how and why human beings

社会的ネットワークを

assemble themselves into social networks.

形成するのか解明しようと努力してきました

And the kind of social network I'm talking about

ここで言う社会的ネットワークとは

is not the recent online variety,

最近のインターネット上のものでなく

but rather, the kind of social networks

どちらかというと

that human beings have been assembling for hundreds of thousands of years,

アフリカのサバンナに出現して以来何十万年もの間

ever since we emerged from the African savannah.

人類が築いてきた社会的つながりです

So, I form friendships and co-worker

つまり私が友人関係や同僚関係

and sibling and relative relationships with other people

そして兄弟関係や親類関係を持ち

who in turn have similar relationships with other people.

その人達が似た関係を他の人達と持ち

And this spreads on out endlessly into a distance.

これが果てしなくずっと広がっていって

And you get a network that looks like this.

このようなネットワークができます

Every dot is a person.

それぞれの点は人で

Every line between them is a relationship between two people --

間の線は二人が関係していることを表します

different kinds of relationships.

いろいろな人間関係です

And you can get this kind of vast fabric of humanity,

このような広大な人間社会の構造ができ

in which we're all embedded.

私達は皆その一部となっています

And my colleague, James Fowler and I have been studying for quite sometime

私は同僚のジェームス フォウラーと かなり以前から

what are the mathematical, social,

どのような数学的 社会的

biological and psychological rules

生物学的そして心理学的な法則が

that govern how these networks are assembled

これらのネットワークの構築を左右するのか

and what are the similar rules

またどんな法則がどうネットワークを動かし

that govern how they operate, how they affect our lives.

人々の生活に影響するのかについて研究してきました

But recently, we've been wondering

そして最近は 解明するだけでなく

whether it might be possible to take advantage of this insight,

その洞察を利用して実際に

to actually find ways to improve the world,

世の中を改善する方法を見つけ

to do something better,

もっと役立つことをして

to actually fix things, not just understand things.

何かを解決したりできないかと考えています

So one of the first things we thought we would tackle

そこでまず取り組もうと思ったのが

would be how we go about predicting epidemics.

疫病の流行を予想することでした

And the current state of the art in predicting an epidemic --

疫病対策センターやその他の国家機関での

if you're the CDC or some other national body --

感染症流行の予測技術の現状は

is to sit in the middle where you are

現場の医師や研究所が報告する

and collect data

特定の疾患の有病率や

from physicians and laboratories in the field

発生率のデータを

that report the prevalence or the incidence of certain conditions.

機関の拠点から収集するというものです

So, so and so patients have been diagnosed with something,

患者の誰々さんが何かの病気だと診断された

or other patients have been diagnosed,

他にも発症した患者がいた

and all these data are fed into a central repository, with some delay.

こうしたデータが情報センターにいくらか遅れて入るわけです

And if everything goes smoothly,

滞りなくすべて進めば

one to two weeks from now

今日どこで疫病が流行っていたか

you'll know where the epidemic was today.

1～2週間後に分かるのです

And actually, about a year or so ago,

実のところ 1年ほど前に

there was this promulgation

「インフルトレンド」という

of the idea of Google Flu Trends, with respect to the flu,

グーグルのツールが広まりました

where by looking at people's searching behavior today,

人々の現在の検索パターンを見て

we could know where the flu --

インフルエンザの発生地域

what the status of the epidemic was today,

現在の流行状況や

what's the prevalence of the epidemic today.

有病率が把握できるのです

But what I'd like to show you today

でも今日皆さんにお見せしたいのは

is a means by which we might get

伝染病の発生を

not just rapid warning about an epidemic,

迅速に警告するだけでなく 実際にその流行を

but also actually

早期に感知できるかもしれない

early detection of an epidemic.

ひとつの方法です

And, in fact, this idea can be used

事実 このアイデアは

not just to predict epidemics of germs,

細菌による感染症を予測するだけでなく

but also to predict epidemics of all sorts of kinds.

