TEDxMidAtlantic 2013
Jennifer Golbeck: Your social media "likes" expose more than you think
Jennifer Golbeck: El enigma de las papas rizadas: Por qué un "me gusta" dice más de lo que imaginas
Filmed:
Readability: 4.5
2,366,837 views
Se puede hacer mucho con los datos en línea. Pero ¿sabías que los 'expertos' informáticos una vez determinaron que darle “me gusta” a una página de Facebook sobre papas rizadas implicaba también que eras inteligente? En serio. La científica informática Jennifer Golbeck explica cómo sucedió esto, cómo algunas aplicaciones tecnológicas no son tan benignas y por qué piensa que deberíamos devolver el control de la información a sus legítimos dueños.
Jennifer Golbeck - Computer scientist
As the director of the Human-Computer Interaction Lab at the University of Maryland, Jennifer Golbeck studies how people use social media -- and thinks about ways to improve their interactions. Full bio
As the director of the Human-Computer Interaction Lab at the University of Maryland, Jennifer Golbeck studies how people use social media -- and thinks about ways to improve their interactions. Full bio
Double-click the English transcript below to play the video.
00:12
If you remember that first decade of the web,
0
738
1997
Si recuerdan aquella primera
década de la Web,
década de la Web,
00:14
it was really a static place.
1
2735
2255
era un lugar realmente estático.
00:16
You could go online, you could look at pages,
2
4990
2245
Uno podía ingresar, mirar páginas,
00:19
and they were put up either by organizations
3
7235
2513
o bien de organizaciones
00:21
who had teams to do it
4
9748
1521
que tenían equipos para crearlas
00:23
or by individuals who were really tech-savvy
5
11269
2229
o bien de personas que tenían
conocimientos técnicos
conocimientos técnicos
00:25
for the time.
6
13498
1737
en ese entonces.
00:27
And with the rise of social media
7
15235
1575
Y con el auge de
los medios sociales
los medios sociales
00:28
and social networks in the early 2000s,
8
16810
2399
y de las redes sociales
a principios del 2000
a principios del 2000
00:31
the web was completely changed
9
19209
2149
la Web cambió completamente
00:33
to a place where now the vast majority of content
10
21358
3608
y ahora la vasta mayoría
del contenido con el que
del contenido con el que
00:36
we interact with is put up by average users,
11
24966
3312
interactuamos proviene
de usuarios medios,
de usuarios medios,
00:40
either in YouTube videos or blog posts
12
28278
2697
de videos de YouTube,
artículos de blog,
artículos de blog,
00:42
or product reviews or social media postings.
13
30975
3315
revisiones de productos o de
artículos en medios sociales.
artículos en medios sociales.
00:46
And it's also become a much more interactive place,
14
34290
2347
Y también se ha vuelto un
lugar mucho más interactivo,
lugar mucho más interactivo,
00:48
where people are interacting with others,
15
36637
2637
donde las personas interactúan,
00:51
they're commenting, they're sharing,
16
39274
1696
comentan, comparten,
00:52
they're not just reading.
17
40970
1614
y no solo están leyendo.
00:54
So Facebook is not the only place you can do this,
18
42584
1866
Facebook no es el único lugar
donde esto se puede hacer,
donde esto se puede hacer,
00:56
but it's the biggest,
19
44450
1098
pero es el lugar más grande.
00:57
and it serves to illustrate the numbers.
20
45548
1784
Veamos los números.
00:59
Facebook has 1.2 billion users per month.
21
47332
3477
Facebook tiene 1200 millones
de usuarios por mes.
de usuarios por mes.
01:02
So half the Earth's Internet population
22
50809
1930
La mitad de la
población de Internet
población de Internet
01:04
is using Facebook.
23
52739
1653
usa Facebook.
01:06
They are a site, along with others,
24
54392
1932
Es un sitio,
como otros,
como otros,
01:08
that has allowed people to create an online persona
25
56324
3219
que nos ha permitido
crear un yo virtual
crear un yo virtual
01:11
with very little technical skill,
26
59543
1782
con poca habilidad técnica,
01:13
and people responded by putting huge amounts
27
61325
2476
y por eso respondemos
poniendo ingentes cantidades
poniendo ingentes cantidades
01:15
of personal data online.
