, akinek csak egy barátja van, és válasszanak véletlenszerűen egy embert a népességből: nagyobb a valószínűsége, hogy ez az ember a buli házigazdát ismeri. És, ha ő a buli házigazdát nevezi meg barátjaként, a buli házgazdának több barátja van, tehát, több mint az előbbinek. Ez lényegében a barátság paradoxon. A véletlenszerűen kiválasztott személyek barátai magasabb értékkel rendelkeznek, és központibb helyet foglalnak el, mint a véletlenszerűen kiválasztott emberek.

Megérthetik ezt intuitív módon, ha csak azokat az embereket képzelik el, aki a hálózat perifériáján vannak. Ha kiválasztják ezt az embert, az egyetlen barát, akit meg tud nevezni, ez a személy, akinek, a szerkezet jellegéből adódóan legalább kettő, de általában több barátja van. Ez történik mindenik periferikus csomópontnál. És valójában ez történik az egész hálózaton belül, ahogy haladunk befele, bárki, akit kiválasztunk, amikor véletlenszerűen nevez meg... amikor egy véletlenszerűen kiválasztott személy megnevezi egyik barátját, közelebb kerülünk a hálózat központjához. Úgy gondoltuk, hogy felhasználhatnánk ezt annak érdekében, hogy előrejelezzünk bizonyos jelenségeket a hálózaton belül. Mert ezzel a módszerrel kiválaszthatunk egy véletlenszerű embermintát, akik megnevezik barátaikat, és ez utóbbiak központibbak lesznek, mint az előbbiek, és ezt megtehetjük anélkül, hogy teljesen feltérképeznénk a hálózatot.

Leteszteltük ezt a módszert a H1N1 vírus megjelenésekor a Harvard Egyetemen 2009 őszén és telén, néhány hónappal ezelőtt. Véletlenszerűen kiválasztottunk 1300 egyetemistát, megkértük, hogy nevezzék meg barátaikat, és figyelemmel követtük mind a kiválasztott egyetemistákat, mind pedig ezek barátait nap mint nap azért, hogy lássuk, elkapták vagy sem az influenzát. Passzív megfigyelést tettünk: figyeltük, hogy igénybe vették vagy sem az egyetemi betegrendelőt. Ezenkívül pedig néhány alkalommal egy héten e-mailt kellett írniuk nekünk. Pontosan az történt, ami feltételeztünk. A véletlenszerűen kiválasztott csoportot a piros vonal jelöli. A betegség a baráti körben balra tolódott, itt. A kettő közötti különbség 16 nap. Megfigyelve a baráti csoportot, 16 napi előnyre tettünk szert egy közelgő járvány előrejelzésében.

És, ezenkívül, ha olyan szakértők lennénk, akik egy betegséget tanulmányoznak, vagy egy termék el- és befogadását tanulmányozzák például, azt lehetne tenni, hogy kiválasztanánk az emberi populációból egy véletlenszerű mintát, akik megnevezik barátaikat, majd figyelemmel követjük mind a véletlenszerűen kiválasztott mintát, mind pedig a mintát alkotó egyének barátait. A barátok között az első dolog, ami szembeötlik, a nullánál valamivel magasabb hajlam egy újdonság elfogadására például, és ez egy veszélyes betegség bizonyítéka is lehetne. Vagy láthatóvá válik, hogy a két görbe különböző irányokba halad, ahogyan azt itt a bal oldalon látjuk. Mikor hagyták le a véletlenszerűen kiválasztott mintában szereplő egyének barátai, a véletlenszerűen kiválasztott mintában szereplő egyéneket, és mikor kezdett eltolódni a görbe. És ez, mint ahogyan a fehér vonal mutatja, 46 nappal azelőtt történt, mielőtt a járvány tetőződött volna. Tehát ez egy olyan technika lehet, amely segítségével több mint egy és fél hónapos előrejelzést tudunk adni az influenza járványról egy emberi populáción belül.

El kell mondanom, hogy az, hogy mennyi idővel korábban kap valaki előrejelzést egy jelenségről, számos tényezőtől függ. Függhet a kórfejlődés természetétől -- különböző kórfejlődésekről, ennek a módszernek az alkalmazásával, különböző figyelmeztetést kapunk -- vagy más terjedő jelenségektől, vagy az emberi közösségi hálózat szerkezetétől. A mi esetünkben, bár nem volt szükséges, feltérképeztük az egyetemisták teljes hálózatát.