様々なタイプの流行の予想に応用できます

For example, anything that spreads by a form of social contagion

例えば社会的感染という形で広まるものは

could be understood in this way,

すべてこうして理解できます

from abstract ideas on the left

図の左に示した愛国心や

like patriotism, or altruism, or religion

利他主義や宗教のような抽象的な概念から

to practices

食生活や書籍購入

like dieting behavior, or book purchasing,

そして飲酒などの習慣

or drinking, or bicycle-helmet [and] other safety practices,

自転車ヘルメット着用などの安全習慣や

or products that people might buy,

売れる商品

purchases of electronic goods,

電子機器の購入などまで

anything in which there's kind of an interpersonal spread.

人を通して広がるものすべてです

A kind of a diffusion of innovation

新しいアイデアの普及なども

could be understood and predicted

今からご覧いただく方法によって

by the mechanism I'm going to show you now.

理解し予測することが可能です

So, as all of you probably know,

おそらく皆さんご存知だと思いますが

the classic way of thinking about this

普及を表すには従来

is the diffusion-of-innovation,

イノベーション普及率という

or the adoption curve.

採用曲線を使用します

So here on the Y-axis, we have the percent of the people affected,

Y軸は何％の人が影響されているか

and on the X-axis, we have time.

そしてX軸は時間を表します

And at the very beginning, not too many people are affected,

最初の時点ではあまり多くの人が影響されておらず

and you get this classic sigmoidal,

典型的なS字型カーブの

or S-shaped, curve.

グラフになります

And the reason for this shape is that at the very beginning,

なぜこのような形になるのかと言うと

let's say one or two people

一番初めに1人か2人が

are infected, or affected by the thing

影響または感染されているとすると

and then they affect, or infect, two people,

その2人が次の2人を感染させ

who in turn affect four, eight, 16 and so forth,

次に感染されるのは4人 そして8人 16人と増え

and you get the epidemic growth phase of the curve.

流行の増殖期のカーブを形成するからです

And eventually, you saturate the population.

最終的には人口のほとんどが感染され

There are fewer and fewer people

まだ感染されていない人が

who are still available that you might infect,

どんどん少なくなり

and then you get the plateau of the curve,

カーブは頭打ちとなります

and you get this classic sigmoidal curve.

そして典型的なS字型カーブとなるのです

And this holds for germs, ideas,

これは病原菌やアイデア

product adoption, behaviors,

製品普及や習慣のようなものでも

and the like.

同じです

But things don't just diffuse in human populations at random.

でも物事は人々の間でランダムに普及しません

They actually diffuse through networks.

普及はネットワークを通して行なわれます

Because, as I said, we live our lives in networks,

私達は皆 ネットワークの中で生きているからです

and these networks have a particular kind of a structure.

そしてこれらのネットワークには特定の構造があります

Now if you look at a network like this --

こちらのネットワークを見てください

this is 105 people.

105人います

And the lines represent -- the dots are the people,

点は人を表し

and the lines represent friendship relationships.

線は友人関係を表します

You might see that people occupy

人によってネットワーク内の位置が

different locations within the network.

違うことが分かると思います

And there are different kinds of relationships between the people.

また人間関係も多様です

You could have friendship relationships, sibling relationships,

友人関係 兄弟関係

spousal relationships, co-worker relationships,

夫婦関係 同僚関係

neighbor relationships and the like.

隣人関係などいろいろあります

And different sorts of things

そして関係によって

spread across different sorts of ties.

違うものが広がります

For instance, sexually transmitted diseases

例えば性感染症は

will spread across sexual ties.

性的つながりをもって広がります

Or, for instance, people's smoking behavior

喫煙習慣は

might be influenced by their friends.

友人関係に影響されるかもしれません

Or their altruistic or their charitable giving behavior

利他的または慈善的行為だと

might be influenced by their coworkers,

同僚に感化されてかもしれませんし

or by their neighbors.

隣人の影響かもしれません

But not all positions in the network are the same.

でもネットワーク内の位置のすべてが平等というわけではありません

So if you look at this, you might immediately grasp

これを見てもらえばすぐ分かりますが

that different people have different numbers of connections.

つながりの数は人によって違います

Some people have one connection, some have two,

1つの人もいれば2つの人もいて

some have six, some have 10 connections.