28
63801
1983
de datos personales.
01:17
So the result is that we have behavioral,
29
65784
2543
Así que tenemos datos
de comportamiento,
de comportamiento,
01:20
preference, demographic data
30
68327
1986
preferencias,
datos demográficos
datos demográficos
01:22
for hundreds of millions of people,
31
70313
2101
de cientos de millones
de personas,
de personas,
01:24
which is unprecedented in history.
32
72414
2026
algo sin precedentes
en la historia.
en la historia.
01:26
And as a computer scientist,
what this means is that
what this means is that
33
74440
2560
Como científica informática,
esto me ha permitido
esto me ha permitido
01:29
I've been able to build models
34
77000
1664
construir modelos
01:30
that can predict all sorts of hidden attributes
35
78664
2322
que pueden predecir todo
tipo de atributos ocultos
tipo de atributos ocultos
01:32
for all of you that you don't even know
36
80986
2284
de Uds. que ni siquiera
Uds. conocen,
Uds. conocen,
01:35
you're sharing information about.
37
83270
2202
de los que comparten
información.
información.
01:37
As scientists, we use that to help
38
85472
2382
Como científicos,
usamos eso para ayudar
usamos eso para ayudar
01:39
the way people interact online,
39
87854
2114
a interactuar en línea,
01:41
but there's less altruistic applications,
40
89968
2499
pero hay aplicaciones
menos altruístas,
menos altruístas,
01:44
and there's a problem in that users don't really
41
92467
2381
y existe un problema en el
desconocimiento del usuario
desconocimiento del usuario
01:46
understand these techniques and how they work,
42
94848
2470
de estas técnicas y de
su funcionamiento,
su funcionamiento,
01:49
and even if they did, they don't
have a lot of control over it.
have a lot of control over it.
43
97318
3128
y aún de conocerlas, no tenemos
demasiado control sobre ellas.
demasiado control sobre ellas.
01:52
So what I want to talk to you about today
44
100446
1490
Por eso hoy quiero hablarles
01:53
is some of these things that we're able to do,
45
101936
2702
de algunas cosas que
podemos hacer,
podemos hacer,
01:56
and then give us some ideas
of how we might go forward
of how we might go forward
46
104638
2763
y luego brindar
ideas para avanzar,
ideas para avanzar,
01:59
to move some control back into the hands of users.
47
107401
2769
para devolverle un poco
de control a los usuarios.
de control a los usuarios.
02:02
So this is Target, the company.
48
110170
1586
Esta es Target, la empresa.
02:03
I didn't just put that logo
49
111756
1324
No solo puse ese logo
02:05
on this poor, pregnant woman's belly.
50
113080
2170
en el vientre a esa
pobre mujer embarazada.
pobre mujer embarazada.
02:07
You may have seen this anecdote that was printed
51
115250
1840
Es posible que hayan visto
la anécdota que salió
la anécdota que salió
02:09
in Forbes magazine where Target
52
117090
2061
en Forbes, en la que Target
02:11
sent a flyer to this 15-year-old girl
53
119151
2361
le envió un volante
a esta chica de 15 años
a esta chica de 15 años
02:13
with advertisements and coupons
54
121512
1710
con anuncios y cupones
02:15
for baby bottles and diapers and cribs
55
123222
2554
para biberones,
pañales y cunas
pañales y cunas
02:17
two weeks before she told her parents
56
125776
1684
2 semanas antes de que
le dijera a sus padres
le dijera a sus padres
02:19
that she was pregnant.
57
127460
1864
que estaba embarazada.
02:21
Yeah, the dad was really upset.
58
129324
2704
Sí, el padre estaba muy molesto.
02:24
He said, "How did Target figure out
59
132028
1716
Dijo: "¿Cómo adivinó Target
02:25
that this high school girl was pregnant
60
133744
1824
que esta chica de secundaria
estaba embarazada
estaba embarazada
02:27
before she told her parents?"
