Nicholas Christakis: Bagaimana jaringan sosial memprediksi epidemi

Selama 10 tahun, saya menghabiskan waktu untuk mencari tahu bagaimana dan mengapa manusia berkumpul membentuk jaringan sosial. Jaringan sosial yang saya maksud bukan jenis jaringan online baru-baru ini, tapi jaringan sosial yang dibentuk oleh manusia sejak ratusan ribu tahun lalu, sejak kita muncul di sabana Afrika. Saya menjalin hubungan pertemanan rekan kerja, saudara, dan keluarga dengan orang lain yang punya hubungan yang sama dengan orang lain. Ini menyebar terus tanpa ujung. Lalu kita dapatkan jaringan seperti ini. Setiap titik adalah orang. Setiap garis di antaranya adalah hubungan antara dua orang -- hubungan yang berbeda-beda. Yang lalu membentuk jalinan hubungan manusia seperti ini, kita semua ada di dalamnya.

Rekan kerja saya, James Fowler, dan saya cukup lama mempelajari aturan-aturan matematis, sosial, biologis dan psikologis yang mengatur pembentukan jaringan ini serta aturan serupa yang mengatur cara kerja, pengaruhnya pada hidup kita. Baru-baru ini, kami bertanya apakah mungkin memanfaatkan pemahaman ini, untuk menemukan cara memperbaiki dunia, melakukan dengan lebih baik, benar-benar melakukan sesuatu, bukan hanya memahami. Jadi yang pertama kami lakukan adalah memprediksi epidemi.

Teknologi terdepan dalam memprediksi epidemi -- kalau Anda CDC atau badan nasional lainnya -- adalah duduk manis di kantor Anda mengumpulkan data dari dokter dan laboratorium di lapangan yang melaporkan prevalensi atau insiden kondisi tertentu. Sekian, sekian, dan sekian pasien sudah didiagnosis terkena. pasien lain sudah didiagnosis. semua data ini dimasukkan ke penyimpanan pusat, dengan jeda waktu. Kalau semua berjalan lancar, satu atau dua minggu kemudian, Anda akan tahu di mana epideminya hari itu. Sebenarnya, sekitar setahun lalu atau lebih, ada kabar tentang konsep Google Flu Trends, yang terkait dengan flu, yaitu dengan melihat perilaku pencarian hari ini, kita bisa tahu di mana ada flu ... apa status epideminya hari ini, apa prevelansi epideminya hari ini.

Tapi yang ingin saya perlihatkan sekarang sebuah cara yang bisa digunakan tidak hanya untuk peringatan cepat adanya epidemi, tapi juga deteksi awal adanya epidemi. Ide ini bahkan bisa digunakan tidak hanya untuk epidemi kuman, tapi juga segala macam epidemi. Misalnya, apa pun yang menyebar melalui penularan sosial bisa dipahami dengan cara ini, dari ide abstrak sebelah kiri seperti patriotisme, altruisme, atau agama, sampai praktik seperti perilaku makan, pembelian buku, minum, atau helm sepeda dan praktik keamanan lainnya, produk yang mungkin dibeli orang-orang, pembelian barang elektronik, apa saja yang mengandung penyebaran interpersonal. Semacam difusi inovasi bisa dipahami dan diprediksi dengan mekanisme yang akan saya perlihatkan.

Seperti yang mungkin Anda tahu, pemikiran klasik tentang ini adalah difusi-inovasi, atau kurva adopsi. Jadi di sini ada sumbu Y, persentase orang yang terpengaruh, di sumbu X, waktu. Awalnya, tidak banyak orang yang terpengaruh, lalu kita dapat kurva sigmoid klasik ini, atau kurva berbentuk S. Penyebab bentuk ini adalah pada awalnya, misal saja satu atau dua orang terpengaruh, atau terinfeksi, oleh hal itu, lalu mempengaruhi, atau menginfeksi, dua orang, yang lalu mempengaruhi 4, 8, 16 dan seterusnya, kita dapatkan fase pertumbuhan epidemi pada kurva. Akhirnya populasi menyentuh titik saturasi. Semakin sedikit orang yang masih bisa terinfeksi, lalu kita menyentuh plato kurva, kita dapatkan kurva sigmoid klasik ini. Ini berlaku untuk kuman, ide, adopsi produk, perilaku, dan lain-lain. Tapi difusi dalam populasi manusia tidak terjadi secara acak. Difusi terjadi melalui jaringan. Karena kita hidup dalam jaringan. jaringan ini punya struktur tertentu.