6つの人もいれば10個の人もいます

And this is called the "degree" of a node,

これはノードの度数とも言われ

or the number of connections that a node has.

節点の持つつながりの数です

But in addition, there's something else.

しかしそれだけではありません

So, if you look at nodes A and B,

節点AとBを見てもらうと

they both have six connections.

両者とも6つのつながりを持っています

But if you can see this image [of the network] from a bird's eye view,

でもこの図を全体的に見ると

you can appreciate that there's something very different

節点AとBには大きな違いがあると

about nodes A and B.

気づくと思います

So, let me ask you this -- I can cultivate this intuition by asking a question --

こう考えたら分かりやすいと思います

who would you rather be

もし致死的な病原菌が

if a deadly germ was spreading through the network, A or B?

ネットワーク内で広まっていたらAとBのどちらになりたいですか？

(Audience: B.) Nicholas Christakis: B, it's obvious.

（聴衆：B） クリスタキス：もちろんBですね

B is located on the edge of the network.

Bはネットワークの端に位置しています

Now, who would you rather be

では気になる噂話が

if a juicy piece of gossip were spreading through the network?

ネットワーク内で流れていたらどちらになりたいですか？

A. And you have an immediate appreciation

Aですね　一見して

that A is going to be more likely

Aの方がいち早く

to get the thing that's spreading and to get it sooner

広まる噂を耳にする可能性が高いと分かります

by virtue of their structural location within the network.

これはネットワーク構造上の位置のおかげです

A, in fact, is more central,

実際にAは中心寄りに位置しており

and this can be formalized mathematically.

これは数式で表すことができます

So, if we want to track something

ですから ネットワークを通じて

that was spreading through a network,

広がっている何かを追跡したい場合

what we ideally would like to do is to set up sensors

節点Aも含んだ

on the central individuals within the network,

ネットワークの中心部の人々に

including node A,

センサーをつけ

monitor those people that are right there in the middle of the network,

その人々を観察することによって

and somehow get an early detection

ネットワークを介して広がっている何かを

of whatever it is that is spreading through the network.

早期発見するのが理想です

So if you saw them contract a germ or a piece of information,

この人々が病気に感染したり情報を得たら

you would know that, soon enough,

近いうちに

everybody was about to contract this germ

全員にこの病原菌または情報が

or this piece of information.

伝わるだろうと分かるのです

And this would be much better

この方法は集団の構造を踏まえずに

than monitoring six randomly chosen people,

ランダムに選出した

without reference to the structure of the population.

6人を観察するよりずっと効果的です

And in fact, if you could do that,

実際 中心部の人々を観察できれば

what you would see is something like this.

このような結果が見られる筈です

On the left-hand panel, again, we have the S-shaped curve of adoption.

左の図には前に見たS字型の採用曲線があります

In the dotted red line, we show

赤の点線は

what the adoption would be in the random people,

ランダムに選出された人々の間での普及です

and in the left-hand line, shifted to the left,

左側の左にずれている線は

we show what the adoption would be

ネットワーク中心部の人々の間での

in the central individuals within the network.

普及を表します

On the Y-axis is the cumulative instances of contagion,

Y軸は感染者の累積人数です

and on the X-axis is the time.

X軸は時間です

And on the right-hand side, we show the same data,

右にあるのは同じデータですが

but here with daily incidence.

1日ごとの発症件数です

And what we show here is -- like, here --

ここにご覧いただけるのは

very few people are affected, more and more and more and up to here,

たった数人の感染者からどんどん増えて

and here's the peak of the epidemic.

ここで流行のピークとなることです

But shifted to the left is what's occurring in the central individuals.

左にずれたグラフが中心部の人々の状態です

And this difference in time between the two

そしてこの2つの間の時間差が

is the early detection, the early warning we can get,

兆しとなり

about an impending epidemic

この人々の間で流行が起こる

in the human population.

早期警告となるのです

The problem, however,

しかし問題は

is that mapping human social networks

社会的ネットワークを図にするのが

is not always possible.