61
135568
1960
antes de que se lo
diga a sus padres?"
diga a sus padres?"
02:29
It turns out that they have the purchase history
62
137528
2621
Resulta que ellos tienen
el historial de compras
el historial de compras
02:32
for hundreds of thousands of customers
63
140149
2301
de cientos de miles de clientes
02:34
and they compute what they
call a pregnancy score,
call a pregnancy score,
64
142450
2730
y calculan lo que llaman
puntaje de embarazo,
puntaje de embarazo,
02:37
which is not just whether or
not a woman's pregnant,
not a woman's pregnant,
65
145180
2332
que no se trata de si la mujer
está o no embarazada,
está o no embarazada,
02:39
but what her due date is.
66
147512
1730
sino para cuándo espera.
02:41
And they compute that
67
149242
1304
Y lo calculan
02:42
not by looking at the obvious things,
68
150546
1768
no mirando cosas obvias
02:44
like, she's buying a crib or baby clothes,
69
152314
2512
como si compra una cuna
o ropa de bebé,
o ropa de bebé,
02:46
but things like, she bought more vitamins
70
154826
2943
sino cosas como
si compró más vitaminas
si compró más vitaminas
02:49
than she normally had,
71
157769
1717
de lo normal,
02:51
or she bought a handbag
72
159486
1464
o si compró un bolso de mano
02:52
that's big enough to hold diapers.
73
160950
1711
suficientemente grande como
para contener pañales.
para contener pañales.
02:54
And by themselves, those purchases don't seem
74
162661
1910
Y por sí solas,
dichas compras no parecen
dichas compras no parecen
02:56
like they might reveal a lot,
75
164571
2469
revelar mucho,
02:59
but it's a pattern of behavior that,
76
167040
1978
pero es un patrón de
comportamiento que,
comportamiento que,
03:01
when you take it in the context
of thousands of other people,
of thousands of other people,
77
169018
3117
tomado en el contexto de
miles de otras personas,
miles de otras personas,
03:04
starts to actually reveal some insights.
78
172135
2757
empieza a revelar algunas ideas.
03:06
So that's the kind of thing that we do
79
174892
1793
Ese es el tipo de cosas que hacemos
03:08
when we're predicting stuff
about you on social media.
about you on social media.
80
176685
2567
al predecir en los
medios sociales.
medios sociales.
03:11
We're looking for little
patterns of behavior that,
patterns of behavior that,
81
179252
2796
Buscamos pequeños patrones
de comportamiento que,
de comportamiento que,
03:14
when you detect them among millions of people,
82
182048
2682
al detectarlos entre
millones de personas,
millones de personas,
03:16
lets us find out all kinds of things.
83
184730
2706
nos permiten encontrar
todo tipo de cosas.
todo tipo de cosas.
03:19
So in my lab and with colleagues,
84
187436
1747
En mi laboratorio,
junto a mis colegas,
junto a mis colegas,
03:21
we've developed mechanisms where we can
85
189183
1777
hemos desarrollado mecanismos
en los que podemos
en los que podemos
03:22
quite accurately predict things
86
190960
1560
predecir cosas con
bastante exactitud
bastante exactitud
03:24
like your political preference,
87
192520
1725
como sus preferencias políticas,
03:26
your personality score, gender, sexual orientation,
88
194245
3752
su puntaje de personalidad,
género, orientación sexual,
género, orientación sexual,
03:29
religion, age, intelligence,
89
197997
2873
religión, edad, inteligencia,
03:32
along with things like
90
200870
1394
además de cosas como
03:34
how much you trust the people you know
91
202264
1937
cuánto confían en las
personas que conocen
personas que conocen
03:36
and how strong those relationships are.
92
204201
1804
y cuán fuertes son esas relaciones.
03:38
We can do all of this really well.
93
206005
1785
Podemos hacer todo esto muy bien.
03:39
And again, it doesn't come from what you might
94
207790
2197
Y, de nuevo, no viene
de lo que podría
de lo que podría
03:41
think of as obvious information.
95
209987
2102
pensarse como información obvia.