Ez egy 174 diákból álló hálózattérkép, amely tartalmazza baráti kapcsolataikat. Mindjárt mozgásba hozom ezt a térképet. Napi metszeteket készítünk a hálózatról 120 napon keresztül. A piros pontok az influenzás eseteket jelölik, a sárga pontok pedig az influenzások barátait. A pontok mérete arányos az influenzás barátok számával. Minél nagyobb a pont,az illetőnek annál több barátja kapta el a vírust. Ha megnézik ezt a képet -- ez a szeptember 13-i nap -- láthatják, hogy csak néhány eset gyúl ki. Középen az influenzának mintegy a virágzását látják. Most pedig október 19-én vagyunk. A járvány görbéje közeledik novemberben. Bumm, bumm, bumm, bumm, sok-sok kigyulladást látnak ott középen, majd csökken az esetek száma, kevesebb és kevesebb lesz december vége fele. Ez a fajta vizualizáció azt tudja megmutatni, ahogy az ilyenfajta járványok gyökeret vernek, és a központi személyeket fertőzik meg először, mielőtt másokat is megfertőznének.

Ahogyan utaltam rá, ennek a módszernek alkalmazása nem korlátozódik a vírusokra, hanem bárminek a letapogatására alkalmas, ami egy populáción belül terjed. Az információ is a populációkban terjed. A normák is a populációkban terjednek. A viselkedésminták is a populációkban terjednek. Viselkedés alatt értem például a bűnözői viselkedést, a szavazási veselkedést vagy az egészségügyi viselkedésformákat, mint például a dohányzás vagy a védőoltások beadása, vagy egy-egy terméknek az elfogadása, vagy más viselkedésformák, amelyek személyközi befolyást mutatnak. Az ember környezetében élőket befolyásoló tevékenységek korai előrejelzésére, korai figyelmeztetésre alkalmas ez a technika, amely jelzi a jelenségek terjedését a populáción belül. Működéséhez kulcsfontosságú, hogy olyan jelenségről legyen szó, amely személyről személyre terjed. Nem alkalmas olyan jelenségek terjedésének előrejelzésére, amelyek valamilyen egységes közvetítés következtében egyszerre érintenek mindenkit.

Ezek az eredmények felhasználhatók -- hálózatokra vonatkozóan -- felhasználhatók más módon is, például kiválasztani bizonyos személyeket a megelőzés érdekében. Talán legtöbbjüknek már ismerős a csordaimmunitás fogalma. Vagyis, ha van egy ezer emberből álló populáció, és ezt immúnissá szeretnénk tenni egy betegséggel szemben, akkor nem kell minden egyes személyt immúnissá tennünk. Ha immúnissá teszünk közülük 960-at, egyenlő azzal, mintha mindenkit imúnnissá tettünk volna. Mert, ha a nem immunizáltak közül egy-két személy meg is fertőződik, nincs, akinek továbbadnia a betegséget. Hiszen immunizált személyekkel vannak körbevéve. Tehát a 96 százalék pont annyira jó, mint a 100 százalék. Tudósok megbecsülték, hogy mi történne, ha egy 30 százalékos véletlenszerű mintát vennének ebből az 1000 emberből, vagyis 300 személyt, és immunizálnák őket. Vajon a populáció immúnissá válna? A válasz: nem. De ha ez a 30 százalék, a 300 személy megnevezné a barátait, beszereznénk ezeknek is a védőoltást, és beoltanánk a 300 személy barátait, a 300 barátot, akkor kialakulna a csordaimmunitás, pont úgy, mintha a populáció 96 százaléka kapott volna oltást, tehát növekszik a hatékonyság, miközben a költségek alacsonyabbak.

Hasonlóan alkalmazható a módszer például az olyan dolgok szétosztásában, mint az ágyháló a fejlődő országokban. Ha sikerülne megérteni a falvak hálózatának szerkezetét, le lehetne nyomozni, kiknek adják ezeket a dolgokat, hogy elősegítsék terjedésüket. Vagy a különböző termékek reklámkampányának megtervezésében... Ha megértenénk, hogyan célozzuk meg a célközönséget, növelné a hatékonyságát annak, amit el szeretnénk érni. Tulajdonképpen bármilyen forrásból származó adatot felhasználhatunk manapság ennek érdekében.