Misal Anda melihat jaringan seperti ini ... Ini 105 orang. Garis ini mewakili ... titik-titik ini orang, garis ini mewakili hubungan pertemanan. Kita bisa melihat bagaimana orang menempati lokasi yang berbeda dalam jaringan. Ada jenis hubungan yang berbeda antara orang-orang. Kita bisa punya hubungan pertemanan, hubungan saudara, hubungan pernikahan, hubungan kerja, hubungan tetangga, dan sebagainya. Berbagai hal yang berbeda ini menyebar melalui berbagai ikatan yang berbeda. Misal, penyakit kelamin yang menular menyebar melalui ikatan seksual. Misalnya lagi, perilaku merokok kemungkinan dipengaruhi oleh teman. Atau perilaku altruistis atau kedermawanan mungkin dipengaruhi oleh rekan kerja, atau oleh tetangga. Tapi tidak semua posisi di dalam jaringan sama.

Kalau kita lihat ini, Anda mungkin segera memahami masing-masing orang punya jumlah koneksi yang berbeda. Ada orang yang punya satu koneksi, ada yang dua, ada yang enam, ada yang punya 10 koneksi. Ini disebut "kelas" nodus. atau jumlah koneksi yang dimiliki oleh nodus. Tapi selain itu, ada yang lain. Kalau kita lihat nodus A dan B, keduanya punya enam koneksi. Tapi seperti yang Anda di gambar dengan skala besar ini, kita bisa melihat ada sesuatu yang sangat berbeda dari nodus A dan B. Coba Anda jawab -- saya bisa memancing intuisi ini dengan bertanya -- Anda pilih jadi siapa kalau kuman mematikan menyebar melalui jaringan, A atau B? (Pirsawan: B) Nicholas Christakis: B, jelas B berada di bagian tepi jaringan. Sekarang, Anda pilih jadi siapa kalau ada gosip hangat yang menyebar melalui jaringan? A. Kita bisa segera memahami bahwa A kemungkinannya lebih besar terkena yang sedang menyebar dan lebih cepat karena secara struktur lokasi mereka di dalam jaringan. Posisi A memang lebih memusat, ini bisa diformalkan secara matematis. Jadi, kalau kita ingin melacak sesuatu yang menyebar melalui jaringan, yang idealnya kita lakukan adalah menyiapkan sensor di individu-individu pusat di dalam jaringan, termasuk nodus A, pantau orang-orang yang tepat berada di tengah-tengah jaringan, dan dapatkan deteksi awal atas apa pun yang menyebar melalui jaringan.

Kalau Anda melihat mereka terkena kuman atau informasi, Anda akan tahu, segera, semua orang akan terkena kuman ini atau informasi ini. Ini lebih baik dari pada memantau enam orang yang dipilih secara acak, tanpa referensi atas struktur populasi yang ada. Bahkan, kalau kita bisa melakukan ini, yang akan kita lihat adalah seperti ini. Di panel kiri, sekali lagi, kita punya kurva adopsi berbentuk S Di garis merah putus-putus, kita tampilkan adopsi yang terjadi pada orang-orang yang acak, di garis sebelah kiri, bergeser ke kiri, kita tampilkan adopsi pada individu-individu pusat di dalam jaringan. Di sumbu Y, jumlah kumulatif penyebaran, di sumbu X, waktu. Di sisi kanan, kita menampilkan data yang sama, tapi di sini disertai data harian. Yang kita tampilkan di sini -- seperti, di sini -- sangat sedikit orang yang terinfeksi, di atas sini semakin banyak, di sini puncak epideminya. Tapi bergeser ke kiri adalah apa yang terjadi pada individu pusat. Perbedaan waktu antara keduanya adalah deteksi awal, peringatan awal yang kita punya, terhadap ancaman epidemi pada populasi manusia.