03:44
So my favorite example is from this study
96
212089
2281
Mi ejemplo preferido
es este estudio
es este estudio
03:46
that was published this year
97
214370
1240
publicado este año
03:47
in the Proceedings of the National Academies.
98
215610
1795
en las Actas de la
Academia Nacional.
Academia Nacional.
03:49
If you Google this, you'll find it.
99
217405
1285
Si lo buscan en Google,
lo encontrarán.
lo encontrarán.
03:50
It's four pages, easy to read.
100
218690
1872
Tiene 4 páginas,
es fácil de leer.
es fácil de leer.
03:52
And they looked at just people's Facebook likes,
101
220562
3003
Mirando los "me gusta"
de Facebook,
de Facebook,
03:55
so just the things you like on Facebook,
102
223565
1920
o sea, las cosas que
nos gustan en Facebook,
nos gustan en Facebook,
03:57
and used that to predict all these attributes,
103
225485
2138
usaron eso para predecir
todos estos atributos,
todos estos atributos,
03:59
along with some other ones.
104
227623
1645
y algunos otros.
04:01
And in their paper they listed the five likes
105
229268
2961
En su artículo listaron
los 5 "me gusta"
los 5 "me gusta"
04:04
that were most indicative of high intelligence.
106
232229
2787
más indicativos de
una inteligencia alta.
una inteligencia alta.
04:07
And among those was liking a page
107
235016
2324
Entre ellos figuraba el "me gusta"
04:09
for curly fries. (Laughter)
108
237340
1905
de las papas rizadas. (Risas)
04:11
Curly fries are delicious,
109
239245
2093
Las papas rizadas son deliciosas,
04:13
but liking them does not necessarily mean
110
241338
2530
pero que les gusten
no necesariamente significa
no necesariamente significa
04:15
that you're smarter than the average person.
111
243868
2080
que sean más inteligentes
que la media.
que la media.
04:17
So how is it that one of the strongest indicators
112
245948
3207
Entonces, ¿cómo es que uno de
los indicadores más fuertes
los indicadores más fuertes
04:21
of your intelligence
113
249155
1570
de inteligencia
04:22
is liking this page
114
250725
1447
sea darle "me gusta"
a esta página
a esta página
04:24
when the content is totally irrelevant
115
252172
2252
si el contenido es
totalmente irrelevante
totalmente irrelevante
04:26
to the attribute that's being predicted?
116
254424
2527
para el atributo que se predice?
04:28
And it turns out that we have to look at
117
256951
1584
Resulta que tenemos que mirar
04:30
a whole bunch of underlying theories
118
258535
1618
un montón de teorías subyacentes
04:32
to see why we're able to do this.
119
260153
2569
para ver por qué podemos hacer esto.
04:34
One of them is a sociological
theory called homophily,
theory called homophily,
120
262722
2913
Una de ellas es una teoría
sociológica llamada homofilia,
sociológica llamada homofilia,
04:37
which basically says people are
friends with people like them.
friends with people like them.
121
265635
3092
que dice que básicamente las personas
son amigas de personas como ellos.
son amigas de personas como ellos.
04:40
So if you're smart, you tend to
be friends with smart people,
be friends with smart people,
122
268727
2014
Así, si uno es inteligente, tiende
a ser amigo de personas inteligentes
a ser amigo de personas inteligentes
04:42
and if you're young, you tend
to be friends with young people,
to be friends with young people,
123
270741
2630
y si es joven, tiende
a ser amigo de jóvenes
a ser amigo de jóvenes
04:45
and this is well established
124
273371
1627
y esto está bien establecido
04:46
for hundreds of years.
125
274998
1745
desde hace cientos de años.
04:48
We also know a lot
126
276743
1232
También sabemos mucho
04:49
about how information spreads through networks.
127
277975
2550
sobre cómo se difunde la
información por las redes.
información por las redes.
04:52
It turns out things like viral videos
128
280525
1754
Resulta ser que
los videos virales,
los videos virales,
04:54
or Facebook likes or other information
129
282279
2406
los "me gusta" de Facebook,
u otra información
u otra información
04:56
spreads in exactly the same way
130
284685
1888
se difunden exactamente
de la misma manera
de la misma manera
04:58
that diseases spread through social networks.
