TEDxBoston 2011
Jean-Baptiste Michel + Erez Lieberman Aiden: What we learned from 5 million books
Čemu jsme se naučili z 5 milionů knih
Filmed:
Readability: 3.9
2,049,453 views
Zkoušeli jste někdy Google Labs´ Ngram Viewer? Je to návykový nástroj, který Vás nechá vyhledávat slova a nápady v databázi 5 miliónů knih napříč stoletími. Erez Lieberman Aiden a Jean-Baptiste Michel nám ukazuje, jak funguje, a pár pěkných vychytávek, které můžeme z 500 biliónů slov vyčíst.
Jean-Baptiste Michel - Data researcher
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bioErez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ... Full bio
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bioErez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ... Full bio
Double-click the English transcript below to play the video.
00:15
Erez Lieberman Aiden: Everyone knows
0
0
2000
Erez Lieberman Aiden: Každý ví,
00:17
that a picture is worth a thousand words.
1
2000
3000
že jeden obraz vydá za tisíc slov.
00:22
But we at Harvard
2
7000
2000
My na Harvardu
00:24
were wondering if this was really true.
3
9000
3000
jsme si to chtěli ověřit.
00:27
(Laughter)
4
12000
2000
(smích)
00:29
So we assembled a team of experts,
5
14000
4000
A tak jsme dali dohromady tým expertů
00:33
spanning Harvard, MIT,
6
18000
2000
z Harvardu, MIT,
00:35
The American Heritage Dictionary, The Encyclopedia Britannica
7
20000
3000
The American Heritage Dictionary, The Encyclopedia Britannica
00:38
and even our proud sponsors,
8
23000
2000
a dokonce i našeho hrdého sponzora,
00:40
the Google.
9
25000
3000
Google.
00:43
And we cogitated about this
10
28000
2000
A bádali jsme
00:45
for about four years.
11
30000
2000
4 roky.
00:47
And we came to a startling conclusion.
12
32000
5000
A přišli jsme na překvapující závěr.
00:52
Ladies and gentlemen, a picture is not worth a thousand words.
13
37000
3000
Dámy a pánové, jeden obraz nevydá za tisíc slov.
00:55
In fact, we found some pictures
14
40000
2000
Nášli jsme obrazy, které
00:57
that are worth 500 billion words.
15
42000
5000
vydají i za 500 miliard slov.
01:02
Jean-Baptiste Michel: So how did we get to this conclusion?
16
47000
2000
Jean-Baptiste Michel: Jak jsme na to přišli?
01:04
So Erez and I were thinking about ways
17
49000
2000
Erez a já jsme přemýšleli nad tím,
01:06
to get a big picture of human culture
18
51000
2000
jak získat celkový obrázek lidské
01:08
and human history: change over time.
19
53000
3000
kultury, historie a jejich vývoje v čase.
01:11
So many books actually have been written over the years.
20
56000
2000
V historii vzniklo mnoho a mnoho knih.
01:13
So we were thinking, well the best way to learn from them
21
58000
2000
Takže jsme si řekli, že nejlepší způsob, jak se z nich
01:15
is to read all of these millions of books.
22
60000
2000
poučit, je přečíst všechny ty miliony knih.
01:17
Now of course, if there's a scale for how awesome that is,
23
62000
3000
Takže, na škále úžasnosti je takový postup
01:20
that has to rank extremely, extremely high.
24
65000
3000
opravdu, velmi vysoká..
01:23
Now the problem is there's an X-axis for that,
25
68000
2000
Nicméně je zde i osa X,
01:25
which is the practical axis.
26
70000
2000
a to osa praktičnosti.
01:27
This is very, very low.
27
72000
2000
A ta je velmi, velmi nízká.
01:29
(Applause)
28
74000
3000
(potlesk)
01:32
Now people tend to use an alternative approach,
29
77000
3000
Takže lidé zkouší různé alternativní přístupy,
01:35
which is to take a few sources and read them very carefully.
30
80000
2000
například vzít si pár zdrojů a pečlivě je pročíst.
01:37
This is extremely practical, but not so awesome.
31
82000
2000
Velmi praktické, ale ani trochu cool.
01:39
What you really want to do
32
84000
3000
Nejraději bychom
01:42
is to get to the awesome yet practical part of this space.
33
87000
3000
získali úžasné a praktické řešení zároveň.
01:45
So it turns out there was a company across the river called Google
34
90000
3000
No a kousek od nás byla společnost Google, která před pár lety
01:48
who had started a digitization project a few years back
35
93000
2000
začala projekt digitalizace
01:50
that might just enable this approach.
36
95000
2000
který toto umožnil.
01:52
They have digitized millions of books.
37
97000
2000
Zdigitalizovali milióny knih.
01:54
So what that means is, one could use computational methods
38
99000
3000
To znamená, že za použití počítačů můžete
01:57
to read all of the books in a click of a button.