Namun masalahnya, pemetaan jaringan sosial manusia tidak selalu bisa dilakukan. Biayanya mahal, sangat sulit, tidak etis, atau, sederhananya, tidak mungkin dilakukan. Jadi bagaimana cara mengetahui siapa orang pusat di suatu jaringan tanpa benar-benar memetakan jaringan? Yang kita ciptakan adalah ide untuk mengeksploitasi fakta lama, fakta yang sudah diketahui, tentang jaringan sosial, yang bunyinya: Tahukah Anda teman Anda punya lebih banyak teman dari pada Anda? Teman Anda punya lebih banyak teman dari pada Anda. Ini dikenal sebagai paradoks pertemanan. Bayangkan seorang yang sangat populer di jaringan sosial -- seperti tuan rumah pesta yang punya ratusan teman -- dan seorang antisosial hanya punya satu teman, kalau Anda memilih seseorang secara acak dari populasi itu; kemungkinan besar mereka kenal dengan tuan rumah pesta itu. Kalau mereka menominasikan dia sebagai teman mereka, dia berarti punya ratusan teman, karena itu, punya lebih banyak teman dari pada mereka. Ini, pada intinya, yang dikenal sebagai paradoks pertemanan. Teman dari orang yang dipilih secara acak punya kelas yang lebih tinggi, dan lebih memusat, dari pada orang yang dipilih acak itu sendiri.

Secara intuitif Anda bisa memahami ini jika Anda bayangkan orang yang berada di tepi jaringan. Kalau Anda pilih orang ini, satu-satunya teman untuk dinominasikan adalah orang ini, yang, secara konstruksi, paling tidak punya dua teman, biasanya bahkan lebih. Itu terjadi di setiap nodus periferal. Bahkan, itu terjadi di seluruh jaringan saat Anda mulai masuk, semua yang Anda pilih, saat menominasikan secara acak... saat orang yang acak menominasikan teman mereka, Anda bergerak mendekat ke pusat jaringan. Jadi kami pikir kami bisa memanfaatkan ide ini untuk mempelajari cara memprediksi fenomena di dalam jaringan. Karena dengan ide ini, kita bisa memilih sampel secara acak, meminta mereka menominasikan teman mereka, teman mereka akan lebih memusat, kita bisa melakukan ini tanpa harus memetakan jaringan.

Kami menguji ide ini dengan wabah flu H1N1 di Harvard College musim gugur dan dingin 2009, beberapa bulan lalu. Kami memilih secara acak 1.300 mahasiswa, kami minta mereka menominasikan teman mereka, kami ikuti mahasiswa yang kami pilih itu dan teman mereka setiap hari untuk melihat apakah mereka terkena epidemi flu. Kami melakukan ini secara pasif, melihat apakah mereka pergi ke pelayanan kesehatan universitas. Juga minta mereka secara aktif mengirimi kami email beberapa kali seminggu. Yang terjadi tepat seperti yang kami perkirakan. Grup yang acak ini ada di dalam garis merah. Epidemi grup teman bergerak ke kiri, di sini. Perbedaan keduanya adalah 16 hari. Dengan memantau grup teman, kami bisa mendapatkan peringatan awal 16 hari ancaman epidemi di populasi manusia ini.

Selain itu, kalau Anda adalah analis yang mencoba mempelajari epidemi atau memprediksi adopsi suatu produk, misalnya, yang harus Anda lakukan adalah memilih secara acak sampel dari populasi, meminta mereka menominasikan teman dan mengikuti mereka. mengikuti baik sampel acak maupun teman mereka. Pada teman, jika Anda melihat kedipan di atas nol pada adopsi inovasi, misalnya, itu akan bukti adanya ancaman epidemi. Atau jika Anda melihat kedua kurva berpisah, seperti terlihat di sebelah kiri. Kapan sampel acak... kapan teman mereka memisahkan diri meninggalkan sampel acak, kapan kurva mereka mulai bergeser? Dan seperti ditunjukkan dengan garis putih, terjadi dalam 46 hari sebelum puncak epidemi. Jadi ini akan menjadi teknik yang bisa memberi peringatan satu bulan setengah lebih awal akan epidemi flu di populasi tertentu.

Namun, harus saya katakan Seawal apa pemberitahuan tentang sesuatu bisa diberikan tergantung pada kerentanan inang. Tergantung pada sifat alamiah patogen -- patogen yang berbeda dengan teknik ini, Anda dapat peringatan yang berbeda -- atau fenomena lain yang menyebar, atau tentang struktur jaringan manusia. Dalam kasus kami, meski pun tidak perlu, kamu juga memetakan jaringan para mahasiswa itu.