131
286573
2454
que las enfermedades
por las redes sociales.
por las redes sociales.
05:01
So this is something we've studied for a long time.
132
289027
1791
Por eso es algo que hemos
estudiado durante mucho tiempo.
estudiado durante mucho tiempo.
05:02
We have good models of it.
133
290818
1576
Tenemos buenos modelos de esto.
05:04
And so you can put those things together
134
292394
2157
Juntando estas cosas
05:06
and start seeing why things like this happen.
135
294551
3088
empezamos a ver por qué
ocurren cosas como estas.
ocurren cosas como estas.
05:09
So if I were to give you a hypothesis,
136
297639
1814
Si tuviera que hacer
una hipótesis,
una hipótesis,
05:11
it would be that a smart guy started this page,
137
299453
3227
diría que un tipo inteligente
lanzó esta página
lanzó esta página
05:14
or maybe one of the first people who liked it
138
302680
1939
o fue quizá uno de los
primeros "me gusta"
primeros "me gusta"
05:16
would have scored high on that test.
139
304619
1736
que puntuó alto en esa prueba.
05:18
And they liked it, and their friends saw it,
140
306355
2288
Les gustó, y sus amigos lo vieron,
05:20
and by homophily, we know that
he probably had smart friends,
he probably had smart friends,
141
308643
3122
y por homofilia, sabemos que probablemente
tenía amigos inteligentes,
tenía amigos inteligentes,
05:23
and so it spread to them,
and some of them liked it,
and some of them liked it,
142
311765
3056
por eso se los propagó,
y a alguno le gustó,
y a alguno le gustó,
05:26
and they had smart friends,
143
314821
1189
y ellos tenían amigos inteligentes,
05:28
and so it spread to them,
144
316010
807
y se lo propagaron a ellos,
05:28
and so it propagated through the network
145
316817
1973
y así se expandió por la red
05:30
to a host of smart people,
146
318790
2569
a una serie de
personas inteligentes,
personas inteligentes,
05:33
so that by the end, the action
147
321359
2056
y así, al final, la acción
05:35
of liking the curly fries page
148
323415
2544
de darle "me gusta"
a las papas rizadas
a las papas rizadas
05:37
is indicative of high intelligence,
149
325959
1615
es indicio de inteligencia superior,
05:39
not because of the content,
150
327574
1803
no debido al contenido,
05:41
but because the actual action of liking
151
329377
2522
sino por la acción
de darle "me gusta"
de darle "me gusta"
05:43
reflects back the common attributes
152
331899
1900
que refleja el
atributo en común
atributo en común
05:45
of other people who have done it.
153
333799
2468
con otras personas
que hicieron lo mismo.
que hicieron lo mismo.
05:48
So this is pretty complicated stuff, right?
154
336267
2897
Es complicado, ¿no?
05:51
It's a hard thing to sit down and explain
155
339164
2199
Es algo difícil de explicar
05:53
to an average user, and even if you do,
156
341363
2848
al usuario medio,
y aún de hacerlo,
y aún de hacerlo,
05:56
what can the average user do about it?
157
344211
2188
¿qué puede hacer al respecto
el usuario medio?
el usuario medio?
05:58
How do you know that
you've liked something
you've liked something
158
346399
2048
¿Cómo saber que uno
dio un "me gusta"
dio un "me gusta"
06:00
that indicates a trait for you
159
348447
1492
que indica un rasgo propio
06:01
that's totally irrelevant to the
content of what you've liked?
content of what you've liked?
160
349939
3545
totalmente irrelevante al
contexto del "me gusta"?
contexto del "me gusta"?
06:05
There's a lot of power that users don't have
161
353484
2546
Los usuarios no tienen demasiado poder
06:08
to control how this data is used.
162
356030
2230
para controlar el uso de estos datos.
06:10
And I see that as a real
problem going forward.
problem going forward.
163
358260
3112
Y veo eso como un verdadero
problema en el futuro.
problema en el futuro.
