ABOUT THE SPEAKER
Jean-Baptiste Michel - Data researcher
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world.

Why you should listen

Jean-Baptiste Michel holds joint academic appointments at Harvard (FQEB Fellow) and Google (Visiting Faculty). His research focusses on using large volumes of data as tools that help better understand the world around us -- from the way diseases progress in patients over years, to the way cultures change in human societies over centuries. With his colleague Erez Lieberman Aiden, Jean-Baptiste is a Founding Director of Harvard's Cultural Observatory, where their research team pioneers the use of quantitative methods for the study of human culture, language and history. His research was featured on the covers of Science and Nature, on the front pages of the New York Times and the Boston Globe, in The Economist, Wired and many other venues. The online tool he helped create -- ngrams.googlelabs.com -- was used millions of times to browse cultural trends. Jean-Baptiste is an Engineer from Ecole Polytechnique (Paris), and holds an MS in Applied Mathematics and a PhD in Systems Biology from Harvard.

More profile about the speaker
Jean-Baptiste Michel | Speaker | TED.com
TED2012

Jean-Baptiste Michel: The mathematics of history

ཅེན་རྦེབ་ཕི་ཊིས་སི་ཊིས་མེ་ཁིལ།ལོ་རྒྱས་ཀྱི་གྲངས་རིག

Filmed:
1,279,350 views

གྲངས་རིག་གིས་ལོ་རྒྱུས་ཀྱི་སྐོར་ཅི་ཞིག་བཤད་ཐུབ་ཀྱི་རེད།ཊེ་ཌིའི་དམིགས་བསལ་སློབ་གཉེར་བ་ཅེན་ལ་མཚོན་ན་གྲངས་རིག་གིས་ལོ་རྒྱུས་སྐོར་མང་པོ་ཞིག་བརྗོད་ཐུབ་ཀྱི་འདུག།གྲངས་རིག་གིས་སྐད་ཡིག་གི་འགྱུར་ལྡོག་ནས།དམག་འཁྲུག་གི་དབར་གྱི་གནད་དོན་མང་དག་ཅིག་བཤད་ཐུབ་ཀྱི་ཡོད།ཨང་གྲངས་ཀྱིས་བསྟན་པའི་ལོ་རྒྱུས་ཀྱིས་ལོ་རྒྱུས་ཀྱི་གཏིང་རིམ་ཇི་ལྟར་ཕྱི་ལ་མངོན་གྱི་ཡོད་མེད་གསལ་བོར་བསྟན་ཡོད།
- Data researcher
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bio

Double-click the English transcript below to play the video.