39
102000
2000
přečíst všechny ty knihy na jedno kliknutí.
01:59
That's very practical and extremely awesome.
40
104000
3000
To je velmi praktické a naprosto úžasné.
02:03
ELA: Let me tell you a little bit about where books come from.
41
108000
2000
ELA: Dovolte mi říci něco o původu těchto knih.
02:05
Since time immemorial, there have been authors.
42
110000
3000
Od pradávných časů jsme měli spisovatele.
02:08
These authors have been striving to write books.
43
113000
3000
Tito autoři toužili psát knihy.
02:11
And this became considerably easier
44
116000
2000
Což se stalo výrazně snazším
02:13
with the development of the printing press some centuries ago.
45
118000
2000
s vynálezem knihtisku před pár stoletími.
02:15
Since then, the authors have won
46
120000
3000
Od té doby se autorům podařilo
02:18
on 129 million distinct occasions,
47
123000
2000
ve 129 milionech různých případů,
02:20
publishing books.
48
125000
2000
své knihy vydat.
02:22
Now if those books are not lost to history,
49
127000
2000
Pokud tyto knihy nezapadly v čase,
02:24
then they are somewhere in a library,
50
129000
2000
staly se součástí nějaké knihovny,
02:26
and many of those books have been getting retrieved from the libraries
51
131000
3000
a mnoho z nich se z těchto knihoven i dostalo, a byly
02:29
and digitized by Google,
52
134000
2000
zdigitalizovány Googlem,
02:31
which has scanned 15 million books to date.
53
136000
2000
který má dnes naskenováno asi 15 miliónů knih.
02:33
Now when Google digitizes a book, they put it into a really nice format.
54
138000
3000
Když Google naskenuje knihu, převede jí do velmi pěkného formátu.
02:36
Now we've got the data, plus we have metadata.
55
141000
2000
Takže teď máme data a k tomu metadata.
02:38
We have information about things like where was it published,
56
143000
3000
Máme informaci například o tom, kde byla kniha vydaná,
02:41
who was the author, when was it published.
57
146000
2000
kdo byl její autor, nebo kdy byla vydaná.
02:43
And what we do is go through all of those records
58
148000
3000
A to, co jsme my udělali bylo, že jsme prošli
02:46
and exclude everything that's not the highest quality data.
59
151000
4000
všechny tyto záznamy a vypustili vše co nebylo nejvyšší kvality.
02:50
What we're left with
60
155000
2000
A nakonec nám
02:52
is a collection of five million books,
61
157000
3000
zbyla sbírka 5 miliónů knih,
02:55
500 billion words,
62
160000
3000
500 miliard slov,
02:58
a string of characters a thousand times longer
63
163000
2000
řada písmen tisíckrát delší
03:00
than the human genome --
64
165000
3000
než lidský genom -
03:03
a text which, when written out,
65
168000
2000
text, který, když by byl přepsán,
03:05
would stretch from here to the Moon and back
66
170000
2000
by dosáhl odsud na Měsíc a zpátky
03:07
10 times over --
67
172000
2000
desetkrát
03:09
a veritable shard of our cultural genome.
68
174000
4000
- opravdový střípek našeho kulturního genomu.
03:13
Of course what we did
69
178000
2000
Samozřejmě,
03:15
when faced with such outrageous hyperbole ...
70
180000
3000
když jsme čelili tak nehorázné hyperbole..
03:18
(Laughter)
71
183000
2000
(smích)
03:20
was what any self-respecting researchers
72
185000
3000
udělali jsme to, co by každý výzkumník
03:23
would have done.
73
188000
3000
s trochou sebeúcty udělal.
03:26
We took a page out of XKCD,
74
191000
2000
Vzali jsme stránku z XKCD,
03:28
and we said, "Stand back.
75
193000
2000
a řekli: "Ustupte,
03:30
We're going to try science."
76
195000
2000
zkusíme vědu!"
03:32
(Laughter)
77
197000
2000
(Smích)
03:34
JM: Now of course, we were thinking,
78
199000
2000
JM: No a pochopitelně jsme si
03:36
well let's just first put the data out there
79
201000
2000
říkali, že nejprve ty data zveřejníme,
03:38
for people to do science to it.
80
203000
2000
aby na nich lidi mohli tu vědu dělat.
03:40
Now we're thinking, what data can we release?
81
205000
2000
Takže jsme přemýšleli, jaká data můžeme zveřejnit?
03:42
Well of course, you want to take the books
82
207000
2000
Pochopitelně chtěli jsme vzít obsah všech
03:44
and release the full text of these five million books.
83
209000
2000
těch pěti miliónů knih a všechen zveřejnit.
03:46
Now Google, and Jon Orwant in particular,
84
211000
2000
Na to Google, a zejména Jon Orwant,
03:48
told us a little equation that we should learn.