06:13
So I think there's a couple paths
164
361372
1977
Por eso creo que hay
un par de caminos
un par de caminos
06:15
that we want to look at
165
363349
1001
a mirar
06:16
if we want to give users some control
166
364350
1910
si queremos darle a los
usuarios algo de control
usuarios algo de control
06:18
over how this data is used,
167
366260
1740
sobre cómo se usan estos datos,
06:20
because it's not always going to be used
168
368000
1940
porque no siempre se van a usar
06:21
for their benefit.
169
369940
1381
en su beneficio.
06:23
An example I often give is that,
170
371321
1422
Un ejemplo que doy
a menudo es que,
a menudo es que,
06:24
if I ever get bored being a professor,
171
372743
1646
si alguna vez me aburro
de ser profesora,
de ser profesora,
06:26
I'm going to go start a company
172
374389
1653
fundaré una empresa
06:28
that predicts all of these attributes
173
376042
1454
que prediga todos estos atributos
06:29
and things like how well you work in teams
174
377496
1602
y cosas como cuán bien
uno trabaja en equipo,
uno trabaja en equipo,
06:31
and if you're a drug user, if you're an alcoholic.
175
379098
2671
o si uno es drogadicto,
o alcohólico.
o alcohólico.
06:33
We know how to predict all that.
176
381769
1440
Sabemos cómo predecir eso.
06:35
And I'm going to sell reports
177
383209
1761
Y le venderé informes
06:36
to H.R. companies and big businesses
178
384970
2100
a empresas de RR.HH.
y a grandes empresas
y a grandes empresas
06:39
that want to hire you.
179
387070
2273
que quieran contratarlos.
06:41
We totally can do that now.
180
389343
1177
Hoy, podemos hacerlo.
06:42
I could start that business tomorrow,
181
390520
1788
Podría lanzar esa empresa mañana,
06:44
and you would have
absolutely no control
absolutely no control
182
392308
2052
y Uds. no tendrían ningún control
06:46
over me using your data like that.
183
394360
2138
para que no use sus datos de esa forma.
06:48
That seems to me to be a problem.
184
396498
2292
Eso me parece que es un problema.
06:50
So one of the paths we can go down
185
398790
1910
Por eso podemos
transitar las vías
transitar las vías
06:52
is the policy and law path.
186
400700
2032
políticas y legales.
06:54
And in some respects, I think
that that would be most effective,
that that would be most effective,
187
402732
3046
En algunos aspectos,
creo que sería más eficaz
creo que sería más eficaz
06:57
but the problem is we'd
actually have to do it.
actually have to do it.
188
405778
2756
pero el problema es
que deberíamos hacerlo.
que deberíamos hacerlo.
07:00
Observing our political process in action
189
408534
2780
Al observar nuestro proceso
político en acción
político en acción
07:03
makes me think it's highly unlikely
190
411314
2379
pienso que es muy poco probable
07:05
that we're going to get a bunch of representatives
191
413693
1597
conseguir que un grupo
de representantes
de representantes
07:07
to sit down, learn about this,
192
415290
1986
se siente,
se documenten al respecto,
se documenten al respecto,
07:09
and then enact sweeping changes
193
417276
2106
y luego promulguen
cambios radicales
cambios radicales
07:11
to intellectual property law in the U.S.
194
419382
2157
a la ley de propiedad
intelectual de EE.UU.
intelectual de EE.UU.
07:13
so users control their data.
195
421539
2461
para que los usuarios
controlen sus datos.
controlen sus datos.
07:16
We could go the policy route,
196
424000
1304
Podríamos ir por las políticas,
07:17
where social media companies say,
197
425304
1479
las empresas de medios sociales dicen
07:18
you know what? You own your data.
198
426783
1402
¿Sabes? Eres dueño de tus datos.
07:20
You have total control over how it's used.
199
428185
2489
Tienes total control
de cómo se usan.
de cómo se usan.
07:22
The problem is that the revenue models
200
430674
1848
El problema es que los
modelos de ingresos
modelos de ingresos
07:24
for most social media companies
201
432522
1724
de la mayoría de las empresas
de medios sociales
de medios sociales
07:26
rely on sharing or exploiting
users' data in some way.
users' data in some way.