00:15
So it turns out that mathematics is a very powerful language.
0
0
3671
གྲངས་རིག་དེ་ཤིན་ཏུ་ནུས་པ་ཆེ་བའི་སྐད་བརྡ་ཞིག་ཡིན།
00:19
It has generated considerable insight in physics,
1
3671
2312
དངོས་ལུགས་དང་སྐྱེ་དངོས། དཔལ་འབྱོར་རིག་པའི་ཕྱོགས་འགྲེལ་པའི་ཚེ།
00:21
in biology and economics,
2
5983
2100
དེ་ལ་རང་ཆས་སུ་གྲུབ་པའི་མཐུ་ཁྱད་པར་བ་ཞིག་ཡོད།
00:23
but not that much in the humanities and in history.
3
8083
2817
འོན་ཀྱང་ལོ་རྒྱུས་སོགས་མི་ཆོས་རིག་ཚན་དག་ལ་འགྲེལ་ཁག་པོ་ཡོད་པ་རེད།
00:26
I think there's a belief that it's just impossible,
4
10900
2283
མི་ཁ་ཤས་ཀྱིས་མི་ཆོས་རིག་ཚན་ཁག་ལ་གྲངས་རིག་གིས་འགྲེལ་རྒྱག་མི་ཐུབ་སྙམ་ཡོད་དེ།
00:29
that you cannot quantify the doings of mankind,
5
13183
2646
དེས་མིའི་བྱ་བྱེད་དང་
00:31
that you cannot measure history.
6
15829
2519
ལོ་རྒྱུས་ལ་ཚད་གཞལ་ཐབས་མེད་པར་འདོད་ཡོད།
00:34
But I don't think that's right.
7
18348
1527
ཡིན་ཡང་། ཁོ་བོས་དེ་འདྲ་བསམ་གྱི་མེད།
00:35
I want to show you a couple of examples why.
8
19875
2042
ངས་ཚང་མར་ལྡོག་ཕྱོགས་ཀྱི་དཔེ་འགའ་འདྲེན།
00:37
So my collaborator Erez and I were considering the following fact:
9
21917
2958
ངའི་མཉམ་ལས་རོཊ་པErezདང་ངེད་གཉིས་ཀྱིས་གཤམ་གྱི་དོན་དག་ལ་བསམ་བློ་བཏང་པ་ཡིན།
00:40
that two kings separated by centuries
10
24875
2729
དོན་དག་གང་ཡིན་ཟེར་ན། དུས་རབས་མི་གཅིག་པའི་རྒྱལ་པོ་གཉིས་ཀྱིས་
00:43
will speak a very different language.
11
27604
1767
སྐད་རིགས་མི་འདྲ་བའི་ལམ་ནས་ཁ་བརྡ་བྱེད་ཅིང་།
00:45
That's a powerful historical force.
12
29371
2304
འདི་ལ་ལོ་རྒྱུས་ཀྱི་ནུས་མཐུ་ཤིན་ཏུ་ཆེན་པོ་ཞིག་ཡོད།
00:47
So the king of England, Alfred the Great,
13
31675
1773
བྱས་ཙང་། ཨིན་ཇིའི་རྒྱལ་པོ་ཨལ་ཧྥོ་ཌིར་ཡིས་
00:49
will use a vocabulary and grammar
14
33448
1640
བརྡ་སྤྲོད་དང་ཐ་སྙད་རིགས་ཤིག་སྤྱོད་སྲིད་ཅིང་།
00:50
that is quite different from the king of hip hop, Jay-Z.
15
35088
3700
དེ་ནིhip hopཡི་རྒྱལ་པོJay-Zཡིས་སྤྱོད་པའི་བརྡ་སྤྲོད་དང་ཐ་སྙད་དང་རྦད་དེ་འདྲ་གི་མ་རེད།
00:54
(Laughter)
16
38788
1666
༼དགོད་སྒྲ༽
00:56
Now it's just the way it is.
17
40454
2171
ངོ་མ་དེ་དེ་འདྲ་ཞིག་རེད།
00:58
Language changes over time, and it's a powerful force.
18
42625
2292
སྐད་ཆ་ནི་དུས་དང་བསྟུན་ནས་འགྱུར་ཅིང་། བྱེད་ནུས་ཤིན་ཏུ་ཆེན་པོ་ཡོད།
01:00
So Erez and I wanted to know more about that.
19
44917
2287
དེ་བསErezདང་ངེད་གཉིས་ཀྱིས་སྐད་ཆའི་ལོ་རྒྱུས་སྐོར་མང་ཙམ་ཤེས་འདོད་བྱུང་།
01:03
So we paid attention to a particular grammatical rule, past-tense conjugation.
20
47204
3657
ངེད་གཉིས་ཀྱིས་བྱ་ཚིག་ལས་དུས་འདས་པའི་སྲོལ་དེ་ལ་ཞིབ་འཇུག་བྱས་པ་ཡིན།
01:06
So you just add "ed" to a verb at the end to signify the past.
21
50861
