Nicholas Christakis: Cum prezic rețelele sociale epidemii

În ultimii 10 ani, mi-am petrecut timpul încercând să-mi dau seama cum și de ce oamenii se organizează în rețele sociale. Și rețelele sociale despre care vorbesc nu fac parte din recenta varietate online ci, mai degrabă, din tipul de rețele sociale în care oamenii se organizează de sute de mii de ani, încă de când au apărut în savana africană. Deci eu formez relații de prietenie, de colegialitate, relații între frați sau de rudenie, cu alți oameni, care, la rândul lor, stabilesc aceleași tipuri de relații cu alți oameni. Şi acest proces se extinde la nesfârşit. Ce obții este o rețea care arată astfel. Fiecare punct reprezintă o persoană. Fiecare linie care le unește reprezintă relația dintre acele persoane -- diferite tipuri de relații. Și poți obține o reprezentare a acestei vaste țesături a umanității, în care toți suntem încorporați.

Colegul meu, James Fowler, și cu mine studiem de ceva vreme care sunt regulile matematice, sociale, biologice și psihologice care guvernează modul în care aceste rețele sunt formate și care sunt regulile, similare, care guvernează modul lor de operare și modul în care ne afectează viețile. Și, recent, am început să ne întrebăm dacă am putea să profităm de pe urma acestor intuiții, în așa fel încât să facem lumea un loc mai bun, să facem ceva mai bine, să remediem ceva, nu doar să înțelegem. Astfel, unul din primele lucruri pe care le-am avea în vedere ar fi cum am putea prezice epidemii.

Stadiul actual în acest domeniu -- dacă faci parte din CDC sau altă instituție națională -- este să stai în locul în care ești deja şi să colectezi date de la medici și laboratoare specializate care raportează prevalenţa sau incidenţa anumitor afecțiuni. Atâți pacienți au fost diagnosticați cu o boală [aici], sau atâți pacienți au fost diagnosticați [acolo], toate aceste date sunt introduse într-un repertoriu central, cu o anumită întârziere. Și, dacă totul funcționează cum trebuie, o săptămână sau două mai târziu, vei știi unde s-a aflat epidemia azi. Și, de fapt, acum un an, a apărut această idee de Google Flu Trends, în ceea ce privește gripa, în care, dacă studiem tiparele căutărilor oamenilor azi, am putea ști unde gripa... care a fost starea epidemiei azi, care a fost prevalența epidemiei azi.

Dar ce aș vrea să vă arăt azi este o metodă prin care putem obține nu doar alertare rapidă în cazul unei epidemii, dar de asemenea și detectarea din timp a unei epidemii. Și, de fapt, această idee poate fi folosită nu doar pentru predicția epidemiilor microbiene, dar, de asemenea, pentru predicția oricărui tip de epidemie. De exemplu, orice se răspândește printr-o formă de contagiune socială poate fi înțeles în acest fel, de la idei abstracte, la stânga, precum patriotismul, altruismul, sau religia, până la practici precum dietele, sau achiziționarea de cărți, consumul de alcool, practicile de siguranță, sau produsele pe care oamenii le-ar cumpăra, achizițiile de bunuri electronice, orice are vreo înclinație către o răspândire interpersonală. Un tip de difuzie a inovațiilor poate fi înțeles și prezis de mecanismul pe care îl voi prezenta acum.

După cum probabil știți, modul clasic de a privi problema este "răspândirea-inovației". sau curba de adoptare. Aici, pe axa Y, avem procentul de oameni afectați, și pe axa X, avem timpul. La început, nu foarte multe persoane sunt afectate, și obținem această curbă clasică sigmoidă, sau de forma literei S. Motivul pentru care obținem această formă este că, la început, să spunem, unul sau doi oameni sunt afectați, sau infectați, și apoi afectează, sau infectează, doi oameni, care, la rândul lor, infectează patru, opt, 16 și aşa mai departe, astfel obținând porțiunea din curbă care indică creșterea. Până la urmă, saturezi populația. Din ce în ce mai puțini oameni mai pot fi infectați, și aşa obții porțiunea de platou a curbei, rezultatul fiind această formă clasică sigmoidă. Același lucru este valabil pentru microbi, idei, produse noi, comportamente, și altele. Dar aceste lucruri nu se propagă în rândurile populației aleatoriu. Ele, de fapt, se propagă prin rețele. Pentru că, așa cum am spus, noi înșine trăim în rețele, și aceste rețele au un anumit tip de structură.