85
213000
2000
nás seznámili s jednou pěknou rovnicí.
03:50
So you have five million, that is, five million authors
86
215000
3000
Máte pět miliónů knih. To je pět miliónů autorů
03:53
and five million plaintiffs is a massive lawsuit.
87
218000
3000
a pět miliónů žalob je už pořádný proces.
03:56
So, although that would be really, really awesome,
88
221000
2000
Takže, i když by to bylo opravdu úžasné,
03:58
again, that's extremely, extremely impractical.
89
223000
3000
opět to bylo i opravdu nepraktické.
04:01
(Laughter)
90
226000
2000
(Smích)
04:03
Now again, we kind of caved in,
91
228000
2000
Takže jsme ustoupili
04:05
and we did the very practical approach, which was a bit less awesome.
92
230000
3000
a pojali velmi praktický přístup, který byl však trochu méně úžasný.
04:08
We said, well instead of releasing the full text,
93
233000
2000
Řekli jsme si, že namísto plného znění,
04:10
we're going to release statistics about the books.
94
235000
2000
vydáme o těchto knihách statistiky.
04:12
So take for instance "A gleam of happiness."
95
237000
2000
Takže například: "Záblesk štěstí"
04:14
It's four words; we call that a four-gram.
96
239000
2000
To jsou dvě slova; říkáme tomu dvou-gram.
04:16
We're going to tell you how many times a particular four-gram
97
241000
2000
Takže Vám můžeme říci, kolikrát se daný dvou-gram
04:18
appeared in books in 1801, 1802, 1803,
98
243000
2000
objevil v knihách v roce 1801, 2, 3
04:20
all the way up to 2008.
99
245000
2000
až do roku 2008.
04:22
That gives us a time series
100
247000
2000
To nám dá časovou řadu
04:24
of how frequently this particular sentence was used over time.
101
249000
2000
stopující jak často se tato věta v danné době použila.
04:26
We do that for all the words and phrases that appear in those books,
102
251000
3000
Děláme to se všemi slovy a frázemi, které se v těchto knihách
04:29
and that gives us a big table of two billion lines
103
254000
3000
objevují a to nám dá jednu velkou mapu
04:32
that tell us about the way culture has been changing.
104
257000
2000
dvou mliard řádků zrcadlící proměny kultury.
04:34
ELA: So those two billion lines,
105
259000
2000
ELA: Takže tyto řádky
04:36
we call them two billion n-grams.
106
261000
2000
nazýváme dvě milardy n-gramů.
04:38
What do they tell us?
107
263000
2000
Co nám umí říct?
04:40
Well the individual n-grams measure cultural trends.
108
265000
2000
Jednotlivé n-gramy měří kulturní trendy.
04:42
Let me give you an example.
109
267000
2000
Dám Vám příklad.
04:44
Let's suppose that I am thriving,
110
269000
2000
Řekněme, že se mám fajn a
04:46
then tomorrow I want to tell you about how well I did.
111
271000
2000
druhý den vám o tom chci říci. Mohl bych
04:48
And so I might say, "Yesterday, I throve."
112
273000
3000
říci: "Včera mi bylo fajn."
04:51
Alternatively, I could say, "Yesterday, I thrived."
113
276000
3000
Nebo bych mohl říct: "Včera mi bylo dobře."
04:54
Well which one should I use?
114
279000
3000
Co bych měl říct správně?
04:57
How to know?
115
282000
2000
Jak se rozhodnout?
04:59
As of about six months ago,
116
284000
2000
Přibližně před šesti měsíci
05:01
the state of the art in this field
117
286000
2000
by situace v této oblasti
05:03
is that you would, for instance,
118
288000
2000
vypada asi takto - šli byste
05:05
go up to the following psychologist with fabulous hair,
119
290000
2000
za tímto psychologem s úžasným účesem
05:07
and you'd say,
120
292000
2000
a řekli:
05:09
"Steve, you're an expert on the irregular verbs.
121
294000
3000
"Steve, ty jsi expert na nepravidelná slovesa.
05:12
What should I do?"
122
297000
2000
Co bych měl říct?"
05:14
And he'd tell you, "Well most people say thrived,
123
299000
2000
A on by Vám řekl: "No, většina lidí by řekla "fajn"
05:16
but some people say throve."
124
301000
3000
ale někteří by řekli "dobře".
05:19
And you also knew, more or less,
125
304000
2000
Ale, když byste se vrátili, zhruba,
05:21
that if you were to go back in time 200 years
126
306000
3000
200 let nazpátek, a oslovili byste dalšího
05:24
and ask the following statesman with equally fabulous hair,
127
309000
3000
odborníka s neméně úžasným účesem:
05:27
(Laughter)
128
312000
3000
(Smích)
05:30
"Tom, what should I say?"
129
315000
2000
"Tome, co bych měl říci?"