3264
མི་ཚོས་བྱ་ཚིག་གི་གི་རྗེས་ལ“ed”སྦྱར་ནས་དུས་འདས་པ་མཚོན་གྱི་ཡོད་པ་རེད།
01:10
"Today I walk. Yesterday I walked."
22
54125
1927
ཆགས་བཞག་ན། “Today i walk”དེ་རིང་ང་ལམ་ལ་བགྲོད།“Yesterday I walked”ཁ་སང་ང་ལམ་ལ་ཕྱིན།
01:11
But some verbs are irregular.
23
56052
1344
བྱ་ཚིག་ལ་ཤས་ཀྱི་གཟུགས་འགྱུར་བ་ལ་ཆོས་ཉིད་མེད་པ་ཡིན།
01:13
"Yesterday I thought."
24
57396
1396
དཔེར་ན། “Yesterday I thought”ཁ་སང་ངས་བསམས།
01:14
Now what's interesting about that
25
58792
1666
འདི་ལས་མཐོང་ཐུབ་པའི་སྣང་ཚུལ་མཚར་བོ་ཞིག་ནི།
01:16
is irregular verbs between Alfred and Jay-Z have become more regular.
26
60458
3830
AlfredདངJay-Zརྣམ་གཉིས་ཀྱི་བར་སྐབས་སུ་གཟུགས་འགྱུར་བའི་བྱ་ཚིག་དག་གཟུགས་མི་འགྱུར་བར་གྱུར་ཡོད།
01:20
Like the verb "to wed" that you see here has become regular.
27
64288
2735
དཔེར་ན། འདིར་བཀོད་ཡོད་པའི་་"to wed"༼གཉེན་བསྒྲིག༽་ལྟ་བུ་གཟུགས་མི་འགྱུར་བར་གྱུར་ཡོད།
01:22
So Erez and I followed the fate of over 100 irregular verbs
28
67023
4022
དེ་བསErezདང་ངེད་གཉིས་ཀྱིས་དུས་རབས12རིང་གི་ཨིན་སྐད་ནང་གི་
01:26
through 12 centuries of English language,
29
71045
1919
གཟུཊ་འགྱུར་བྱ་ཚིག100ལྷག་གི་འགྱུར་བར་ཉམས་ཞིབ་བྱས་པ་ཡིན།
01:28
and we saw that there's actually a very simple mathematical pattern
30
72964
2911
ངེད་གཉིས་ཀྱིས་འགྱུར་བ་དེ་དག་གི་ཁྲོད་ཆེས་སྟབས་བདེ་བའི་གྲངས་རིག་གི་ཆོས་ཉིད་ཅིག་གིས་
01:31
that captures this complex historical change,
31
75875
2542
ཆེས་རྙོག་འཛིང་གི་ལོ་རྒྱུས་ཀྱི་འགྱུར་བ་མངོན་ཡོད་པ་རྟོགས།
01:34
namely, if a verb is 100 times more frequent than another,
32
78417
3660
ཆོས་ཉིད་དེ་ནི། བྱ་ཚིག་ཅིག་བྱ་ཚིག་གཞན་ལས་ལྡབ100ཡིས་སྤྱོད་སྒོ་ཆེ་ན།
01:37
it regularizes 10 times slower.
33
82077
2665
དེ་ཉིད་གཟུགས་མི་འགྱུར་བའི་བྱ་ཚིག་ཏུ་འགྱུར་བའི་འགྲོས་ལྡབ10ཡིས་ཇེ་དལ་དུ་འགྲོ
01:40
That's a piece of history, but it comes in a mathematical wrapping.
34
84742
3935
དེ་ནི་ལོ་རྒྱུས་ཀྱི་དོན་དག་ཞིག་རེད། འོན་ཀྱང་གྲངས་རིག་གི་རྣམ་པ་ལྟར་མངོན་འོངས།
01:44
Now in some cases math can even help explain,
35
88677
3654
སྐབས་ལ་ལར། གྲངས་རིག་གིས་གནད་ཅིག་འགྲེལ་བཤད་ལ་ལྷག་པར་རོགས་རམ་ཐུབ།
01:48
or propose explanations for, historical forces.
36
92331
2879
ཡང་ན། ལོ་རྒྱུས་ཀྱི་སྒུལ་ཤུགས་ཤིག་ལ་སྔར་བས་གསལ་བཤད་རྒྱག་ཐུབ།
01:51
So here Steve Pinker and I
37
95210
1832
དེ་བས་Steve Pinkerདང་ངེད་གཉིས་ཀྱིས་
01:52
were considering the magnitude of wars during the last two centuries.
38
97042
3852
འདས་ཟིན་པའི་དུས་རབས་གཉིས་རིང་གི་དམག་འཁྲུག་གི་ཡ་ང་བའི་ཚད་ལ་བསམ་གཞིགས་བྱས་པ་ཡིན།
01:56
There's actually a well-known regularity to them
39
100894
2495
དོན་དངོས་སུ། དེ་ལའང་ཚང་མས་ཤེས་པའི་ཆོས་ཉིད་ཅིག་ཡོད།
01:59