Dacă te uiţi la o reţea ca aceasta... Aici sunt 105 oameni. Și liniile reprezintă... punctele sunt oamenii, iar liniile reprezintă relațiile de prietenie. Puteți vedea că oamenii ocupă locații diferite în cadrul rețelei. Și sunt diverse tipuri de relații între oameni. Ai putea avea relații de prietenie, relații intre frați, relații între soți, sau între colegi de serviciu, relații între vecini, și altele. Și multe alte lucruri se propagă de-a lungul multor altor tipuri de legături. De exemplu, bolile cu transmitere sexuală se vor propaga de-a lungul legăturilor sexuale. Sau, de exemplu, obiceiul de a fuma poate fi generat de anturaj. Sau comportamentul altruist sau caritabil poate fi influențat de colegii de muncă, sau de către vecini. Dar nu toate pozițiile în rețea sunt identice.

Dacă vă uitați aici, v-ați putea da seama imediat că persoane diferite au numărul de conexiuni diferit. Unii oameni au o conexiune, alții au două, unii au șase, iar alții au 10. Această caracteristică se numește "gradul" unui nod, sau numărul de conexiuni pe care le are un nod. Dar, în plus, mai e ceva. Dacă te uiți la nodurile A și B, ambele au câte șase conexiuni. Dar dacă ai vedea această imagine de undeva de deasupra, ai observa că ceva diferă într-o măsură foarte mare în ce privește nodurile A şi B. Aşa că, lăsați-mă să vă întreb -- vă pot ajuta să înțelegeți cu o întrebare -- cine ai prefera să fii, dacă un microb letal s-ar răspândi prin rețea, A sau B? (Audienta: B.) Nicholas Christakis: B, este evident. B e așezat la marginea rețelei. Acum, cine ai prefera să fii dacă o bârfă interesantă s-ar răspândi prin rețea? A. Și înțelegi imediat că e mai probabil ca A să intre în contact cu orice se propagă în rețea și să o facă mai devreme în virtutea poziției sale în structura rețelei. A, de fapt, este mai central, și asta poate fi exprimată matematic. Aşa că, dacă vrem să dăm de urma a ceva ce se propagă prin rețea, ce ar trebui să facem este să folosim senzori conectați la indivizii centrali din cadrul rețelei, incluzând nodul A, monitorizând acei oameni care sunt acolo, în centrul rețelei, și, cumva, obținând o detecție precoce a orice s-ar propaga prin rețea.

Adică, dacă ei ar intra în contact cu vreun microb sau o informație, ai știi că, ulterior, toți ceilalți vor intra în contact cu acel microb sau acea informație. Această metodă este mult mai bună decât cea bazată pe șase oameni aleși aleatoriu, fără a lua în calcul structura populației. Și, de fapt, dacă ai putea face asa ceva, ai obține ceva de genul acesta. În partea stângă, din nou, avem curba adoptării, în forma de S. Linia punctată roșie indică cum ar arăta adoptarea într-un eșantion aleatoriu, iar linia din stânga, trecută la stânga, indică cum ar arăta adoptarea luând în calcul indivizii centrali ai rețelei. Pe axa Y se află stadiile contagiunii, luate cumulativ, iar pe axa X se află timpul. În partea dreaptă avem aceleași date, dar, de data asta, în funcție de incidenţa zilnică. Și ce vrem să arătăm aici -- aici -- foarte puţini oameni sunt afectați, din ce în ce mai mulţi și până aici, sus, unde avem vârful epidemiei. În stânga, avem o reprezentare a ce se întâmplă cu indivizii centrali. Și această diferență în timp dintre cele două e detecția precoce, acel preaviz pe care îl putem obține, despre o epidemie iminentă într-o anumită populație.