05:32
He'd say, "Well, in my day, most people throve,
130
317000
2000
Řekl by: "Inu, v mé době většina lidí řekne
05:34
but some thrived."
131
319000
3000
"dobře", ale někteří i "fajn".
05:37
So now what I'm just going to show you is raw data.
132
322000
2000
Takže nyní Vám ukáži původní data.
05:39
Two rows from this table of two billion entries.
133
324000
4000
Tyto dvě linky vznikly také z oněch dvou
05:43
What you're seeing is year by year frequency
134
328000
2000
miliard údajů. To, co vidíte je frekvence užití
05:45
of "thrived" and "throve" over time.
135
330000
3000
dvou podobných slov rok po roce.
05:49
Now this is just two
136
334000
2000
A toto jsou pouze
05:51
out of two billion rows.
137
336000
3000
dvě z dvou miliard linek.
05:54
So the entire data set
138
339000
2000
Takže všechna ta data
05:56
is a billion times more awesome than this slide.
139
341000
3000
jsou ještě mnohem úžasnější než tento slide.
05:59
(Laughter)
140
344000
2000
(Smích)
06:01
(Applause)
141
346000
4000
(potlesk)
06:05
JM: Now there are many other pictures that are worth 500 billion words.
142
350000
2000
JM: Existuje mnoho dalších obrázků, které vydají za 500 miliard slov.
06:07
For instance, this one.
143
352000
2000
Například toto.
06:09
If you just take influenza,
144
354000
2000
Když bychom vzali třeba
06:11
you will see peaks at the time where you knew
145
356000
2000
"chřipku", uvidíte maxima v dobách, kdy víte,
06:13
big flu epidemics were killing people around the globe.
146
358000
3000
že velké chřipkové epidemie zabíjely po celém světě.
06:16
ELA: If you were not yet convinced,
147
361000
3000
ELA: pokud ještě nejste přesvědčeni,
06:19
sea levels are rising,
148
364000
2000
hladiny moře stoupají,
06:21
so is atmospheric CO2 and global temperature.
149
366000
3000
stejně jako obsah CO2 v atmosféře či globální teplota.
06:24
JM: You might also want to have a look at this particular n-gram,
150
369000
3000
JM: Možná byste také stáli o to vidět tento n-gram,
06:27
and that's to tell Nietzsche that God is not dead,
151
372000
3000
který říká Nietzschemu, že Bůh není mrtvý,
06:30
although you might agree that he might need a better publicist.
152
375000
3000
i když byste mohli usoudit, že by mohl užít lepšího PR agenta..
06:33
(Laughter)
153
378000
2000
(Smích)
06:35
ELA: You can get at some pretty abstract concepts with this sort of thing.
154
380000
3000
ELA: S tímto se můžete dostat k pár dosti abstraktním pojmům.
06:38
For instance, let me tell you the history
155
383000
2000
Tak například, dovolte mi Vás seznámit
06:40
of the year 1950.
156
385000
2000
s historií roku 1950.
06:42
Pretty much for the vast majority of history,
157
387000
2000
Po drtivou většinu celé historie
06:44
no one gave a damn about 1950.
158
389000
2000
o samotný rok 1950 nikdo ani nezavadil.
06:46
In 1700, in 1800, in 1900,
159
391000
2000
V roce 1700, 188, ani 1900.
06:48
no one cared.
160
393000
3000
Ani trochu.
06:52
Through the 30s and 40s,
161
397000
2000
Ani v 30. nebo 40. letech
06:54
no one cared.
162
399000
2000
nikoho nezajímal.
06:56
Suddenly, in the mid-40s,
163
401000
2000
Najednou, uprostřed 40. let
06:58
there started to be a buzz.
164
403000
2000
to začalo vřít.
07:00
People realized that 1950 was going to happen,
165
405000
2000
Lidé si uvědomili, že přijde rok 1950 a že to
07:02
and it could be big.
166
407000
2000
může být velké.
07:04
(Laughter)
167
409000
3000
(Smích)
07:07
But nothing got people interested in 1950
168
412000
3000
Ale nic lidi nezajímalo na roku 1950
07:10
like the year 1950.
169
415000
3000
více, než rok 1950.
07:13
(Laughter)
170
418000
3000
(Smích)
07:16
People were walking around obsessed.
171
421000
2000
Lidé byli celí bez sebe.
07:18
They couldn't stop talking
172
423000
2000
Nemohli přestat mluvit
07:20
about all the things they did in 1950,
173
425000
3000
o všem, co v tom roce dělali,
07:23
all the things they were planning to do in 1950,
174
428000
3000
co plánovali do té doby dosáhnout a jaké sny
07:26
all the dreams of what they wanted to accomplish in 1950.
175
431000
5000
si chtěli splnit v roce 1950.
