Николас Кристакис: Как социальные сети предсказывают эпидемии

Последние 10 лет я провёл, пытаясь понять, как и почему люди объединяются в социальные сети. Социальная сеть, о которой я говорю, это не та, которая недавно появилась в интернете, а скорее та, в которую люди объединялись в течение сотен тысяч лет с момента возникновения человечества в Африканских саваннах. Я создаю дружеские и рабочие отношения, родственные связи с окружающими, которые, в свою очередь, образуют такие же связи с другими. И эта цепочка бесконечна. Мы получаем социальную сеть, которая выглядит вот так. Каждая точка - это человек. Каждая линия между точками - это отношения между двумя людьми, разные типы отношений. Таким образом можно получить пространственную структуру человечества, в которую включены мы все.

Некоторое время мы с моим коллегой Джеймсом Фаулером изучали, какие математические, социальные, биологические и психологические законы регламентируют создание этих сетей и какие похожие правила управляют ее функционированием и влиянием на нашу жизнь. До недавнего времени мы пытались понять, возможно ли использовать эти знания во благо, найти способ усовершенствовать мир, что-то улучшить, исправить, а не только понять. И первое, над чем мы начали работать, - это способ предсказания эпидемий.

В настоящее время положение дел такое: представители СЭС или других национальных организаций сидят на своих местах и собирают данные, поступающие от врачей и полевых лабораторий, указывающие на распространение или наличие определённых заболеваний. Такие-то и такие-то случаи заболевания были диагностированы здесь, или другие случаи были диагностированы там, а данные об этом попали в центральную базу данных с задержкой. И если всё пройдёт гладко, то через неделю или две вы будете знать, на какой стадии эпидемия была сегодня. На самом деле около года назад была обнародована идея создания клиента Google Flu Trends, посвящённого гриппу, где, взглянув на поисковые запросы людей в данный момент, мы сможем узнать состояние эпидемии и степень её распространения в данный момент.

Но сегодня я бы хотел показать вам способ, с помощью которого мы сможем не просто быстро узнавать об эпидемии, но и заранее обнаруживать её появление. На самом деле эту идею можно использовать не только для предсказания вирусной эпидемии, но и для предсказания любых других эпидемий. Например, таким образом можно понимать всё, что распространяется в социальной среде: от абстрактных идей вроде патриотизма, альтруизма и религии до таких действий, как следование диете, покупки книг, выпивка, использование велосипедного шлема и других мер безопасности, или товаров, которые люди могут купить, покупки электроники - всё, что распространяется межличностно. Распространение нововведения можно понять и предсказать с помощью механизма, который я вам сейчас покажу.

Итак, как вы, возможно, знаете, обычно его описывают как диффузию инновации или кривую восприятия. Здесь, на оси У, отмечается число попавших под воздействие людей, а на оси Х - время. В самом начале, пока еще количество попавших под воздействие не очень велико, получим классический сигмоид или S-образную кривую. А причина такой формы в том, что в самом начале допустим, один или два человека оказываются под влиянием или заражены, потом они влияют или заражают двух людей, которые, в свою очередь, влияют на 4, 8, 16 и так далее, и на кривой вы получите стадию роста эпидемии. В конце концов вы достигнете точки насыщения. Людей, которых можно заразить, становится всё меньше и меньше, у вас стадия стабилизации кривой и классическая сигмоидальная кривая. И это справедливо для бактерий, идей, восприятие товаров, моделей поведения и прочего. Однако всё это не распространяется в сообществе случайно. На самом деле оно распространяется через социальные сети. Потому что, как я сказал, мы живём в социальных сетях, и у каждой из этих сетей своя особенная структура.

Давайте взглянем на эту сеть... Здесь 105 человек. Линии обозначают... Да, точки - это люди, а линии обозначают дружеские отношения. Можно заметить, что люди занимают разные положения внутри одной сети. И виды отношений между людьми отличаются. Вы можете вступить в дружеские, кровные, супружеские, рабочие, соседские отношения и множество других. И разные вещи распространяются через разные виды связей. Например, болезни, передаваемые половым путём, распространяются через сексуальные связи. Или, например, на то, что человек курит, могут повлиять его друзья. А на альтруизм и щедрость могут повлиять коллеги или соседи. Но не все положения в социальной сети одинаковы.