where the number of wars that are 100 times deadlier
40
103389
3422
དེ་ནི་བསད་རྨས་ཐེབས་པ་ལྡབ་100ཡིས་མང་བའི་དམག་འཁྲུག་དེ་
02:02
is 10 times smaller.
41
106811
1952
བསད་རྨས་ཐེབས་པ་དེ་ལས་ཉུང་བའི་དམག་འཁྲུག་ལས་བཅུ་ཆ་གཅིག་རེད།
02:04
So there are 30 wars that are about as deadly as the Six Days War,
42
108763
3344
དེས་ན་༼ཨ་རབ་དང་ཨི་སི་རེལ་གྱི་ཉིན་དྲུག་གི་དམག་འཁྲུག༽ཁྲོད་བསད་རྨས་ཐེབས་པའི་གྲངས་་དེ་དམག་འཁྲུག་གཞན་30དང་འདྲ་བོ་ཡོད།
02:08
but there's only four wars that are 100 times deadlier --
43
112107
2820
འོན་ཀྱང་བསད་རྨས་ཐེབས་པ་ལྡབ100ལས་མང་བའི་དམག་འཁྲུག་ཐེངས་བཞི་མ་གཏོགས་བྱུང་མྱོང་མེད།
02:10
like World War I.
44
114927
1977
དཔེར་ན། འཛམ་གླིང་འཁྲུག་ཆེན་དང་པོ་རེད།
02:12
So what kind of historical mechanism can produce that?
45
116904
2923
འཁྲུག་ཆེན་འདི་དག་གནས་ཚུལ་ཇི་འདྲ་ཞིག་ལ་རྐྱེན་བྱས་ནས་བྱུང་བ་ཡིན་ནམ།
02:15
What's the origin of this?
46
119827
2000
དེའི་གདོད་མའི་འབྱུང་རྐྱེན་དེ་ཅི་ཞིག་རེད།
02:17
So Steve and I, through mathematical analysis,
47
121827
2265
གྲོགསSteveདང་ངེད་གཉིས་ནས་གྲངས་རིག་གི་དབྱེ་ཞིབ་བྱས་པ་བརྒྱུད།
02:19
propose that there's actually a very simple phenomenon at the root of this,
48
124092
4241
དོན་དམ་པར་དེ་དག་བྱུང་བར་ཆེས་སླ་བའི་སྣང་ཚུལ་ཞིག་གིས་རྐྱེན་བྱས་འདུག་ཏེ།
02:24
which lies in our brains.
49
128333
1690
སྣང་ཚུལ་དེ་ནི་ང་ཚོའི་བསམ་པར་རག་ལས་འདུག
02:25
This is a very well-known feature
50
130023
2019
འདི་ནི་ཀུན་གྱིས་ཤེས་པའི་ཁྱད་ཆོས་ཤིག་རེད།
02:27
in which we perceive quantities in relative ways --
51
132042
2975
གྲངས་འབོར་དག་ནི་ལྟོས་བཅས་སུ་གྲུབ་པ་སྟེ།
02:30
quantities like the intensity of light or the loudness of a sound.
52
135017
3716
འོད་ཀྱི་བཀྲག་ཚད་དང་སྒྲ་ཡི་མཐོ་དམའ་ལྟར་ལྟོས་བཅས་རེད།
02:34
For instance, committing 10,000 soldiers to the next battle sounds like a lot.
53
138733
5309
དཔེར་ན། དམག་མི་ཁྲི་གཅིག་གཡུལ་འཁྲུག་ཞིག་ཏུ་གཏོང་བ་ནི་ཤིན་ཏུ་མང་བར་བསམ།
02:39
It's relatively enormous if you've already committed 1,000 soldiers previously.
54
144042
3444
ལྷག་པར་ཐེངས་སྔོན་མར་དམག་མི་སྟོང་གཅིག་ལས་མངགས་མེད་པ་ཡིན་ན།
02:43
But it doesn't sound so much,
55
147486
1827
འོན་ཀྱང་། གྲངས་འབོར་དེ་ཡང་མང་པོ་ཞིག་ཏུ་སྙམ་པར་མི་བྱེད་པར།
02:45
it's not relatively enough, it won't make a difference
56
149313
3020
དེས་མི་འདང་བ་དང་འགྱུར་བ་ཞིག་ཐོན་མི་སྲིད་པར་སྙམ་སྲིད།
02:48
if you've already committed 100,000 soldiers previously.
57
152333
2952
གལ་ཏེ། དམག་མི་ཁྲི་བཅུ་སྔོན་མ་ནས་གཡུལ་སར་མངགས་ཡོད་པ་ཡིན་ན།
02:51
So you see that because of the way we perceive quantities,
58
155285
3613
ལྟོས་དང་། ང་ཚོས་གྲངས་འབོར་མཚུངས་པ་ཞིག་ལ་བལྟ་སྟངས་འདྲ་ཡི་མི་འདུག
02:54
as the war drags on,