07:31
In fact, 1950 was so fascinating
176
436000
2000
Ve skutečnosti byl rok 1950
07:33
that for years thereafter,
177
438000
2000
tak fascinující,
07:35
people just kept talking about all the amazing things that happened,
178
440000
3000
že i v dalších letech lidé vydrželi mluvit o tom, jak úžasné věci se staly
07:38
in '51, '52, '53.
179
443000
2000
i v roce 51, 2, 3..
07:40
Finally in 1954,
180
445000
2000
Až konečně
07:42
someone woke up and realized
181
447000
2000
v roce 1954 se lidé z ničeho nic
07:44
that 1950 had gotten somewhat passé.
182
449000
4000
probrali a zjistili, že rok 1950 je poněkud pasé.
07:48
(Laughter)
183
453000
2000
(Smích)
07:50
And just like that, the bubble burst.
184
455000
2000
A stejně tak splaskla i ta bublina.
07:52
(Laughter)
185
457000
2000
(Smích)
07:54
And the story of 1950
186
459000
2000
A příběh roku 1950
07:56
is the story of every year that we have on record,
187
461000
2000
je příběh každého roku, který jsme zaznamenali
07:58
with a little twist, because now we've got these nice charts.
188
463000
3000
trochu jinak, díky těmto krásným tabulkám, co máme.
08:01
And because we have these nice charts, we can measure things.
189
466000
3000
A protože tyto úžasné tabulky máme, můžeme věci měřit.
08:04
We can say, "Well how fast does the bubble burst?"
190
469000
2000
Můžeme říct: "Takže, jak rychle ta bublina splaskla?"
08:06
And it turns out that we can measure that very precisely.
191
471000
3000
Ukázalo se, že to dokážeme změřit velmi přesně.
08:09
Equations were derived, graphs were produced,
192
474000
3000
Rovnice byly odvozeny, grafy vytvořeny
08:12
and the net result
193
477000
2000
a čistý výsledek
08:14
is that we find that the bubble bursts faster and faster
194
479000
3000
říká, že zjistíme, jak ta bublina splaskává rychleji
08:17
with each passing year.
195
482000
2000
a rychleji každ rok.
08:19
We are losing interest in the past more rapidly.
196
484000
5000
O minulost ztrácíme zájem čím dál rychleji.
08:24
JM: Now a little piece of career advice.
197
489000
2000
JM: A nyní malý kariérní tip.
08:26
So for those of you who seek to be famous,
198
491000
2000
Pro ty z Vás, kdo se chcete stát slavnými,
08:28
we can learn from the 25 most famous political figures,
199
493000
2000
můžeme vzít inspiraci od 25 nejslavnějších politických
08:30
authors, actors and so on.
200
495000
2000
osobností, autorů a herců atd.
08:32
So if you want to become famous early on, you should be an actor,
201
497000
3000
Pokud se chcete stát slavnými spíše hned, měli byste být herci,
08:35
because then fame starts rising by the end of your 20s --
202
500000
2000
neboť tehdy zazáříte pravděpodobně před 30. rokem.
08:37
you're still young, it's really great.
203
502000
2000
Jste stále mladí, takže je to skvělé.
08:39
Now if you can wait a little bit, you should be an author,
204
504000
2000
Pokud jste ochotni si trochu počkat, měli byste být
08:41
because then you rise to very great heights,
205
506000
2000
spisovatel, protože pak Vás nejvyšší pocty
08:43
like Mark Twain, for instance: extremely famous.
206
508000
2000
čekají později, jako třeba úspěch Marka Twaina.
08:45
But if you want to reach the very top,
207
510000
2000
Ale pokud se chcete dostat opravdu
08:47
you should delay gratification
208
512000
2000
na vrchol, měli byste odložit
08:49
and, of course, become a politician.
209
514000
2000
uspokojení ještě více a pochopitelně
08:51
So here you will become famous by the end of your 50s,
210
516000
2000
se stát politikem. Slavným se stanete před 60tým rokem
08:53
and become very, very famous afterward.
211
518000
2000
a velmi slavným poté.
08:55
So scientists also tend to get famous when they're much older.
212
520000
3000
Také vědci tíhnout k slávě ve výrazně starším věku.
08:58
Like for instance, biologists and physics
213
523000
2000
Jako například biologové a fyzici
09:00
tend to be almost as famous as actors.
214
525000
2000
tíhnou k slávě srovnatelné s herci.
09:02
One mistake you should not do is become a mathematician.
215
527000
3000
Jediná chyba by byla, když byste se dali na dráhu matematika.
09:05
(Laughter)
216
530000
2000
(Smích)
09:07
If you do that,
217
532000
2000
Pokud byste to udělali,
09:09
you might think, "Oh great. I'm going to do my best work when I'm in my 20s."
218
534000
3000
mohli byste si říct: "Oh, skvěle. To nejlepší udělám mezi 20-30 lety.
09:12
But guess what, nobody will really care.