Так, если вы посмотрите на эту схему, то сразу поймёте, что у разных людей образуется разное число связей. У некоторых людей - одна, у кого-то - две, у кого-то - шесть, а у кого-то и десять. Это так называемая "степень" узла сети, или число связей в одном узле. Однако есть и другие различия. Так, если вы взглянете на узлы А и Б, вы увидите, что в них по шесть связей. Но если вы взглянете на схему с высоты птичьего полёта, вы заметите, что узлы А и Б чем-то всё же отличаются. Итак, позвольте мне задать вопрос - я помогу вам понять, задавая вопросы, - кем бы вы хотели быть, если бы по сети распространялся смертоносный вирус: А или Б? (Аудитория: Б.) Николас: Б, это очевидно. Узел Б находится на краю сети. А кем бы вы хотели быть, если бы сочная сплетня распространялась по той же сети? А. И вы сами сразу же поняли, что у А куда больше шансов подхватить то, что распространяется, быстрее благодаря структурному расположению узла внутри сети. Узел А расположен ближе к центру, и это может быть определено математически. Таким образом, если мы хотим отследить что-то, что распространяется по сети, в идеале нам надо бы установить сенсорное устройство на людей, находящихся в центре данной сети, включая узел А, следить за людьми, которые находятся прямо в центре сети, и таким образом распознать на ранней стадии элемент, распространяющийся по данной сети.

То есть, если вы видите, что они подхватили микроб или какую-то информацию, вы поймёте, что довольно скоро этот микроб или информацию подхватят все. И это гораздо лучше, чем следить за шестью случайно выбранными людьми безотносительно к структуре сообщества. Действительно, если вам удастся это сделать, вы увидите что-то подобное. Слева мы снова видим S-образную кривую восприятия. Красной пунктирной линией мы показываем закономерность восприятия случайных людей, а линией, расположенной слева, мы показываем, каким бы было восприятие у людей, расположенных в центре сети. На оси Y обозначены все случаи заражения, на оси Х - время. Справа - те же данные, но с ежедневным интервалом. Мы показываем, что здесь очень мало людей оказалось под воздействием; до этого места больше и больше, а вот здесь находится пик эпидемии. Однако слева мы видим, что происходит с людьми в центре сети. И разница во времени между двумя показателями может обеспечить заблаговременное распознавание и предупреждение о приближающейся эпидемии в сообществе.

Однако, проблема в том, что сделать карту человеческих социальных сетей не всегда возможно. Это может оказаться затратным, очень сложным, неэтичным, или, по правде говоря, просто невозможным. Итак, как же мы можем вычислить людей, находящихся в центре социальной сети, без составления её карты? У нас появилась идея воспользоваться старым, давно известным фактом о социальных сетях, который звучит так: "Знаете ли вы, что у ваших друзей больше друзей, чем у вас? У ваших друзей больше друзей, чем у вас самих". Этот феномен известен как парадокс дружбы. Представьте себе очень популярного в социальной сети человека, вроде любителя вечеринок, у которого сотни друзей, и мизантропа, у которого лишь один друг, и если вы случайным образом выберете кого-то из сообщества, скорее всего, он знает этого любителя вечеринок. Если он назовёт любителя вечеринок своим другом, а у того сотня друзей, следовательно, у любителя вечеринок больше друзей, чем у выбранного нами человека. И, по сути, это и есть парадокс дружбы. У друзей случайно выбранных людей "степень" узла выше и они ближе к центру сети, чем сами случайно выбранные люди.

Это становится наглядно, если представить себе людей, находящихся на границах сети. Если вы выберете этого человека, единственный друг, которого он сможет назвать, будет этот человек, у которого, согласно структуре, будет по меньшей мере два, а то и больше друзей. Так происходит с любым узлом на периферии. И так происходит всё время, пока вы приближаетесь к центру, если каждый, кого вы выберете, называет случайного... когда случайный человек называет своего друга, вы чуть больше приближаетесь к центру сети. Итак, мы подумали, что можно воспользоваться этой идеей, чтобы посмотреть, сможем ли мы предсказывать явления, происходящие внутри сети. Ведь сейчас по этой модели мы можем выбрать несколько случайных людей, попросить их назвать своих друзей, эти друзья окажутся ближе к центру сети и нам не понадобится карта самой сети.