Problema, totuși, e că o cartografiere precisă a rețelelor sociale nu este întotdeauna posibilă. Poate fi prea scumpă, [prea dificilă], poate să nu fie etică, sau, chiar, poate să nu fie posibilă. Deci cum ne putem da seama cine sunt indivizii centrali într-o rețea fără a cartografia rețeaua? Am venit cu ideea de a exploata un fapt vechi, cunoscut, despre rețelele sociale, care sună așa: Știi că prietenii tăi au mai mulţi prieteni decât tine? Prietenii tăi au mai mulţi prieteni decât tine. E cunoscut ca paradoxul prieteniei. Imaginați-vă o persoană foarte populară în rețeaua socială -- cum ar fi gazda unei petreceri cu sute de prieteni -- și un mizantrop care are un singur prieten, și alegi pe cineva aleatoriu din populație; acel cineva e mult mai probabil să fie conectat cu gazda petrecerii. Și dacă acea persoană nominalizează gazda ca prieten, atunci acea gazdă are o sută de prieteni, deci are mai multi prieteni decât persoana aleasă aleatoriu. Și acesta, în esență, este paradoxul prieteniei. Prietenii unor indivizi aleși aleatoriu au grade mai mari și sunt mai centrali, decât indivizii pe care îi alegem aleatoriu.

Puteți aprecia acest fapt, la nivel intuitiv, dacă vă imaginați doar oamenii de la periferia rețelei. Dacă alegeți o persoană, singurul prieten pe care aceasta îl poate nominaliza, este unul care prin definiție are cel puțin doi prieteni, și, de obicei, mai multi prieteni. Acest fapt apare la orice nod periferic. De fapt, același lucru se întâmplă pe măsură ce înaintăm înspre interiorul rețelei, pe oricine ai alege, atunci când nominalizez aleatoriu... când o persoană la întâmplare își nominalizează un prieten, ajungem mai aproape de centrul rețelei. Ne-am gândit să exploatăm această idee pentru a studia dacă putem prezice fenomene în interiorul rețelelor. Pentru că acum, cu această idee, putem extrage un eșantion aleatoriu de oameni, să îi rugăm să își nominalizeze prietenii, și acei prieteni vor fi automat mai centrali, şi putem face asta fără să trebuiască să cartografiem rețeaua.

Am testat această idee la apariția gripei H1N1 la Colegiul Harvard în toamna și iarna lui 2009, acum doar câteva luni. Am ales un eșantion aleatoriu de 1.300 de studenți, i-am rugat să își nominalizeze prietenii, și i-am urmărit atât pe studenții din eșantion, cât și pe prietenii lor zilnic să vedem dacă contractează sau nu gripa. Am făcut acest lucru pasiv, observând dacă au apelat la serviciile medicale ale universității. De asemenea, i-am rugat să ne scrie prin e-mail de câteva ori pe săptămână. S-a întâmplat exact ce am prezis. Grupul aleatoriu este reprezentat de linia roșie. Epidemia în grupul prietenilor apare la stânga, acolo. Diferența între cele două este de 16 zile. Monitorizând grupul prietenilor, putem fi preveniți cu 16 zile înainte despre o epidemie iminentă în populație.

În plus, în calitate de analist care încearcă să studieze o epidemie sau să prezică adoptarea unui produs, de exemplu, ce ai putea face este să alegi un eșantion aleatoriu din populație, și, în același mod, să îi rogi să-și nominalizeze prietenii, iar tu să-i urmărești, atât pe cei din eșantion, cât și pe prietenii lor. Între prieteni, primul semn al unei variații peste 0 în adoptarea unei inovații, de exemplu, dovedește iminența unei epidemii. Sau ai putea observa prima divergență între cele două curbe, după cum apare în stânga. Când au început cei aleși aleatoriu... când au început prietenii să se despartă de cei aleși aleatoriu, și când a început curba să se desprindă? Și aceasta, așa cum indică linia albă, s-a întâmplat cu 46 de zile înainte de punctul maxim al epidemiei. Deci aceasta ar fi o tehnică prin care am putea obține o avertizare cu o lună și jumătate înainte. despre o epidemie într-o anumită populație.

Aș spune că avansul cu care primești un astfel de avertisment depinde de o multitudine de factori. Ar putea depinde de natura patogenului -- patogeni diferiți, folosind această tehnică, permit avertismente diferite -- sau alte fenomene care se răspândesc, sau, pur și simplu, de structura rețelei umane. Acum, în cazul nostru, deși nu a fost necesar, am putut cartografia rețeaua de studenți.