219
537000
2000
Jenže, ouha. Nikoho to nezaujme.
09:14
(Laughter)
220
539000
3000
(Smích)
09:17
ELA: There are more sobering notes
221
542000
2000
ELA: Mezi n-gramy najdeme ještě
09:19
among the n-grams.
222
544000
2000
více varování.
09:21
For instance, here's the trajectory of Marc Chagall,
223
546000
2000
Například tady vidíme trajektorii Marc Chagalla,
09:23
an artist born in 1887.
224
548000
2000
malíře narozeného 1887.
09:25
And this looks like the normal trajectory of a famous person.
225
550000
3000
Která vypadá jako běžná trajektorie slavné osobnosti.
09:28
He gets more and more and more famous,
226
553000
4000
Stává se slavnějším a slavnějším všude,
09:32
except if you look in German.
227
557000
2000
kromě Německa.
09:34
If you look in German, you see something completely bizarre,
228
559000
2000
Pokud se podíváte na Německo, zjistíte něco velmi
09:36
something you pretty much never see,
229
561000
2000
bizardního, co se jen tak nevidí.
09:38
which is he becomes extremely famous
230
563000
2000
A to je to, že se stává extrémně slavným
09:40
and then all of a sudden plummets,
231
565000
2000
a pak zničeho nic sláva opadne,
09:42
going through a nadir between 1933 and 1945,
232
567000
3000
s nejnižším bodem v letech 1933 až 1945,
09:45
before rebounding afterward.
233
570000
3000
kdy se odrazil ode dna.
09:48
And of course, what we're seeing
234
573000
2000
A pochopitelně to, co zjistíme je,
09:50
is the fact Marc Chagall was a Jewish artist
235
575000
3000
že Marc Chagall je židovský umělec
09:53
in Nazi Germany.
236
578000
2000
v nacistickém Německu.
09:55
Now these signals
237
580000
2000
Tyto signály jsou
09:57
are actually so strong
238
582000
2000
ve skutečnosti tak silné,
09:59
that we don't need to know that someone was censored.
239
584000
3000
že nepotřebujeme ani vědět, že tu byl někdo cenzorován.
10:02
We can actually figure it out
240
587000
2000
Můžeme to zjistit
10:04
using really basic signal processing.
241
589000
2000
užitím základních metod zpracování dat.
10:06
Here's a simple way to do it.
242
591000
2000
Toto je jedna jednoduchá metoda.
10:08
Well, a reasonable expectation
243
593000
2000
A sice: rozumné očekávání
10:10
is that somebody's fame in a given period of time
244
595000
2000
je, že míra slávy jednoho člověka v daném čase
10:12
should be roughly the average of their fame before
245
597000
2000
by se měla rovnat cca průměru jeho slávy
10:14
and their fame after.
246
599000
2000
před tím a potom.
10:16
So that's sort of what we expect.
247
601000
2000
Něco takového očekáváme.
10:18
And we compare that to the fame that we observe.
248
603000
3000
A srovnáváme to se slávou, kterou pozorujeme.
10:21
And we just divide one by the other
249
606000
2000
A jen dělíme jedno druhým,
10:23
to produce something we call a suppression index.
250
608000
2000
abychom se dostali k tzv. indexu potlačení.
10:25
If the suppression index is very, very, very small,
251
610000
3000
Pokud je index potlačení velmi, ale velmi nízký,
10:28
then you very well might be being suppressed.
252
613000
2000
pak asi se jedná o nějaký útisk, cenzuru.
10:30
If it's very large, maybe you're benefiting from propaganda.
253
615000
3000
Pokud je velmi vysoký, můze to být výsledek propagandy.
10:34
JM: Now you can actually look at
254
619000
2000
JM: Nyní se můžeme podívat na
10:36
the distribution of suppression indexes over whole populations.
255
621000
3000
několik příkladů rozdělení indexů potlačení napříč populací.
10:39
So for instance, here --
256
624000
2000
Zde je například je
10:41
this suppression index is for 5,000 people
257
626000
2000
index potlačení pro asi 5 000 lidí
10:43
picked in English books where there's no known suppression --
258
628000
2000
vybraných z anglické literatury, kde nebylo žádné známé potlačení,
10:45
it would be like this, basically tightly centered on one.
259
630000
2000
vypadá takto, v podstatě těsně vycentrované na jedné.
10:47
What you expect is basically what you observe.
260
632000
2000
To, co očekáváte je to, co vidíte.
10:49
This is distribution as seen in Germany --
261
634000
2000
Toto je rozložení je viděno v Německu -
10:51
very different, it's shifted to the left.
262
636000
2000
velmi odlišné - posunuté doleva.
10:53
People talked about it twice less as it should have been.
263
638000
3000
Lidé o tom mluvili dvakrát méně, než by měli.
10:56
But much more importantly, the distribution is much wider.