Ez nyolcmillió telefonhasználó személy térképe egy európai országban. Minden pont egy személy, minden vonal az emberek közötti telefonbeszélgetéseket jelöli. És ezt a passzív módon begyűjtött adatbázist egész országok feltérkepézésére felhasználhatjuk azért, hogy megtudjuk, ki hol helyezkedik el a hálózaton belül. Anélkül tehát, hogy megkérdeznénk őket, megkaphatjuk a hálózat szerkezeti képét. És más információforrások is, mint ahogyan biztosan önök is tudják, elérhetőek, az e-mailezésen át más online interakciókon keresztül az online közösségi hálózatokig, és így tovább. Tulajdonképpen a masszív-passzív adatgyűjtésnek nevezhető korszakot élünk. Számos módja van annak, hogy ezeket a nagy tételben összegyűjtött adatokat érzékelő hálózatok létrehozására használjuk fel, hogy figyeljük a népességet, megértsük, mi történik a populáción belül, és közbelépjünk a populáció érdekében. Mert ezek az új technológiák nemcsak arról tájékoztatnak, hogy ki beszél kivel, hanem arról is, hogy ki hol helyezkedik el, és mit gondol, például abból kikövetkeztetve, hogy mit tölt fel a világhálóra, vagy hogy mit vásárol, a vásárlásait megfigyelve. És mindezeket az adatokat össze lehet gyűjteni, és feldolgozni az emberi viselkedés megértése érdekében úgy, ahogyan azt eddig nem tették.

Például, felhasználhatjuk a kamionsofőrök üzemenyag-vásárlási szokását. A kamionsofőrök teszik a dolgukat, és üzemanyagot vásárolnak. Látjuk a növekedést a kamionsofőrök által vásárolt üzemanyag-mennyiségben, és tudjuk, hogy a válság a végéhez közeleg. Vagy megfigyelhetjük a sebességet, amellyel az emberek mobiltelfonukkal az autópályán közlekednek, és a telefonos vállalat láthatja, abból ahogy a sebesség csökken, hogy dugó alakult ki. Ezt az információt visszaküldhetik ügyfeleiknek, de csupán azoknak az ügyfeleknek, akik ugyanazon az autópályán közlekednek, és a közlekedési dugó előtt vannak! Vagy passzívan megfigyelhetjük az orvosok receptírási szokásait, és képet alkothatunk arról, ahogy az új gyógyszerek terjedése történik az orvoshálózatokon belül. Vagy ismét, megfigyelhetjük az emberek vásárlási szokásait, és láthatjuk, hogy ezek a jelenségek emberi populációkon belül terjednek.

Úgy gondolom, háromféleképpen használhatók fel ezek a nagy tételben passzívan begyűjtött adatok. Az egyik: teljes mértékben passzívan, ahogyan az imént elmondtam -- mint a kamionsofőrös példában, ahol nem befolyásoljuk semilyen módon a populációt. A második mód a kvázi-aktív, ilyen volt az influenzás példa, amelyben megkértük az embereket, hogy nevezzék meg barátaikat, majd passzívan monitorizáltuk a barátaikat -- hogy elkapták vagy sem az influenzát -- majd figyelmeztettük őket. Egy másik példa erre, a telefonos vállalat, ebben az esetben meg lehet nézni, ki foglal el központi helyet a hálózaton belül, majd megkérni őket, hogy küldjék el üzenetben naponta a testhőmérsékletüket. Csak küldjenek egy üzenetet a testhőmérsékletükkel. Így nagy mennyiségű adat gyűl össze az emberek testhőmérsékletéről, de csak azokéról, akik központi helyen találhatók. Így nagyban figyelemmel követhető egy várható járvány az emberektől igényelt minimális hozzájárulással. Vagy végül teljes mértékben aktív is lehet -- amiről az utánam következő előadók is beszélnek majd -- amikor az emberek globálisan részt vesznek wikikben, fényképezéssel vagy szavazásfigyelőkként és feltöltenek információt úgy, hogy mi ezt összegyűjthessük, a társadalmi folyamatok vagy társadalmi jelenségek megértése érdekében.

Ezeknek az adatoknak az elérhetősége, azt hiszem, egy új korszakot jelez, amit én és mások a komputációs társadalomtudományok korszakának nevezünk. Ez valami olyasmi, amikor Galileó felfedezte -- vagy nem fedezte fel -- a teleszkóp használatát, és az eget egészen más módon látta, vagy amikor Leeuwenhoek feltalálta a mikroszkópot -- és teljesen más szemszögből látta a biológiát. Most hozzáférünk ezekhez az adatokhoz, amelyek lehetővé teszik, hogy a társadalmi folyamatokat és a társadalmi jelenségeket teljesen más módon szemléljük, ami ezelőtt nem volt lehetséges. Ezzel a tudománnyal pontosan megérthetjük, hogy az egész miért jelent többet, mint a részek összege. És ezeket a felfedezéseket arra használhatjuk, hogy a társadalmat és az emberi jólétet fejlesszük.

Köszönöm.