いつも可能なわけでないことです

It can be expensive, not feasible,

コストが高すぎたり実施が難しかったり

unethical,

倫理的でなかったり

or, frankly, just not possible to do such a thing.

ただ単にそんなことは不可能な場合もあります

So, how can we figure out

では実際にネットワークを図にしないで

who the central people are in a network

どのように中心にいるのは誰かを

without actually mapping the network?

調べることができるのでしょうか？

What we came up with

我々が思いついたのは

was an idea to exploit an old fact,

社会的ネットワークについて前から

or a known fact, about social networks,

知られている現象を利用することでした

which goes like this:

このような現象です

Do you know that your friends

あなたの友人にはあなたより

have more friends than you do?

たくさん友人がいると知っていましたか？

Your friends have more friends than you do,

あなたの友人にはあなたより友人がいるのです

and this is known as the friendship paradox.

「友人関係のパラドックス」と言われています

Imagine a very popular person in the social network --

社会的ネットワークの中でとても人気があり

like a party host who has hundreds of friends --

友人が多いパーティのホストと

and a misanthrope who has just one friend,

友人は1人だけの人間嫌いがいるとします

and you pick someone at random from the population;

ここからランダムに選ばれた人はパーティのホストを

they were much more likely to know the party host.

知っている確率の方が高いのです

And if they nominate the party host as their friend,

彼らがパーティのホストを友人として挙げたら

that party host has a hundred friends,

パーティのホストには大勢の友人がいるので

therefore, has more friends than they do.

彼らよりも友人が多いということになります

And this, in essence, is what's known as the friendship paradox.

基本的にこれが「友人関係のパラドックス」というものです

The friends of randomly chosen people

ランダムに選ばれた人達よりその友人達の方が

have higher degree, and are more central

より多くのつながりを持ち

than the random people themselves.

中心寄りの位置にいるのです

And you can get an intuitive appreciation for this

ネットワークの端の方にいる人々に注目すると

if you imagine just the people at the perimeter of the network.

このことが自然に理解できると思います

If you pick this person,

この人を見ると

the only friend they have to nominate is this person,

友人として挙げられるのはこの人しかいません そして

who, by construction, must have at least two

この人にはネットワークの構造上 最低2人

and typically more friends.

通常はそれ以上の友人がいることになります

And that happens at every peripheral node.

端の節点のどれをとってもこの現象は見られ

And in fact, it happens throughout the network as you move in,

実際ネットワークの中心に向かって全体的に見られます

everyone you pick, when they nominate a random --

誰を選出してもです

when a random person nominates a friend of theirs,

ランダムに選出された人が友人を挙げると

you move closer to the center of the network.

ネットワークの中心に近づくわけです

So, we thought we would exploit this idea

そこで我々はこのアイデアを利用して

in order to study whether we could predict phenomena within networks.

ネットワーク内の現象を予測できるか研究しようと考えました

Because now, with this idea

このアイデアをもとにすれば

we can take a random sample of people,

ネットワークの図がなくても

have them nominate their friends,

集団からランダムに誰かを選び

those friends would be more central,

友人を挙げてもらって

and we could do this without having to map the network.

中央寄りの人の選出ができるからです

And we tested this idea with an outbreak of H1N1 flu

我々はハーバード大学での新型インフルエンザの発生で

at Harvard College

これを検証しました

in the fall and winter of 2009, just a few months ago.

つい2～3ヶ月前の2009年秋から冬でした

We took 1,300 randomly selected undergraduates,

ランダムに選出した学部生1300人に

we had them nominate their friends,

友人を挙げてもらい

and we followed both the random students and their friends

そのランダムの学生と友人の両方を

daily in time

毎日 追跡調査して

to see whether or not they had the flu epidemic.

流行のインフルエンザへの感染を調べました

And we did this passively by looking at whether or not they'd gone to university health services.

大学内診療所の利用監視と

And also, we had them [actively] email us a couple of times a week.

週に数回のメール報告での調査です

Exactly what we predicted happened.

すると我々が予想した通りのことが起こりました

So the random group is in the red line.

赤い線がランダムのグループです