264
641000
2000
Ale co je ještě důležitější, rozdělení je mnohem širší.
10:58
There are many people who end up on the far left on this distribution
265
643000
3000
Mnoho lidí se umístilo daleko vlevo na této škále a o nich
11:01
who are talked about 10 times fewer than they should have been.
266
646000
3000
se mluvilo 10 krát méně, než by se mělo.
11:04
But then also many people on the far right
267
649000
2000
Mnoho lidí se ale také umístilo daleko
11:06
who seem to benefit from propaganda.
268
651000
2000
v pravo, které podporovala propaganda.
11:08
This picture is the hallmark of censorship in the book record.
269
653000
3000
Tento obrázek je znak cenzury v knihách.
11:11
ELA: So culturomics
270
656000
2000
ELA: Tuto metodu
11:13
is what we call this method.
271
658000
2000
nazýváme kulturomikou.
11:15
It's kind of like genomics.
272
660000
2000
Je to trochu jako genomika.
11:17
Except genomics is a lens on biology
273
662000
2000
S tím rozdílem, že genomika je biologie, nahlížena
11:19
through the window of the sequence of bases in the human genome.
274
664000
3000
skrze pohled na posloupnosti bází lidského genomu.
11:22
Culturomics is similar.
275
667000
2000
Kulturomika je podobná.
11:24
It's the application of massive-scale data collection analysis
276
669000
3000
Aplikuje analyzu masivní sbírky dat
11:27
to the study of human culture.
277
672000
2000
ke studiu lidské kultury.
11:29
Here, instead of through the lens of a genome,
278
674000
2000
Zde však namísto pohledu skrze lidský genom
11:31
through the lens of digitized pieces of the historical record.
279
676000
3000
nahlížíme člověka skrze digitální kusy historických záznamů.
11:34
The great thing about culturomics
280
679000
2000
Na kulturomice je skvělé to,
11:36
is that everyone can do it.
281
681000
2000
že se jí může věnovat každý.
11:38
Why can everyone do it?
282
683000
2000
Jak to?
11:40
Everyone can do it because three guys,
283
685000
2000
Je to možné díky třem chlapíkům,
11:42
Jon Orwant, Matt Gray and Will Brockman over at Google,
284
687000
3000
Jonovi Orwantovi, Mattotvi Graymu a Willovi Brockmanovi z Googlu,
11:45
saw the prototype of the Ngram Viewer,
285
690000
2000
kteří, když viděli prototyp Ngrame Vieweru,
11:47
and they said, "This is so fun.
286
692000
2000
řekli, "Tohle je fakt supr,
11:49
We have to make this available for people."
287
694000
3000
tuhle věc musíme dostat k lidem."
11:52
So in two weeks flat -- the two weeks before our paper came out --
288
697000
2000
Takže dva týdny před tím, než jsme vydali svou studii
11:54
they coded up a version of the Ngram Viewer for the general public.
289
699000
3000
vytvořili kódy pro verzi Ngram Vieweru, která by byla dostupná
11:57
And so you too can type in any word or phrase that you're interested in
290
702000
3000
všem. Takže i vy si můžete napsat jakoukoliv frázi či slovo, které vás
12:00
and see its n-gram immediately --
291
705000
2000
zajímá a vidět je okamžitě v n-gramu
12:02
also browse examples of all the various books
292
707000
2000
a také si zabrouzdat ukázkou všech možných
12:04
in which your n-gram appears.
293
709000
2000
knih, ve kterých se Váš n-gram vyskytuje.
12:06
JM: Now this was used over a million times on the first day,
294
711000
2000
JM: Během prvního dne byly užity více než
12:08
and this is really the best of all the queries.
295
713000
2000
miliónkrát a to je nejlepší ze všech statistik.
12:10
So people want to be their best, put their best foot forward.
296
715000
3000
Takže lidé chtějí být co nejlepší a dělat to nejlepší.
12:13
But it turns out in the 18th century, people didn't really care about that at all.
297
718000
3000
Ale ukazuje se, že v 18. století se o to lidé o toto nezajímali.
12:16
They didn't want to be their best, they wanted to be their beft.
298
721000
3000
Nechtěli být co nejlepší. Chtěli být co "nejlepčí".
12:19
So what happened is, of course, this is just a mistake.
299
724000
3000
To, co jste viděli byla samozřejmě chyba.
12:22
It's not that strove for mediocrity,
300
727000
2000
Není to pokus o jakousi prostřednost.
12:24
it's just that the S used to be written differently, kind of like an F.
301
729000
3000
Spousta slov se historicky psala s jinými písmeny. Například S jako Beta,
12:27
Now of course, Google didn't pick this up at the time,
302
732000
3000
v angličtině jako F apod. Google si to samozřejmě
12:30
so we reported this in the science article that we wrote.