202
434246
4031
dependen de compartir o explotar los
datos de usuario de alguna manera.
datos de usuario de alguna manera.
07:30
It's sometimes said of Facebook that the users
203
438277
1833
A veces se dice de Facebook
que los usuarios
que los usuarios
07:32
aren't the customer, they're the product.
204
440110
2528
no son el cliente,
sino el producto.
sino el producto.
07:34
And so how do you get a company
205
442638
2714
Entonces, ¿cómo hacer
que una empresa
que una empresa
07:37
to cede control of their main asset
206
445352
2558
le ceda el control de
su activo principal
su activo principal
07:39
back to the users?
207
447910
1249
nuevamente a los usuarios?
07:41
It's possible, but I don't think it's something
208
449159
1701
Es posible, pero no creo
que sea algo
que sea algo
07:42
that we're going to see change quickly.
209
450860
2320
que veamos
cambiar rápidamente.
cambiar rápidamente.
07:45
So I think the other path
210
453180
1500
Por eso creo que la otra vía
07:46
that we can go down that's
going to be more effective
going to be more effective
211
454680
2288
que podemos transitar es
la de ser más eficaces,
la de ser más eficaces,
07:48
is one of more science.
212
456968
1508
la de aplicar más ciencia.
07:50
It's doing science that allowed us to develop
213
458476
2510
La de hacer más ciencia
que nos permita desarrollar
que nos permita desarrollar
07:52
all these mechanisms for computing
214
460986
1750
todos estos mecanismos para calcular
07:54
this personal data in the first place.
215
462736
2052
estos datos personales en primer lugar.
07:56
And it's actually very similar research
216
464788
2106
Es una investigación muy similar
07:58
that we'd have to do
217
466894
1438
a la que deberíamos hacer
08:00
if we want to develop mechanisms
218
468332
2386
si quisiéramos desarrollar mecanismos
08:02
that can say to a user,
219
470718
1421
que le digan al usuario:
08:04
"Here's the risk of that action you just took."
220
472139
2229
"Este es el riesgo de la acción
que acabas de hacer".
que acabas de hacer".
08:06
By liking that Facebook page,
221
474368
2080
Al darle "me gusta"
a esa página en Facebook,
a esa página en Facebook,
08:08
or by sharing this piece of personal information,
222
476448
2535
o al compartir esa
información personal,
información personal,
08:10
you've now improved my ability
223
478983
1502
mejoraste mi capacidad
08:12
to predict whether or not you're using drugs
224
480485
2086
de predecir si usas drogas
08:14
or whether or not you get
along well in the workplace.
along well in the workplace.
225
482571
2862
o si te llevas bien
en el trabajo.
en el trabajo.
08:17
And that, I think, can affect whether or not
226
485433
1848
Y eso, creo, puede afectar que
08:19
people want to share something,
227
487281
1510
las personas quieran
compartir algo,
compartir algo,
08:20
keep it private, or just keep it offline altogether.
228
488791
3239
mantenerlo privado,
o desconectado por completo.
o desconectado por completo.
08:24
We can also look at things like
229
492030
1563
También podemos ver cosas como
08:25
allowing people to encrypt data that they upload,
230
493593
2728
permitirle a las personas
cifrar los datos que suben,
cifrar los datos que suben,
08:28
so it's kind of invisible and worthless
231
496321
1855
para que sean invisibles
o sin valor
o sin valor
08:30
to sites like Facebook
232
498176
1431
para sitios como Facebook
08:31
or third party services that access it,
233
499607
2629
o servicios de terceros
que los acceden
que los acceden
08:34
but that select users who the person who posted it
234
502236
3247
pero que los usuarios
que la persona seleccionó
que la persona seleccionó
08:37
want to see it have access to see it.
235
505483
2670
puedan verlos.
08:40
This is all super exciting research
236
508153
2166
Esta es una investigación
súper interesante
súper interesante
08:42
from an intellectual perspective,
237
510319
1620
desde el punto de
vista intelectual,
vista intelectual,
08:43
and so scientists are going to be willing to do it.