59
158898
1767
གཡུལ་འཁྲུག་རྒྱུན་བསྐྱངས་པ་དང་དུས་མཚུངས་སུ་
02:56
the number of soldiers committed to it and the casualties
60
160665
3085
དམག་མི་གཡུལ་ལ་ཞུགས་པ་དང་ཤི་རྨས་ཐེབས་གྲངས་དེ་
02:59
will increase not linearly --
61
163750
1683
དལ་འགྲོས་ཀྱིས་ཇེ་མཐོར་འགྲོ་བ་མིན་པར།
03:01
like 10,000, 11,000, 12,000 --
62
165433
1888
དཔེར་ན། 10000ནས11000དང་། དེ་ནས12000ལྟར་འགྲོ་བ་མིན་པར།
03:03
but exponentially -- 10,000, later 20,000, later 40,000.
63
167321
4275
མྱུར་འགྲོས་ཀྱིས10000ནས20000དང་། དེ་ནས་ཡང་40000ལྟར་སྟོད་པར་བྱེད།
03:07
And so that explains this pattern that we've seen before.
64
171596
3085
འདིས་ཏག་ཏག་ང་ཚོས་ད་སྔོན་མཐོང་བའི་ཆོས་ཉིད་དེ་འགྲེལ་བཤད་བྱས་ཡོད།
03:10
So here mathematics is able to link a well-known feature of the individual mind
65
174681
5498
དེས་ན་གྲངས་རིག་གིས་སྒེར་གྱི་རང་རིག་གི་ཁྱད་ཆོས་ཀུན་གྱིས་རྟོགས་པ་གང་དེ་
03:16
with a long-term historical pattern
66
180179
2989
རྒྱུན་རིང་བའི་ལོ་རྒྱུས་ཀྱི་ཆོས་ཉིད་
03:19
that unfolds over centuries and across continents.
67
183168
2857
དུས་རབས་འགའ་དང་གླིང་ཆེན་དག་གི་ཁྲོད་མ་ཤེས་པ་གང་ཞིག་དང་སྦྲེལ་བར་བྱེད།
03:21
So these types of examples, today there are just a few of them,
68
186025
4017
མིག་སྔར། དཔེར་བརྗོད་འདི་དག་ལས་མེད་ན་ཡང་།(གྲངས་རྩིས་ཀྱི་ལོ་རྒྱུས་འགྲེལ་བའི)
03:25
but I think in the next decade they will become commonplace.
69
190042
2689
ཁོ་བོས་བསམ་ན། མ་འོངས་པའི་བགྲང་བྱ་བཅུ་ལྷག་རིང་འདི་དག་འཐུས་ཚང་བར་འགྱུར་ངེས།
03:28
The reason for that is that the historical record
70
192731
2392
འདིའི་རྒྱུ་མཚན་ནི། ལོ་རྒྱུས་ཀྱི་བྱུང་བ་བཀོད་པ་དག་
03:31
is becoming digitized at a very fast pace.
71
195123
2460
ད་ནི་ཆེས་མྱུར་མོས་ངང་གྲངས་རྩིས་ཅན་ཏུ་འགྱུར་གྱིན་ཡོད།
03:33
So there's about 130 million books
72
197583
2610
སྔ་མོ་དཔལ་ཡོན་དར་བ་ནས་བཟུང་སྟེ་ཡི་གེ་བྲིས་པ་ལ་
03:36
that have been written since the dawn of time.
73
200193
2311
ད་ལྟ་མིའི་རིགས་ཀྱིས་དེབ་ཐེར་དུང་ཕྱུར་13ཙམ་ཞིག་བྲིས་ཚར་ཡོད་ཅིང་།
03:38
Companies like Google have digitized many of them --
74
202504
2454
དེ་ལས་མང་པོ་ཞིགGoogleལྟ་བུའི་བཟོ་གྲྭས་གྲངས་རྩིས་ཅན་ཏུ་བསྒྱུར་ཚར་ཡོད་པ་ལྟ་བུ་རེད།
03:40
above 20 million actually.
75
204958
1584
ཧ་ལམ་དུང་ཕྱུར2ཙམ་བསྒྱུར་ཚར་ཡོད་པ་རེད།
03:42
And when the stuff of history is available in digital form,
76
206542
3578
དེས་ན་ལོ་རྒྱུས་ཀྱི་བྱུང་བ་མཐའ་དག་གྲངས་རྩིས་ཀྱི་རྣམ་པས་བཀོད་ཚར་ཡོད་དུས་སུ།
03:46
it makes it possible for a mathematical analysis
77
210120
2380
གྲངས་རིག་གིས་དབྱེ་ཞིབ་བྱེད་པར་མཐུན་རྐྱེན་བཟོས་ཡོད་པ་ཡིན།
03:48
to very quickly and very conveniently
78
212500
2375
ཆེས་མྱུར་མོ་དང་སྟབས་བདེ་མོས་ངང་
03:50