Aşa, am obținut o hartă cu 714 studenți și legăturile de prietenie dintre ei. Și într-un minut, voi pune în mișcare această hartă. Vom avea în vedere secțiuni zilnice prin rețea timp de 120 zile. Punctele roșii sunt cazurile de gripă, iar punctele galbene sunt prietenii persoanelor cu gripă. Și mărimea punctului este proporțională cu numărul prietenilor care au gripă. Deci, cu cât punctul este mai mare, cu atât mai mulţi prieteni au gripă. Și dacă vă uitați la această imagine -- aici suntem în data de 13 septembrie -- veți vedea că apar câteva cazuri. Veți vedea o înflorire a gripei în mijloc. Aici suntem în data de 19 octombrie. Panta curbei epidemiei se apropie de acest moment, în noiembrie. Bang, bang, bang, bang, bang, veți vedea multe cazuri în mijloc, și apoi un fel de nivelare, din ce în ce mai puține cazuri către finele lui decembrie. Și acest tip de vizualizare poate indica faptul că epidemii de genul acesta își au originea și afectează mai întâi indivizi centrali, înainte de a-i afecta pe alții.

Acum, după cum am sugerat, această metodă nu este aplicabilă doar microbilor, ci, de fapt, oricărui lucru care se poate răspândi într-o populație. Informația se răspândește în populație. Normele se pot răspândi în populație. Comportamentele se pot răspândi în populație. Și, prin comportament, înțeleg lucruri precum comportamentul infracțional sau comportamentul de vot, sau comportamentul legat de sănătatate, precum fumatul sau vaccinarea, sau adoptarea de produse, sau alte tipuri de comportamente care se leagă de influenţa interpersonală. Dacă sunt înclinat să fac ceva care îi afectează pe cei din jur, această tehnică poate avertiza, sau poate detecta din timp, adoptarea comportamentului în masa populației. Cheia este că, pentru a funcționa, trebuie să existe influenţă interpersonală. Nu se poate lega de vreo metodă de propagare care îi afectează pe toți uniform.

Aceleași idei pot fi exploatate -- în ceea ce privește rețelele -- pot fi exploatate în alte moduri, de exemplu, în vizarea anumitor persoane pentru intervenții. De exemplu, cei mai multi dintre voi sunteți familiarizaţi cu noțiunea de "imunitate de turmă". Deci, dacă avem o populație de o mie de persoane, şi vrem să imunizăm populația la un anumit patogen, nu e nevoie să imunizăm toate persoanele. Dacă imunizăm 960 dintre ei, e ca și cum i-am fi imunizat în proporție de 100%. Pentru că, deși dacă unul sau doi dintre cei ne-imunizați e infectat, nu au cum să-i infecteze pe alții. Ei sunt înconjurați de persoane imune. Aşa că un procentaj de 96 este la fel de bun ca unul de 100. Ei bine, unii oameni de știință au estimat ce s-ar întâmpla dacă ai lua un eșantion aleatoriu de 30 de procente din acești 1.000 de oameni, 300, și i-ai imuniza. Ai obține vreo imunitate la nivelul populației? Răspunsul este nu. Dar, dacă ai lua acest procentaj, acești 300 de oameni, și i-ai pune să își nominalizeze prietenii și ai folosi același număr de doze de vaccin și ai vaccina prietenii celor 300, cei 300 de prieteni, poți obține același nivel de imunitate de turmă ca atunci când ai vaccina un procentaj de 96 din populație cu o eficiență mult mai mare, cu o constrângere bugetară strictă.

Idei similare pot fi folosite, de exemplu, pentru țintirea distribuției unor lucruri precum plasele împotriva țânțarilor în statele în curs de dezvoltare. Dacă am putea înțelege structura rețelelor în sate, am putea ținti beneficiarii unor astfel de intervenții pentru a obține răspândirea dorită. Sau, sincer, pentru publicitatea diferitelor tipuri de produse. Dacă am putea înțelege cum să țintim, asta ar putea afecta eficiența a ceea ce încercăm să obținem. Și, de fapt, putem folosi date dintr-o multitudine de surse în ziua de azi.

