的 距離 ） 。 每當 他 蒐集 了 一 天 份 的 資料 後 ， 便 和 團隊 為 每 位 受 試 者 跑 一千 次 模擬 。 結果 是 ： 感染 者 把 自己 從 人群 中 隔離開 來 回家 休養 ， 則 有 七成 的 模擬 狀況 是 「 不會 造成 重大 疫情 」 ， 另 有 三成 則 是 「 疫情 擴大 」 。 在 某些 情境 下 ， 全 校 人口 有 百分之一點三 被 感染 ； 有些 數字 （ 例如 H1N1 ） 更 將近 五成 。 （ 註 15 ） 有 些 學生 和 老師 人緣 好 ， 並 不 等於 他們 傳播 病毒 的 速度 比較 快 。 根據 薩拉瑟 的 研究 ， 美國 高中 每 天 平均 近距離 的 個人 接觸 略 少於 五 分鐘 ， 但 它 是 分散成 平均 十八 段 二十 秒 的 片段 ， 包括 在 川堂 擦 肩 而 過 、 在 實驗室 合作 、 在 咖啡廳 聊天 。 最 令 人 驚訝 的 是 ， 人人 都 會 互相 擦肩 而 過 。 所以 把 那 群 人際 關係 較 頻密 的 一 群 人 加以 隔離 或 叫 他們 接種 ， 並 沒有 重大 效果 。 所以 人緣 好 的 女孩 ， 並 不會 只 因 身邊 圍繞 著 較多 人 （ 碰到 更多 潛在 傳染 者 ） 而 更 容易 染上 流感 ， 因為 她 沒 花 多少 時間 與 那些 人 相處 。 薩拉瑟 的 模型 顯示 ， 從 高中 校園 裡 隨機 一 個 人 那裡 染上 流感 的 機率 是 百分之一點三五 ， 因為 你 隨機 接觸 他人 的 時間 大約 只有 每 人 五 分鐘 。 相形之下 ， 你 最 可能 被 兩 個 最 要好 的 朋友 傳染 ， 他們 是 和 你 共享 大量 呼吸 與 接觸 空間 的 人 。 高中生 的 流感 三角 古樂朋 （ Nicholas Christakis ） 和 詹姆斯．佛勒 （ James Fowler ） 在 他們 所 著 的 《 連接 ： 社交 網絡 的 驚人 力量 以及 它們 如何 形塑 我們 的 生活 》 （ Connected ： The Surprising Power of Our Social Networks and How They Shape Our Lives ） 寫道 ， 一般人 的 社交 網絡 裡 ， 任 兩 個 人 彼此 認識 的 機率 是 百分之五十二 。 古樂朋 和 佛勒 把 這 叫做 遞移性 （ transitivity ） 。 流感 經常 經由 接觸 各 種 表面 而 傳遞 ， 但 當 它 是 人傳人 時 ， 遞移性 是 主要 因素 ， 特別 是 三角 遞移性 。 而且 ， 高中 學生 有 許多 時間 都 是 待在 三 人 小組 裡 （ 又 稱 封閉 三角 ） 。 （ 註 16 ） 如果 你 知道 你 的 三角 裡 有 誰 ， 那麼 你 最 可能 被 那 兩 個 人 的 其中 一 個 傳染 。 你 可以 根據 你 和 其中 一 人 或 兩 個 人 共處 的 時間 ， 計算 那 個 人 感染 你 的 機率 。 近距離 接觸 的 人們 互相 傳染 流感 的 機率 ， 每 二十 秒 就 提高 零點零零三 倍 ， 這 是 約翰霍普金斯 大學 研究 團隊 在 一九七○年代 觀察 流感 在 飛機 上 傳播 情形 所 發現 。 如果 你 知道 你 的 三角 裡 有 誰 ， 也 知道 你 會 和 他們 相處 多久 ， 那 你 就 能 算出 他們 的 病毒 跑到 你 身 上 的 機率 （ 假設 你 不 做 任何 蠢 事 ， 例如 觸摸 他們 摸 過 的 東西 ） 。 這 個 數字 並 不 完美 。 但 它 不必 完美 就 足以 改變 人 的 行為 ， 或許 也 就 能 限制 流感 的 散播 。 （ 註 17 ） 但是 只有 公式 是 不 夠 的 ； 你 真正 需要 的 是 在 出門 和 某人 碰 面前 ， 能夠 計算 從 他們 身 上 得到 流感 的 機率 。 這 就 是 社交 網絡 能 用來 創造 傳染病 大 未來 之 處 了 。 流感 圖像化 對 電腦 科學家 麥可． 保羅 （ Michael Paul ） 來 說 ， 推特 不 只 是 社群 網站 ， 它 是 窺見 全 世界 數百萬 用戶 實體 狀態 的 窗口 ， 也 是 未來 公共 衛生 的 潛在 福音 。 二○○九年 五月 到 二○一○年 十月 間 ， 他 和 他 的 指導 教授 馬克 ． 德雷茲 （ Mark Dredze ） 寫出 一 個 程式 ， 用來 針對 推訊 表達 的 各 種 症狀 ， 將 「 生病 」 的 推訊 加以 分類 ， 他們 稱 之 為 「 病痛 主題 觀點 模型 」 （ Ailment Topic Aspect Model ， 簡稱 ATAM ） 。 （ 註 18 ） 每 個 星期 ， 美國 疾管署 都 會 公佈 新 的 流感 數據 。 這 兩 位 研究 者 發現 他們 的 ATAM 模型 能 在 疾管署 公佈 之前 ， 就 搶先 預測出 官方 流感 數據 。 他們 每 天 都 處理 推訊 ， 而且 速度 還可以 再 更 快 。 至於 疾管署 收集 、 分析 與 公佈 資料 的 做法 ， 相較 是 緩慢 的 。 保羅 在 他 位於 約翰霍普金斯 的 實驗室 對 我 解釋 說 ： 「 疾管署 得 花 兩 週 ， 因為 疾管署 所 用 的 工具 全 都 很 受限 。 他們 到 醫院 調查 ， 實際 打電話 到 各 地 ， 詢問 該 週 的 陽性 檢體 數據 。 取得 那些 資料 很 花 時間 。 一 週 流感 患病率 的 數據 大約 要 再 過 兩 週 才 會 出來 。 如果 你 想 得到 像 SARS 這 種 新型 傳染病 爆發 的 數據 ， 兩 週 太 久 了 。 」 保羅 和 德雷茲 並非 最早 嘗試 使用 人們 輸入 電腦 和 手機 的 資料 來 預測 患病率 的 研究 團隊 。 「 Google 流感 趨勢 」 （ Flu Trends ） 也 是 以 能夠 搶先 疾管署 官方 報告 之前 先行 預測 流感 得病率 而 變 得 很 有名 。 但 流感 趨勢 程式 是 根據 查詢 。 搜尋 引擎 查詢 只 透露出 人們 感興趣 的 事 ， 至於 興趣 的 起源 只 能 靠 猜測 ， 不同 狀況 的 難易度 不同 。 如果 某 個 地區 有 許多 人 都 在 查詢 「 流感 疫苗 」 ， 就是 相當 好 的 流感 爆發 指標 ， 但 也 是 個 間接 的 指標 。 根據 定義 ， 查詢 是 一 個 問句 ， 而 不 是 一 個 聲明 。 為何 人們 要 詢問 流感 疫苗 ？ 我們 只 能 猜測 ， 且 這 個 猜測 不 完美 ， 不過 還 不錯 就是了 。 如果 你 想 測量 的 是 比較 主觀 的 東西 ， 例如 幸福 ， 那 又 如何 ？ 如果 我 在 尋找 流感 治療 方法 ， Google 就 可以 合理 推論 說 我 是 流感 症狀 藥品 市場 的 消費者 ， 因為 我 被 傳染 了 。 但 如同 保羅 指出 的 ， 在 SARS 爆發 期間 ， 數百萬 人 都 開始 搜尋 SARS 相關 資訊 ， 只是 因為 他們 對 它 感到 好奇 。 某 個 輸入 「 我 得 了 流感 」 的 人 比較 可能 是 真的 得 了 流感 。 為了 得知 人們 感覺 怎麼樣 、 他們 可能 正在 承受 什麼 症狀 ， 你 需要 一 個 平台 讓 人們 公開 談論 他們 的 身體 現況 ， 你 也 需要 對 此 感興趣 的 一 票 用戶 。 這 正 是