238
511939
1859
de modo que los científicos
estarán encantados de hacerla.
estarán encantados de hacerla.
08:45
So that gives us an advantage over the law side.
239
513798
3610
Eso nos da una ventaja
sobre la vía legal.
sobre la vía legal.
08:49
One of the problems that people bring up
240
517408
1725
Uno de los problemas que surgen
08:51
when I talk about this is, they say,
241
519133
1595
cuando hablo de esto
08:52
you know, if people start
keeping all this data private,
keeping all this data private,
242
520728
2646
es que si las personas empiezan
a mantener estos datos privados
a mantener estos datos privados
08:55
all those methods that you've been developing
243
523374
2113
todos esos métodos desarrollados
08:57
to predict their traits are going to fail.
244
525487
2653
para predecir sus rasgos fallarán.
09:00
And I say, absolutely, and for me, that's success,
245
528140
3520
Y yo digo que para mí
es un éxito total,
es un éxito total,
09:03
because as a scientist,
246
531660
1786
porque como científica,
09:05
my goal is not to infer information about users,
247
533446
3688
mi objetivo no es inferir
información de los usuarios,
información de los usuarios,
09:09
it's to improve the way people interact online.
248
537134
2767
sino mejorar la interacción
de las personas en línea.
de las personas en línea.
09:11
And sometimes that involves
inferring things about them,
inferring things about them,
249
539901
3218
A veces, eso implica inferir
cosas sobre ellos,
cosas sobre ellos,
09:15
but if users don't want me to use that data,
250
543119
3022
pero si los usuarios no quieren
que use esos datos,
que use esos datos,
09:18
I think they should have the right to do that.
251
546141
2038
creo que deberían tener
el derecho a pedirlo.
el derecho a pedirlo.
09:20
I want users to be informed and consenting
252
548179
2651
Quiero usuarios informados, que aprueben
09:22
users of the tools that we develop.
253
550830
2112
las herramientas que desarrollamos.
09:24
And so I think encouraging this kind of science
254
552942
2952
Por eso creo que incentivar
este tipo de ciencia
este tipo de ciencia
09:27
and supporting researchers
255
555894
1346
y apoyar a los investigadores
09:29
who want to cede some of that control back to users
256
557240
3023
que quieran ceder algo del control
nuevamente a los usuarios
nuevamente a los usuarios
09:32
and away from the social media companies
257
560263
2311
y quitárselo a las empresas
de medios sociales
de medios sociales
09:34
means that going forward, as these tools evolve
258
562574
2671
implica avanzar, y que esas
herramientas evolucionen
herramientas evolucionen
09:37
and advance,
259
565245
1476
y avancen,
09:38
means that we're going to have an educated
260
566721
1414
significa que tendremos
una base de usuarios
una base de usuarios
09:40
and empowered user base,
261
568135
1694
educados y con poder.
09:41
and I think all of us can agree
262
569829
1100
Y creo que todos estamos de acuerdo
09:42
that that's a pretty ideal way to go forward.
263
570929
2564
en que es una manera
bastante ideal de avanzar.
bastante ideal de avanzar.
09:45
Thank you.
264
573493
2184
Gracias.
09:47
(Applause)
265
575677
3080
(Aplausos)
ABOUT THE SPEAKER
Jennifer Golbeck - Computer scientistAs the director of the Human-Computer Interaction Lab at the University of Maryland, Jennifer Golbeck studies how people use social media -- and thinks about ways to improve their interactions.
Why you should listen
Jennifer Golbeck is an associate professor in the College of Information Studies at the University of Maryland, where she also moonlights in the department of computer science. Her work invariably focuses on how to enhance and improve the way that people interact with their own information online. "I approach this from a computer science perspective and my general research hits social networks, trust, web science, artificial intelligence, and human-computer interaction," she writes.
Author of the 2013 book, Analyzing the Social Web, Golbeck likes nothing more than to immerse herself in the inner workings of the Internet tools so many millions of people use daily, to understand the implications of our choices and actions. Recently, she has also been working to bring human-computer interaction ideas to the world of security and privacy systems.
Jennifer Golbeck | Speaker | TED.com