Aceasta este o hartă cu opt milioane de utilizatori de telefonie într-o țară europeană. Fiecare punct este o persoană, iar fiecare linie reprezintă volumul convorbirilor telefonice dintre persoane. Putem folosi astfel de date, obținute pasiv, să cartografiem aceste ţări în întregime și să înțelegem cine este așezat unde în cadrul rețelei. Fără a fi nevoie să îi contactăm, putem obține astfel de perspective structurale. Și alte surse de informație, după cum bine știți, sunt disponibile pentru caracteristici precum interacțiuni pe e-mail, interacțiuni online, rețele sociale online, și așa mai departe. Și, de fapt, suntem într-o epocă a ceea ce eu aş numi eforturi de colectare de date "masiv-pasive". Sunt multe moduri în care putem folosi date obținute astfel pentru a crea rețele de senzori pentru a urmări populația, a înțelege ce se întâmplă în populație, și a interveni la nivelul populației pentru a face bine. Pentru că aceste noi tehnologii ne spun nu doar cine vorbește cu cine, dar și unde se află, și ce gândește fiecare, bazându-se pe conținutul încărcat de aceștia pe Internet, și ce cumpăra fiecare, bazându-se pe achizițiile lor. Toate aceste date administrative pot fi agregate și procesate pentru a înțelege comportamentul uman într-un mod imposibil până acum.

Deci, de exemplu, putem folosi achizițiile de combustibil ale conducătorilor de camioane. Deci camionagii își văd de treabă, și cumpără combustibil. Iar noi vedem o creștere a achizițiilor lor de combustibil, și știm că recesiunea e aproape de sfârșit. Sau putem monitoriza viteza cu care oamenii se deplasează pe autostradă folosind telefoanele și compania de telefonie poate vedea, atunci când viteza e în descreștere, că există un ambuteiaj. Iar ei pot trimite informația înapoi la abonați, dar doar abonaților aflați pe acea autostradă aflați în spatele ambuteiajului! Sau putem monitoriza pasiv comportamentul medicilor de a prescrie medicamente și putem vedea cum arată răspândirea inovațiilor din domeniul farmaceutic în interiorul rețelei de medici. Sau, din nou, putem monitoriza comportamentul de achiziție al oamenilor, și putem observa cum acest gen de fenomene se pot propaga în populație.

Sunt trei moduri, cred, în care aceste date masiv-pasive pot fi folosite. Unul dintre ele este în totalitate pasiv, așa cum am arătat -- aşa ca, de exemplu, situația camionagiilor, unde nu intervenim de fapt la nivelul populației în niciun fel. Unul este cvasi-activ, ca în exemplul gripei pe care l-am dat, unde putem ruga câteva persoane să își nominalizeze prietenii și apoi, pasiv, să îi monitorizam pe aceștia -- au sau nu au gripă? -- și astfel să fim avertizați. Un alt exemplu ar fi, dacă ești o companie telefonică, îți dai seama cine se află în centrul rețelei, și îi întrebi "Uite, vrei să ne trimiți zilnic un mesaj în care să ne spui dacă ai sau nu febră? Doar trimite-ne un mesaj cu temperatura ta." Și colectezi cantități mari de informație despre temperatura oamenilor, dar de la indivizi localizați central. Și poți, pe scară largă, să monitorizezi o epidemie iminentă cu o contribuție minimă din partea oamenilor. Sau, în cele din urmă, poate fi vorba despre ceva activ -- după cum știu că vor aminti și alți co-vorbitori azi -- unde oamenii pot participa global la platforme de tip "wiki", sau prin fotografii, sau monitorizând alegeri, și încărcând informația într-un mod care să ne permită să o agregăm pentru a înțelege procese sociale și fenomene sociale.

De fapt, disponibilitatea unor astfel de date, cred, prevestește o nouă epocă a ceea ce eu, dar și alții, numim "știință socială computațională" E ca atunci când Galileo a inventat -- sau, nu a inventat -- a ajuns să folosească telescopul și a putut privi cerul într-un nou mod, sau Leeuwenhoek a aflat despre microscop -- sau, de fapt, l-a inventat -- și a putut vedea biologia într-un nou mod. Dar acum avem acces la aceste tipuri de date care ne permit să înțelegem procesele sociale și fenomenele sociale într-un mod cu totul nou, imposibil până acum. Și cu acest tip de știință, putem înțelege exact cum întregul ajunge să fie mai mult decât suma părților sale. Și, de fapt, putem folosi aceste informații pentru a îmbunătăți societatea și a creşte bunăstarea omului.

Vă mulțumesc.