Ini adalah peta 714 mahasiswa dan ikatan pertemanan mereka. Sesaat lagi, saya akan menjalankan peta ini. Kita akan melihat perkembangan jaringan per hari selama 120 hari. Titik merah adalah kasus flu, titik kuning adalah teman orang yang terkena flu. Ukuran titik akan proporsional terhadap banyaknya teman yang terkena flu. Jadi semakin besar titik semakin banyak teman yang terkena flu. Kalau Anda lihat gambar ini -- di sini sekarang tanggal 13 September -- Anda akan melihat beberapa kasus mulai menyala. Kita bisa melihat titik flu semakin besar di bagian tengah. Di sini tanggal 19 Oktober. Turunan kurva epidemi mulai mendekat, di bulan November. Dor, dor, dor, dor, dor, kita bisa melihat banyak titik yang membesar di tengah, kita lalu melihat semacam penurunan, semakin sedikit kasus di akhir bulan Desember. Jenis visualisasi ini bisa menunjukkan bahwa epidemi seperti ini berakar dan mempengaruhi individu pusat dulu, sebelum mempengaruhi yang lain.

Seperti yang saya katakan sebelumnya, metode ini tidak terbatas pada kuman, tapi apa pun yang menyebar dalam populasi. Informasi menyebar dalam populasi. Norma menyebar dalam populasi. Perilaku menyebar dalam populasi. Perilaku bisa berarti banyak hal seperti perilaku kriminal, atau perilaku pemilih, atau pelayanan kesehatan, seperti merokok, atau vaksinasi, atau adopsi produk, atau jenis perilaku lainnya yang berhubungan dengan pengaruh interpersonal. Kalau saya bisa melakukan yang mempengaruhi yang di sekitar saya, teknik ini bisa memberikan peringatan awal, atau deteksi awal, tentang adopsi yang ada di populasi. Yang penting, agar berfungsi, harus ada pengaruh interpersonal Bukan karena adanya mekanisme penyiaran tertentu yang mempengaruhi semua bersamaan.

Pemahaman yang sama ini juga bisa dimanfaatkan -- terkait dengan jaringan -- juga bisa dimanfaatkan dalam cara lain, misalnya, dalam penggunaan penargetan orang-orang tertentu untuk intervensi. Misalnya, Anda mungkin pernah mendengar tentang konsep imunitas kawanan. Kalau kita punya populasi terdiri dari seribu orang, dan ingin membuat populasi itu kebal terhadap sebuah patogen, kita tidak perlu mengimunisasi semua orang. Kalau kita mengimunisasi 960 orang, itu seperti kita sudah mengimunisasi seratus persen. Karena kalau pun ada satu dua orang tidak kebal yang terinfeksi, tidak ada orang lain yang bisa mereka tulari. Mereka dikelilingi oleh orang-orang yang kebal. Jadi 96 persen sama baiknya dengan 100 persen. Beberapa ilmuwan sudah memperkirakan apa yang terjadi kalau kita mengambil sampel acak sebesar 30 persen dari 1000 orang, 300 orang dan mengimunisasi mereka. Apakah kita akan mendapatkan kekebalan tingkat populasi? Jawabannya tidak. Tapi kalau Anda ambil 30 persen ini, 300 orang ini, minta mereka menominasikan teman mereka mengambil jumlah dosis vaksin yang sama memvaksinasi teman dari yang 300 itu, 300 teman, Anda bisa mendapatkan imunitas kawanan yang sama seperti Anda memvaksinasi 96 persen populasi itu dengan efisiensi yang lebih besar, dengan batas anggaran yang ketat.

Ide seperti ini bisa digunakan, misalnya, untuk membidik distribusi barang seperti kelambu di negara berkembang. Jika kita bisa memahami struktur jaringan di desa, kita bisa membidik orang-orang yang akan kita intervensi untuk mengarahkan penyebaran ini. Atau bisa juga untuk periklanan dengan berbagai jenis produk. Kalau kita bisa memahami cara membidik target, ini dapat mempengaruhi efisiensi apa yang ingin kita capai. Bahkan, kita bisa menggunakan data dari segala macam jenis sumber sekarang ini untuk melakukannya.