Мы протестировали данную модель во время эпидемии свиного гриппа в Гарвардском колледже осенью и зимой 2009 года, всего несколько месяцев назад. Мы взяли 1300 случайно выбранных студентов, попросили их назвать своих друзей, а затем следили как за случайно выбранными студентами, так и за их друзьями каждый день, чтобы узнать, не заболели ли они гриппом. Мы делали это пассивно, проверяя, не обратились ли они в медпункт университета. Помимо этого мы попросили их отправлять нам электронное письмо пару раз в неделю. И случилось как раз то, чего мы ожидали. Итак, группа случайно выбранных студентов - это красная линия. А эпидемия в группе друзей изображена слева, вот здесь. И разница между двумя показателями - 16 дней. Следя за группой друзей, мы смогли получить предупреждение о приближающейся эпидемии в данном сообществе за 16 дней.

Помимо этого, если бы вы были аналитиком, изучающим эпидемию, или, скажем, предсказывающим восприятие какого-то товара, вы могли бы случайным образом выбрать несколько человек, попросить их назвать своих друзей и следить за друзьями, а также за случайной группой. Как только вы увидите, что среди друзей отметка восприятия новинки поднялась выше нуля, это будет свидетельством приближающейся эпидемии. Или как только вы увидите, что две кривые разошлись, как это показано слева. Когда кривая друзей взлетела намного выше случайно выбранной группы и когда эта кривая начала меняться? Это, как показано белой линией, случилось за 46 дней до пика эпидемии. Такова методика, с помощью которой мы могли бы получать предупреждения об эпидемии гриппа в определённом сообществе раньше, чем за полтора месяца.

Необходимо отметить, что быстрота получения предупреждения зависит от множества факторов. Они могут зависеть от природы болезнетворного микроорганизма - при разных болезнетворных организмах, используя эту схему, вы получите разные предупреждения, - или от явлений, или от структуры социальной сети. Итак, в нашем случае, хотя это и не было необходимо, мы смогли создать и саму карту студентов.

Это карта 714 студентов и их дружеских связей. И прямо сейчас я приведу карту в движение. Мы увидим ежедневное изображение сети на протяжении 120 дней. Красные точки - это случаи заболевания гриппом, жёлтые - друзья заболевших. А размер точек будет прямо пропорциональным количеству заболевших друзей данного человека. Итак, чем больше будут точки, тем больше друзей заболело. Взгляните на эту картинку - это данные на 13 сентября - вы увидите, что уже появилось несколько случаев заболевания. Вы увидите пик эпидемии гриппа в центре сети. Вот данные на 19 октября. Сейчас, в ноябре, кривая эпидемии достигает вершины. Бам, бам, бам, бам, бам - вы увидите множество пиков в середине, а потом - что-то вроде угасания, все меньше и меньше случаев в концу декабря. Такой способ визуализации демонстрирует, что подобные эпидемии появляются и воздействуют сначала на людей в центре сети, а потом уже на всех остальных.

Как я уже упомянул, данный метод не ограничивается только болезнями, но может применяться ко всему, что распространяется в сообществе. Например, к информации. К правилам. К поведению. Под поведением я понимаю такие вещи, как преступное поведение, поведение при голосовании, или заботе о здоровье: вроде курения или вакцинации, или восприятие каких-то товаров, или другие типы поведения, связанные с влиянием людей друг на друга. Если есть вероятность, что мои действия повлияют на окружающих, данный метод может на ранней стадии определить, как это будет принято в сообществе. Чтобы метод работал, в его основе должно быть влияние людей друг на друга. Он не будет работать от широковещания, действующего на всех одинаково.

Теперь можно развить те же мысли - относительно сетей - в других областях: например, отбирая особых людей для вмешательства. Так, например, многие из вас, наверное, знакомы с понятием коллективного иммунитета. Если мы занимаемся сообществом из тысячи людей и хотим защитить его от болезнетворного микроорганизма, нам не нужно проводить вакцинацию каждого отдельного человека. Если мы иммунизируем 960 из них, получится, что мы сделали невосприимчивыми к инфекции 100% населения. Потому что, даже если один-два человека без иммунитета заразятся, им некого будет заражать. Они окружены людьми с иммунитетом. То есть 96% - это почти 100%. Учёные уже подсчитали, что произойдёт, если вы выберете 30% случайных людей из этой тысячи - 300 человек - и проведёте их вакцинацию. Можно ли говорить о коллективном иммунитете? Нет. Однако если вы возьмёте эти 30%, эти 300 человек, попросите их назвать своих друзей и тем же самым количеством инъекций вакцинируете друзей этих 300 человек - 300 друзей - вы сможете получить коллективный иммунитет такого же уровня, как если бы вы вакцинировали 96% всего сообщества с ещё большей эффективностью и меньшими затратами.