303
735000
3000
sám od sebe nepřeložil a tak jsme to popsali ve vědedckém
12:33
But it turns out this is just a reminder
304
738000
2000
článku, který jsme vydali. Ale ukázalo se,
12:35
that, although this is a lot of fun,
305
740000
2000
že je to připomínka, toho, že i když
12:37
when you interpret these graphs, you have to be very careful,
306
742000
2000
je to celé velká zábava, když interpretujete tyto grafy,
12:39
and you have to adopt the base standards in the sciences.
307
744000
3000
musíte být velmi opatrní a použít to nejlepší co věda nabízí.
12:42
ELA: People have been using this for all kinds of fun purposes.
308
747000
3000
ELA: Lidé to využívali pro mnoho rozličných zábavných účelů.
12:45
(Laughter)
309
750000
7000
(Smích)
12:52
Actually, we're not going to have to talk,
310
757000
2000
Ve skutečnosti nebudeme muset ani
12:54
we're just going to show you all the slides and remain silent.
311
759000
3000
moc mluvit, jen Vám ukážeme zbylé slidy a můžeme mlčet.
12:57
This person was interested in the history of frustration.
312
762000
3000
Tato osoba se zajímala o historii frustrace.
13:00
There's various types of frustration.
313
765000
3000
Jsou různé typy frustrací.
13:03
If you stub your toe, that's a one A "argh."
314
768000
3000
Pokud se praštíte do palce, zakřičíte "argh".
13:06
If the planet Earth is annihilated by the Vogons
315
771000
2000
Pokud planetu Zemi zničí Vogoni, aby
13:08
to make room for an interstellar bypass,
316
773000
2000
si udělali prostor pro mezihvězdný bypass,
13:10
that's an eight A "aaaaaaaargh."
317
775000
2000
bude to osmimístné "aaaaaaaargh."
13:12
This person studies all the "arghs,"
318
777000
2000
Tato osoba studovala všechny "arghy."
13:14
from one through eight A's.
319
779000
2000
od jednoho po osmimístné.
13:16
And it turns out
320
781000
2000
A ukázalo se, že
13:18
that the less-frequent "arghs"
321
783000
2000
méně frekventovaná "argh"
13:20
are, of course, the ones that correspond to things that are more frustrating --
322
785000
3000
se pochopitelně váží k více frustrujícím situacím, s jednou zvláštní výjimkou
13:23
except, oddly, in the early 80s.
323
788000
3000
v 80. letech.
13:26
We think that might have something to do with Reagan.
324
791000
2000
Domníváme se, že to bude mít něco společného s Reaganem.
13:28
(Laughter)
325
793000
2000
(Smích)
13:30
JM: There are many usages of this data,
326
795000
3000
JM: Tato data mají mnohotvárné využití,
13:33
but the bottom line is that the historical record is being digitized.
327
798000
3000
ale základ je vždy digitalizace historických záznamů.
13:36
Google has started to digitize 15 million books.
328
801000
2000
Google začal a zdigitalizoval 15 miliónů knih.
13:38
That's 12 percent of all the books that have ever been published.
329
803000
2000
To je 12 procent všech knih, které kdy byly vydané.
13:40
It's a sizable chunk of human culture.
330
805000
3000
To je slušný kousek z lidské kultury.
13:43
There's much more in culture: there's manuscripts, there newspapers,
331
808000
3000
Ale kultura má mnohem víc: manuskripty, noviny,
13:46
there's things that are not text, like art and paintings.
332
811000
2000
věci, které nejsou v textech - jako umění a obrazy.
13:48
These all happen to be on our computers,
333
813000
2000
Ale všechny se nalézají v nějaké podobě
13:50
on computers across the world.
334
815000
2000
v našich počítačech kolem světa.
13:52
And when that happens, that will transform the way we have
335
817000
3000
A až budou všechny zdigitalizované, nastane změna
13:55
to understand our past, our present and human culture.
336
820000
2000
v chápání naší minulosti, současnosti a kultury lidstva.
13:57
Thank you very much.
337
822000
2000
Velice Vám děkuji.
13:59
(Applause)
338
824000
3000
(potlesk)
ABOUT THE SPEAKERS
Jean-Baptiste Michel - Data researcherJean-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.
Jean-Baptiste Michel | Speaker | TED.com
Erez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ...
Why you should listen
Erez Lieberman Aiden is a fellow at the Harvard Society of Fellows and Visiting Faculty at Google. His research spans many disciplines and has won numerous awards, including recognition for one of the top 20 "Biotech Breakthroughs that will Change Medicine", by Popular Mechanics; the Lemelson-MIT prize for the best student inventor at MIT; the American Physical Society's Award for the Best Doctoral Dissertation in Biological Physics; and membership in Technology Review's 2009 TR35, recognizing the top 35 innovators under 35. His last three papers -- two with JB Michel -- have all appeared on the cover of Nature and Science.
Erez Lieberman Aiden | Speaker | TED.com