Ini adalah peta delapan juta pengguna telepon di sebuah negara Eropa. Setiap titik adalah orang, dan setiap garis mewakili volume panggilan antara orang-orang itu. Kita bisa menggunakan data ini, yang diperoleh secara pasif, untuk memetakan seluruh negara ini dan memahami siapa yang berada di mana di dalam jaringan. Tanpa harus menanyai mereka langsung, kita bisa dapat pemahaman struktural ini. Sumber informasi lainnya, yang pastinya Anda tahu, menyediakan fitur semacam itu, dari interaksi email, interaksi online, jaringan sosial online, dan sebagainya. Bahkan, kita ini berada di era yang saya sebut usaha pengumpulan data "luas-pasif" Banyak cara yang bisa digunakan untuk mengumpulkan data secara luas untuk membuat jaringan sensor untuk mengikuti populasi, memahami apa yang terjadi dalam populasi, mengintervensi populasi dengan tujuan memperbaiki. Karena teknologi baru ini memberitahu kita bukan sekadar siapa berbicara dengan siapa, tapi di mana mereka, apa yang mereka pikirkan berdasarkan apa yang mereka unggah ke internet. apa yang mereka beli berdasarkan pembelian mereka. Semua data administratif ini bisa dikumpulkan diproses untuk memahami perilaku manusia dengan cara yang tidak bisa kita lakukan sebelumnya.

Misalnya, kita bisa menggunakan data pembelian bahan bakar supir truk. Supir truk bisa menjalankan kegiatan mereka seperti biasa, mereka membeli bahan bakar. Kita bisa melihat titik berkedip pada pembelian bahan bakar supir truk, kita jadi tahu bahwa resesi akan berakhir. Kita bisa memantau kecepatan orang-orang di jalan raya dengan telepon mereka, perusahaan telepon bisa melihat, kalau kecepatannya berkurang, berarti ada kemacetan. Mereka bisa mengirimkan informasi ini ke pelanggan mereka, tapi hanya ke pelanggan yang berada di jalan yang sama yang berada di belakang kemacetan itu! Kita bisa memantau perilaku pemberian resep dokter, secara pasif, melihat bagaimana difusi inovasi dalam hal obat-obatan terjadi di jaringan para dokter. Kita juga bisa memantau perilaku pembelian orang-orang, melihat bagaimana fenomena ini berdifusi di dalam populasi manusia.

Ada tiga cara menurut saya, untuk menggunakan data pasif-luas ini. Yang pertama, benar-benar pasif, seperti yang saya gambarkan -- misalnya dalam contoh supir truk tadi, kita tidak perlu mengintervensi populasi dengan cara apa pun. Berikutnya, quasi-aktif, seperti contoh flu di atas, kita meminta beberapa orang menominasikan teman mereka secara pasif memantau teman mereka -- apakah terkena flu atau tidak? -- dan mendapat peringatan awal. Contoh lainnya misal, kalau Anda adalah perusahaan telepon, Anda bisa tahu siapa yang jadi pusat jaringan, Anda minta ke orang-orang itu, "Maaf, bisa SMS-kan demam Anda setiap hari? SMS-kan saja suhu Anda." Kumpulkan informasi suhu orang-orang dalam jumlah yang banyak, tapi dari individu yang berada di pusat. Dalam skala yang besar, ini bisa memantau ancaman epidemi dengan input yang minimal dari orang-orang. Yang terakhir, bisa lebih aktif -- pembicara berikutnya hari ini juga akan berbicara tentang ini -- di mana orang-orang bisa berpartisipasi dalam wiki secara global, atau fotografi, atau pemantau pemilu, dan mengungah informasi dalam cara yang memungkinkan kita mengumpulkan informasi untuk memahami proses sosial dan fenomena sosial.

Bahkan menurut saya ketersediaan data ini menghantarkan kita ke era baru yang saya dan rekan-rekan lain ingin sebut "ilmu sosial komputasional." Ini seperti saat Galileo menciptakan -- atau tidak menciptakan -- menggunakan teleskop melihat langit dengan cara baru, atau saat Leeuwenhoek sadar akan fungsi mikroskop -- atau benar-benar menciptakannya -- melihat biologi dengan cara baru. Sekarang kita punya akses ke data semacam ini yang memungkinkan kita memahami proses sosial dan fenomena sosial dengan cara yang benar-benar baru yang sebelumnya tidak mungkin dilakukan. Dengan ilmu ini, kita bisa memahami bagaimana tepatnya kumpulan bisa menjadi lebih besar dari hasil penjumlahan bagian-bagiannya. Bahkan, kita bisa menggunakan pemahaman ini untuk memperbaiki masyarakat dan umat manusia.

Terima kasih.