Такая же схема может использоваться, например, для целевого распространения таких товаров, как пологи над кроватями в развивающемся мире. Если бы мы смогли понять структуру сетей в деревнях, мы могли бы выбрать, кому поручить заботы об их распространении. Или рекламу всех товаров. Если мы сможем понять, как выбирать таких людей, мы сможем повлиять на продуктивность результата, который пытаемся достичь. Можно использовать данные всех существующих сегодня ресурсов.

Вот карта восьми миллионов телефонных абонентов в одной из европейских стран. Каждая точка - это человек, а каждая линия показывает количество звонков между людьми. Мы можем использовать такие пассивно полученные данные, чтобы сделать карту целых стран и понять, кто где расположен внутри сети. И нет необходимости их всех опрашивать, чтобы получить структурный анализ такого рода. Существуют и другие источники информации, о которых вы, конечно же, знаете: общение по электронной почте, взаимодействия в интернете, социальные сети в интернете и так далее. Мы живём в эпоху, которую можно назвать широкомасштабным пассивным сбором информации. Существуют разнообразные способы для использования всей собранной информации, чтобы создать сенсорную сеть для наблюдения за сообществом, понимания, что в нём происходит, и вмешательства для улучшений. Ведь эти новые технологии могут нам объяснить, не только кто с кем общается, но и кто где находится, и о чём люди думают, судя по тому, что они скачивают из интернета, и что они покупают, судя по их покупкам. Можно собрать всю эту административную информацию и обработать её, чтобы понять человеческое поведение так, как это раньше было невозможно.

Например, возьмём покупку бензина водителями грузовиков. Водители занимаются своим делом и покупают бензин. Мы видим увеличение покупок бензина и понимаем, что экономический спад скоро закончится. Или мы можем следить за скоростью, с которой люди с телефонами перемещаются по дорогам, а телефонная компания видит, что если скорость падает, это означает, что на дорогах пробки. Они могут предоставлять эту информацию своим клиентам, но только тем, которые движутся по той же дороге, приближаясь к пробке. Или мы можем следить за тем, как врачи выписывают лекарства, и заметить, что распространение новых препаратов происходит внутри определённых врачебных сетей. Или, опять же, мы может отслеживать поведение покупателей и наблюдать, как это явление распространяется в сообществе.

Мне кажется, существует три способа, в которых эти пассивно собранные данные могут использоваться. Один из них полностью пассивен, вроде того, что я только что объяснил: как в случае с водителями грузовиков, где мы никоим образом не вмешиваемся в жизнь сообщества. Ещё один - псевдоактивный, как в случае с эпидемией гриппа, где мы просили людей назвать своих друзей, затем пассивно следили за друзьями, заболели они гриппом или нет, и получали предупреждение о болезни. Еще один пример: вы, телефонная компания, разыскиваете людей в центре сетей и просите их: "Вы не могли бы каждый день сообщать нам о своей температуре? Просто пришлите нам цифру". И собираете огромное количество информации о температуре людей, находящихся в центре сети. Так вы сможете в огромном масштабе отследить приближающуюся эпидемию с минимальной информацией от людей. И, наконец, существует более активный способ - насколько я знаю, о нём ещё будут сегодня говорить, - когда люди по всему миру участвуют в создании вики-сайтов, фотографируют, наблюдают за выборами и загружают информацию, так что её можно объединить для понимания социальных процессов и явлений.

Мне кажется, что доступность такой информации является вестником новой эпохи, которую я бы назвал эпохой "вычислительной социальной науки". Это похоже на то, как Галилей изобрёл (или не изобретал), начал использовать телескоп и смог увидеть небеса по-новому; или как Левенгук узнал о микроскопе (или сам изобрёл) и смог по-новому взглянуть на биологию. Но теперь, когда у нас есть доступ к любой информации, мы сможем понять социальные процессы и явления совершенно новым, невозможным раньше, способом. С помощью этой науки мы сможем понять, каким образом целое оказывается больше суммы своих элементов. Мы сможем использовать эти открытия, чтобы улучшить общество и благополучие людей.

Спасибо.