review trends in our history and our culture.
79
214875
2725
ང་ཚོའི་ལོ་རྒྱུས་དང་རིག་གནས་ཁྲོད་ཀྱི་འཕེལ་རིམ་ལ་བལྟས་ཆོག་པ་ཡིན།
03:53
So I think in the next decade,
80
217600
2721
དེ་བས་ཁོ་བོའི་བསམ་པར། མ་འོངས་པའི་ལོ་བཅུ་ལྷག་གི་ནང་།
03:56
the sciences and the humanities will come closer together
81
220321
2750
ཚན་རིག་དང་མིའི་རིགས་སྔར་བས་དམ་ཟབ་ཏུ་ཕྱིན་ཏེ།
03:58
to be able to answer deep questions about mankind.
82
223071
3329
འགྲོ་བ་མིའི་སྐོར་གྱི་ཟབ་ཅིང་དཀའ་བའི་དྲི་བ་དག་ལ་ལན་གདབ་ཐུབ་པར་བསམ་ཞིང་
04:02
And I think that mathematics will be a very powerful language to do that.
83
226400
4121
དེ་ལྟར་འགྲེལ་རྒྱག་པར་ཨང་རྩིས་ནི་ཆེས་ཤིན་ཏུ་ནུས་པ་ལྡན་པའི་སྐད་རིགས་ཤིག་རེད་འདོད།
04:06
It will be able to reveal new trends in our history,
84
230521
3146
དེས་ང་ཚོའི་ལོ་རྒྱུས་ཁྲོད་ཀྱི་འཕེལ་རིམ་གསར་བ་སྟོན་པར་བྱེད་སྲིད་ལ།
04:09
sometimes to explain them,
85
233667
1750
ལན་རེར་དེ་དག་ལ་འགྲེལ་བཤད་དང་།
04:11
and maybe even in the future to predict what's going to happen.
86
235417
3306
ཐ་ན་མ་འོངས་པར་ཅི་ཞིག་འབྱུང་སྲིད་པའི་སྔོན་དཔག་ཀྱང་བྱེད་ཐུབ་སྲིད།
04:14
Thank you very much.
87
238723
1491
ཐུགས་རྗེ་ཆེ།།
04:16
(Applause)
88
240214
3678
༼ཐལ་མོ་རྡེབ་སྒྲ༽
Translated by Tsering Tashi Yusea
Reviewed by choegyal kyab

▲Back to top

ABOUT THE SPEAKER
Jean-Baptiste Michel - Data researcher
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world.

Why you should listen

Jean-Baptiste Michel holds joint academic appointments at Harvard (FQEB Fellow) and Google (Visiting Faculty). His research focusses on using large volumes of data as tools that help better understand the world around us -- from the way diseases progress in patients over years, to the way cultures change in human societies over centuries. With his colleague Erez Lieberman Aiden, Jean-Baptiste is a Founding Director of Harvard's Cultural Observatory, where their research team pioneers the use of quantitative methods for the study of human culture, language and history. His research was featured on the covers of Science and Nature, on the front pages of the New York Times and the Boston Globe, in The Economist, Wired and many other venues. The online tool he helped create -- ngrams.googlelabs.com -- was used millions of times to browse cultural trends. Jean-Baptiste is an Engineer from Ecole Polytechnique (Paris), and holds an MS in Applied Mathematics and a PhD in Systems Biology from Harvard.

More profile about the speaker
Jean-Baptiste Michel | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee