TEDxMidAtlantic 2013
Jennifer Golbeck: Your social media "likes" expose more than you think
Jennifer Golbeck: Záhada kurnatých hranolek: "lajkovat" znamená prozradit o sobě více, než by vás možná napadlo
Filmed:
Readability: 4.5
2,366,837 views
Máte rádi hranolky "curly fries"? Olajkovali jste je na Facebooku? To, co nahodile lajkujete a sdílíte, si Facebook (ale i další média) dokáží dávat do překvapivých souvislostí. Počítačová specialistka Jennifer Goldbeck vám ve své přednášce ukáže, že techniku je možné využívat i nepříliš sympatickým způsobem. Vysvětlí, jak je něco takového možné – a proč si myslí, že bychom měli kontrolu nad informacemi vrátit lidem, kterým tyto informace po právu náleží.
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
Během první dekády své existence
00:14
it was really a static place.
1
2735
2255
byl internet dost statický.
00:16
You could go online, you could look at pages,
2
4990
2245
Mohli jste brouzdat jen po stránkách,
00:19
and they were put up either by organizations
3
7235
2513
které vytvořily velké společnosti,
00:21
who had teams to do it
4
9748
1521
co na to měly týmy,
00:23
or by individuals who were really tech-savvy
5
11269
2229
nebo nadšenci, kteří se výtečně
vyznali v technice.
vyznali v technice.
00:25
for the time.
6
13498
1737
00:27
And with the rise of social media
7
15235
1575
Po roce 2000 se však začaly
rozvíjet sociální sítě a média.
rozvíjet sociální sítě a média.
00:28
and social networks in the early 2000s,
8
16810
2399
00:31
the web was completely changed
9
19209
2149
Internet se úplně změnil.
00:33
to a place where now the vast majority of content
10
21358
3608
Většina obsahu, s nímž teď
přicházíme do styku,
přicházíme do styku,
00:36
we interact with is put up by average users,
11
24966
3312
pochází od běžných uživatelů.
Spadají sem videa na YouTube,
Spadají sem videa na YouTube,
00:40
either in YouTube videos or blog posts
12
28278
2697
blogy, uživatelské recenze
nebo příspěvky na sociálních sítích.
nebo příspěvky na sociálních sítích.
00:42
or product reviews or social media postings.
13
30975
3315
00:46
And it's also become a much more interactive place,
14
34290
2347
Internet je také mnohem interaktivnější.
00:48
where people are interacting with others,
15
36637
2637
Lidé na sebe reagují.
00:51
they're commenting, they're sharing,
16
39274
1696
Komentují, sdílejí;
neomezují se jen na čtení.
neomezují se jen na čtení.
00:52
they're not just reading.
17
40970
1614
00:54
So Facebook is not the only place you can do this,
18
42584
1866
V největší míře takové možnosti
nabízí Facebook.
nabízí Facebook.
00:56
but it's the biggest,
19
44450
1098
00:57
and it serves to illustrate the numbers.
20
45548
1784
Proto o něm teď uvedu pár čísel.
00:59
Facebook has 1.2 billion users per month.
21
47332
3477
Facebook každý měsíc používá
1,2 miliardy uživatelů.
1,2 miliardy uživatelů.
01:02
So half the Earth's Internet population
22
50809
1930
To je polovina všech lidí
používajících internet.
používajících internet.
01:04
is using Facebook.
23
52739
1653
01:06
They are a site, along with others,
24
54392
1932
Na Facebooku (ale i jinde)
si můžete i s nepatrnými
si můžete i s nepatrnými
01:08
that has allowed people to create an online persona
25
56324
3219
technickými znalostmi vytvořit
vlastní síťovou identitu.
vlastní síťovou identitu.
01:11
with very little technical skill,
26
59543
1782
01:13
and people responded by putting huge amounts
27
61325
2476
Lidé díky tomu začali internet
zaplavovat osobními daty.
zaplavovat osobními daty.
01:15
of personal data online.
28
63801
1983
01:17
So the result is that we have behavioral,
29
65784
2543
Máme data o chování,
preferencích a demografii
preferencích a demografii
01:20
preference, demographic data
30
68327
1986
stovek milionů lidí.
01:22
for hundreds of millions of people,
31
70313
2101
01:24
which is unprecedented in history.
32
72414
2026
To tu nikdy nebylo.
01:26
And as a computer scientist,
what this means is that
what this means is that
33
74440
2560
Zabývám se počítačovou vědou
a díky těmto datům
a díky těmto datům
01:29
I've been able to build models
34
77000
1664
jsem dokázala vytvořit modely,
01:30
that can predict all sorts of hidden attributes
35
78664
2322
které jsou schopny odhadnout
různé druhy skrytých vlastností,
různé druhy skrytých vlastností,
01:32
for all of you that you don't even know
36
80986
2284
o kterých sdílíte informace
a ani o tom nevíte.
a ani o tom nevíte.
01:35
you're sharing information about.
37
83270
2202
01:37
As scientists, we use that to help
38
85472
2382
To může pomoci k tomu, aby byl
internet interaktivnější,
internet interaktivnější,
01:39
the way people interact online,
39
87854
2114
01:41
but there's less altruistic applications,
40
89968
2499
ale dá se to i zneužít.
01:44
and there's a problem in that users don't really
41
92467
2381
Potíž je, že uživatelé těmto postupům
a principům moc nerozumějí.
a principům moc nerozumějí.
01:46
understand these techniques and how they work,
42
94848
2470
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
A i kdyby ano, nemají nad nimi
velkou kontrolu.
velkou kontrolu.
01:52
So what I want to talk to you about today
44
100446
1490
Proto vám teď chci ukázat,
co s daty umíme,
co s daty umíme,
01:53
is some of these things that we're able to do,
45
101936
2702
01:56
and then give us some ideas
of how we might go forward
of how we might go forward
46
104638
2763
a potom nadhodit pár nápadů,
jak vrátit kontrolu nad daty uživatelům.
jak vrátit kontrolu nad daty uživatelům.
01:59
to move some control back into the hands of users.
47
107401
2769
02:02
So this is Target, the company.
48
110170
1586
Tohle logo jsem tam té nebohé
těhotné ženě nenamalovala já.
těhotné ženě nenamalovala já.
02:03
I didn't just put that logo
49
111756
1324
02:05
on this poor, pregnant woman's belly.
50
113080
2170
02:07
You may have seen this anecdote that was printed
51
115250
1840
Je to logo firmy "Target",
která údajně poslala
která údajně poslala
02:09
in Forbes magazine where Target
52
117090
2061
své 15 leté zákaznici leták s reklamou
02:11
sent a flyer to this 15-year-old girl
53
119151
2361
02:13
with advertisements and coupons
54
121512
1710
na kojenecké láhve, plenky a kolébky
02:15
for baby bottles and diapers and cribs
55
123222
2554
dva týdny předtím, než vůbec
řekla rodičům, že je těhotná.
řekla rodičům, že je těhotná.
02:17
two weeks before she told her parents
56
125776
1684
02:19
that she was pregnant.
57
127460
1864
02:21
Yeah, the dad was really upset.
58
129324
2704
A ano, tatínek zuřil.
02:24
He said, "How did Target figure out
59
132028
1716
Jak mohl "Target" na něco takového
přijít dřív než její rodiče?
přijít dřív než její rodiče?
02:25
that this high school girl was pregnant
60
133744
1824
02:27
before she told her parents?"
61
135568
1960
02:29
It turns out that they have the purchase history
62
137528
2621
Protože sledoval historii nákupů
stovek tisíc zákazníků
stovek tisíc zákazníků
02:32
for hundreds of thousands of customers
63
140149
2301
02:34
and they compute what they
call a pregnancy score,
call a pregnancy score,
64
142450
2730
a vypočítával podle ní
"těhotenské skóre".
"těhotenské skóre".
02:37
which is not just whether or
not a woman's pregnant,
not a woman's pregnant,
65
145180
2332
Uměl dokonce odhadnout,
v kolikátém je žena měsíci.
v kolikátém je žena měsíci.
02:39
but what her due date is.
66
147512
1730
02:41
And they compute that
67
149242
1304
A nepotřeboval k tomu očividné indicie,
02:42
not by looking at the obvious things,
68
150546
1768
02:44
like, she's buying a crib or baby clothes,
69
152314
2512
jako že zákaznice kupuje dětské šatičky.
02:46
but things like, she bought more vitamins
70
154826
2943
Stačilo mu vědět, že si zákaznice
začala kupovat víc vitamínů
začala kupovat víc vitamínů
02:49
than she normally had,
71
157769
1717
02:51
or she bought a handbag
72
159486
1464
nebo si pořídila tašku
dost velkou na plínky.
dost velkou na plínky.
02:52
that's big enough to hold diapers.
73
160950
1711
02:54
And by themselves, those purchases don't seem
74
162661
1910
Na první pohled vypadají takové
informace nevinně,
informace nevinně,
02:56
like they might reveal a lot,
75
164571
2469
ale pokud je získáte a srovnáte
s tisíci dalšími lidmi,
s tisíci dalšími lidmi,
02:59
but it's a pattern of behavior that,
76
167040
1978
03:01
when you take it in the context
of thousands of other people,
of thousands of other people,
77
169018
3117
03:04
starts to actually reveal some insights.
78
172135
2757
začnou prozrazovat
skryté vzorce chování.
skryté vzorce chování.
03:06
So that's the kind of thing that we do
79
174892
1793
A právě takové věci děláme
na základě dat ze sociálních sítí.
na základě dat ze sociálních sítí.
03:08
when we're predicting stuff
about you on social media.
about you on social media.
80
176685
2567
03:11
We're looking for little
patterns of behavior that,
patterns of behavior that,
81
179252
2796
Hledáme nenápadné vzorce chování,
03:14
when you detect them among millions of people,
82
182048
2682
a když je najdeme u milionů lidí,
03:16
lets us find out all kinds of things.
83
184730
2706
vyčteme z nich, na co si vzpomenete.
03:19
So in my lab and with colleagues,
84
187436
1747
Se svými kolegy jsem například
vyvinula systém,
vyvinula systém,
03:21
we've developed mechanisms where we can
85
189183
1777
jak vcelku přesně odhadovat
03:22
quite accurately predict things
86
190960
1560
03:24
like your political preference,
87
192520
1725
vaše politické preference,
osobnostní rysy,
osobnostní rysy,
03:26
your personality score, gender, sexual orientation,
88
194245
3752
pohlaví, sexuální orientaci,
03:29
religion, age, intelligence,
89
197997
2873
vyznání, věk a inteligenci,
03:32
along with things like
90
200870
1394
ale také, jak moc důvěřujete
svým známým
svým známým
03:34
how much you trust the people you know
91
202264
1937
03:36
and how strong those relationships are.
92
204201
1804
a jak pevný s nimi máte vztah.
03:38
We can do all of this really well.
93
206005
1785
Jsme v tom fakt dobří
a stačí nám k tomu
a stačí nám k tomu
03:39
And again, it doesn't come from what you might
94
207790
2197
jen nepřímé indicie.
03:41
think of as obvious information.
95
209987
2102
03:44
So my favorite example is from this study
96
212089
2281
Mým oblíbeným příkladem je studie,
03:46
that was published this year
97
214370
1240
která letos vyšla v časopise "PNAS".
03:47
in the Proceedings of the National Academies.
98
215610
1795
03:49
If you Google this, you'll find it.
99
217405
1285
Můžete si ji vygooglit;
má jen 4 stránky.
má jen 4 stránky.
03:50
It's four pages, easy to read.
100
218690
1872
03:52
And they looked at just people's Facebook likes,
101
220562
3003
Autoři zkoumali, co lidé
lajkují na Facebooku.
lajkují na Facebooku.
03:55
so just the things you like on Facebook,
102
223565
1920
Čemu dáváte "lajky".
03:57
and used that to predict all these attributes,
103
225485
2138
Takové údaje o vás mohou hodně prozradit.
03:59
along with some other ones.
104
227623
1645
04:01
And in their paper they listed the five likes
105
229268
2961
Vytipovali například pět stránek,
04:04
that were most indicative of high intelligence.
106
232229
2787
které lajkují převážně lidé
s vysokou inteligencí.
s vysokou inteligencí.
04:07
And among those was liking a page
107
235016
2324
Byla mezi nimi i stránka
o hranolkách "curly fries".
o hranolkách "curly fries".
04:09
for curly fries. (Laughter)
108
237340
1905
04:11
Curly fries are delicious,
109
239245
2093
"Curly fries" jsou moc dobré,
04:13
but liking them does not necessarily mean
110
241338
2530
ale to, že vám chutnají,
z vás přece ještě nedělá Einsteina.
04:15
that you're smarter than the average person.
111
243868
2080
04:17
So how is it that one of the strongest indicators
112
245948
3207
Jak to, že je lajkování těchto stránek
výrazným indikátorem inteligence,
výrazným indikátorem inteligence,
04:21
of your intelligence
113
249155
1570
04:22
is liking this page
114
250725
1447
04:24
when the content is totally irrelevant
115
252172
2252
když jejich obsah s indikovanou
vlastností ani trochu nesouvisí?
vlastností ani trochu nesouvisí?
04:26
to the attribute that's being predicted?
116
254424
2527
04:28
And it turns out that we have to look at
117
256951
1584
Souvisí to s řadou dalších teorií,
které si nejprve musíme ozřejmit.
které si nejprve musíme ozřejmit.
04:30
a whole bunch of underlying theories
118
258535
1618
04:32
to see why we're able to do this.
119
260153
2569
04:34
One of them is a sociological
theory called homophily,
theory called homophily,
120
262722
2913
Sociologická teorie "homofilie"
například tvrdí,
například tvrdí,
04:37
which basically says people are
friends with people like them.
friends with people like them.
121
265635
3092
že se kamarádíme hlavně
s lidmi, kteří jsou jako my.
s lidmi, kteří jsou jako my.
04:40
So if you're smart, you tend to
be friends with smart people,
be friends with smart people,
122
268727
2014
Chytří lidé častěji kamarádí
s chytrými lidmi,
s chytrými lidmi,
04:42
and if you're young, you tend
to be friends with young people,
to be friends with young people,
123
270741
2630
mladí lidé s mladými
04:45
and this is well established
124
273371
1627
a tak to chodí už stovky let.
04:46
for hundreds of years.
125
274998
1745
04:48
We also know a lot
126
276743
1232
Víme také dost o tom,
jak se po sítích šíří informace.
jak se po sítích šíří informace.
04:49
about how information spreads through networks.
127
277975
2550
04:52
It turns out things like viral videos
128
280525
1754
Virální videa nebo třeba "lajky"
na Facebooku se šíří
na Facebooku se šíří
04:54
or Facebook likes or other information
129
282279
2406
04:56
spreads in exactly the same way
130
284685
1888
sociálními sítěmi úplně stejně
jako nějaká infekce.
jako nějaká infekce.
04:58
that diseases spread through social networks.
131
286573
2454
05:01
So this is something we've studied for a long time.
132
289027
1791
Studujeme to už dlouho
a máme na to dobré modely.
a máme na to dobré modely.
05:02
We have good models of it.
133
290818
1576
05:04
And so you can put those things together
134
292394
2157
Proto si teď umíme takové věci spojit
a chápeme, proč k nim dochází.
a chápeme, proč k nim dochází.
05:06
and start seeing why things like this happen.
135
294551
3088
05:09
So if I were to give you a hypothesis,
136
297639
1814
Moje hypotéza tedy zní,
05:11
it would be that a smart guy started this page,
137
299453
3227
že člověk, který stránku o "curly fries" spustil
05:14
or maybe one of the first people who liked it
138
302680
1939
nebo ji jako první olajkoval,
05:16
would have scored high on that test.
139
304619
1736
měl vysokou inteligenci.
05:18
And they liked it, and their friends saw it,
140
306355
2288
A pak to viděli jeho přátelé,
05:20
and by homophily, we know that
he probably had smart friends,
he probably had smart friends,
141
308643
3122
mezi nimiž bylo podle principu
homofile hodně chytrých lidí,
homofile hodně chytrých lidí,
05:23
and so it spread to them,
and some of them liked it,
and some of them liked it,
142
311765
3056
a tak to lajkovali hlavně chytří lidé,
05:26
and they had smart friends,
143
314821
1189
kteří měli další chytré přátele,
05:28
and so it spread to them,
144
316010
807
05:28
and so it propagated through the network
145
316817
1973
a tak se to celou sítí šířilo
05:30
to a host of smart people,
146
318790
2569
hlavně mezi chytrými lidmi.
05:33
so that by the end, the action
147
321359
2056
Lajkování stránky s "curly fries"
05:35
of liking the curly fries page
148
323415
2544
se tudíž nestalo ukazatelem
vysoké inteligence
vysoké inteligence
05:37
is indicative of high intelligence,
149
325959
1615
05:39
not because of the content,
150
327574
1803
kvůli obsahu stránky,
05:41
but because the actual action of liking
151
329377
2522
ale protože lidé, kteří něco lajkují,
mají stejné vlastnosti jako ti,
mají stejné vlastnosti jako ti,
05:43
reflects back the common attributes
152
331899
1900
05:45
of other people who have done it.
153
333799
2468
kdo to lajkovali před nimi.
05:48
So this is pretty complicated stuff, right?
154
336267
2897
Celkem zapeklitá záležitost, že?
05:51
It's a hard thing to sit down and explain
155
339164
2199
Průměrnému uživateli to
vysvětlíte dost těžko,
vysvětlíte dost těžko,
05:53
to an average user, and even if you do,
156
341363
2848
a i kdyby ano, co proti tomu zmůže?
05:56
what can the average user do about it?
157
344211
2188
05:58
How do you know that
you've liked something
you've liked something
158
346399
2048
Jak pozná, že o sobě
lajkováním cosi prozrazuje,
lajkováním cosi prozrazuje,
06:00
that indicates a trait for you
159
348447
1492
06:01
that's totally irrelevant to the
content of what you've liked?
content of what you've liked?
160
349939
3545
když to vůbec nesouvisí
s obsahem toho, co lajkuje?
s obsahem toho, co lajkuje?
06:05
There's a lot of power that users don't have
161
353484
2546
K tomu by potřeboval
mnohem větší kompetence.
mnohem větší kompetence.
06:08
to control how this data is used.
162
356030
2230
06:10
And I see that as a real
problem going forward.
problem going forward.
163
358260
3112
Je to čím dál závážnější problém.
06:13
So I think there's a couple paths
164
361372
1977
Zamysleme se tedy nad tím,
jak dát uživatelům určitou kontrolu
jak dát uživatelům určitou kontrolu
06:15
that we want to look at
165
363349
1001
06:16
if we want to give users some control
166
364350
1910
nad využíváním osobních údajů.
06:18
over how this data is used,
167
366260
1740
06:20
because it's not always going to be used
168
368000
1940
Protože ne vždy budou užívány
pro jejich dobro.
pro jejich dobro.
06:21
for their benefit.
169
369940
1381
06:23
An example I often give is that,
170
371321
1422
Kdyby mě například omrzelo
učit na univerzitě,
učit na univerzitě,
06:24
if I ever get bored being a professor,
171
372743
1646
06:26
I'm going to go start a company
172
374389
1653
založím si společnost,
která bude například odhadovat,
která bude například odhadovat,
06:28
that predicts all of these attributes
173
376042
1454
06:29
and things like how well you work in teams
174
377496
1602
jestli jste týmový hráč
nebo zda nejste alkoholik.
nebo zda nejste alkoholik.
06:31
and if you're a drug user, if you're an alcoholic.
175
379098
2671
06:33
We know how to predict all that.
176
381769
1440
To opravdu umíme.
06:35
And I'm going to sell reports
177
383209
1761
A pak bych výsledky prodávala
personálním agenturám
personálním agenturám
06:36
to H.R. companies and big businesses
178
384970
2100
a vašim potencionálním zaměstnavatelům.
06:39
that want to hire you.
179
387070
2273
06:41
We totally can do that now.
180
389343
1177
Tohle fakt umíme.
Zítra se do toho můžu pustit,
Zítra se do toho můžu pustit,
06:42
I could start that business tomorrow,
181
390520
1788
06:44
and you would have
absolutely no control
absolutely no control
182
392308
2052
a vy mi nijak nezabráníte,
abych vaše data takhle použila.
abych vaše data takhle použila.
06:46
over me using your data like that.
183
394360
2138
06:48
That seems to me to be a problem.
184
396498
2292
A to je přeci problém.
06:50
So one of the paths we can go down
185
398790
1910
Můžeme mu čelit tím,
že pozměníme legislativu.
že pozměníme legislativu.
06:52
is the policy and law path.
186
400700
2032
06:54
And in some respects, I think
that that would be most effective,
that that would be most effective,
187
402732
3046
To by bylo nejúčinnější,
ale muselo by se to nejprve provést.
ale muselo by se to nejprve provést.
06:57
but the problem is we'd
actually have to do it.
actually have to do it.
188
405778
2756
07:00
Observing our political process in action
189
408534
2780
A podle toho,
jak u nás funguje zákonodárství,
jak u nás funguje zákonodárství,
07:03
makes me think it's highly unlikely
190
411314
2379
se mi mi moc nezdá,
07:05
that we're going to get a bunch of representatives
191
413693
1597
že najdeme dost zastupitelů,
07:07
to sit down, learn about this,
192
415290
1986
kteří budou ochotni
si tu problematiku nastudovat
si tu problematiku nastudovat
07:09
and then enact sweeping changes
193
417276
2106
07:11
to intellectual property law in the U.S.
194
419382
2157
a změnit žádoucím způsobem
07:13
so users control their data.
195
421539
2461
zákon o duševním vlastnictví.
07:16
We could go the policy route,
196
424000
1304
Můžeme apelovat na samotné
mediální společnosti,
mediální společnosti,
07:17
where social media companies say,
197
425304
1479
07:18
you know what? You own your data.
198
426783
1402
aby uznaly, že uživatelé mají
mít kontrolu nad svými daty.
mít kontrolu nad svými daty.
07:20
You have total control over how it's used.
199
428185
2489
07:22
The problem is that the revenue models
200
430674
1848
Jenomže příjem takových společností
vesměs plyne právě z toho,
vesměs plyne právě z toho,
07:24
for most social media companies
201
432522
1724
07:26
rely on sharing or exploiting
users' data in some way.
users' data in some way.
202
434246
4031
že data svých uživatelů
nějak sdílejí a využívají.
nějak sdílejí a využívají.
07:30
It's sometimes said of Facebook that the users
203
438277
1833
O Facebooku se říkává,
že jeho uživatelé jsou jeho zboží.
že jeho uživatelé jsou jeho zboží.
07:32
aren't the customer, they're the product.
204
440110
2528
07:34
And so how do you get a company
205
442638
2714
Jak přimět společnost,
aby se vzdala kontroly nad zdrojem příjmů
aby se vzdala kontroly nad zdrojem příjmů
07:37
to cede control of their main asset
206
445352
2558
ve prospěch uživatelů?
07:39
back to the users?
207
447910
1249
07:41
It's possible, but I don't think it's something
208
449159
1701
Asi by se to dalo zařídit,
ale rozhodně ne hned.
ale rozhodně ne hned.
07:42
that we're going to see change quickly.
209
450860
2320
07:45
So I think the other path
210
453180
1500
Proto je podle mě nejlepší jiná cesta:
znovu do toho zapojit vědu.
znovu do toho zapojit vědu.
07:46
that we can go down that's
going to be more effective
going to be more effective
211
454680
2288
07:48
is one of more science.
212
456968
1508
07:50
It's doing science that allowed us to develop
213
458476
2510
Postupy, jak vyhodnocovat osobní data,
bychom neměli, kdyby nebylo vědy.
bychom neměli, kdyby nebylo vědy.
07:52
all these mechanisms for computing
214
460986
1750
07:54
this personal data in the first place.
215
462736
2052
07:56
And it's actually very similar research
216
464788
2106
A tytéž vědecké postupy nám
mohou pomoct,
mohou pomoct,
07:58
that we'd have to do
217
466894
1438
08:00
if we want to develop mechanisms
218
468332
2386
abychom vytvořili mechanismy,
které vás upozorní
které vás upozorní
08:02
that can say to a user,
219
470718
1421
08:04
"Here's the risk of that action you just took."
220
472139
2229
na konkrétní rizika.
08:06
By liking that Facebook page,
221
474368
2080
Jako například, že když lajkujete
nebo sdílíte to a to,
nebo sdílíte to a to,
08:08
or by sharing this piece of personal information,
222
476448
2535
08:10
you've now improved my ability
223
478983
1502
tak mi tím pomáháte odhadnout,
08:12
to predict whether or not you're using drugs
224
480485
2086
zda neberete drogy
či jak vycházíte s lidmi v práci.
či jak vycházíte s lidmi v práci.
08:14
or whether or not you get
along well in the workplace.
along well in the workplace.
225
482571
2862
08:17
And that, I think, can affect whether or not
226
485433
1848
Kdybyste to věděli,
asi byste si lépe rozmysleli,
asi byste si lépe rozmysleli,
08:19
people want to share something,
227
487281
1510
08:20
keep it private, or just keep it offline altogether.
228
488791
3239
zda něco sdílet,
nebo si to nechat pro sebe.
nebo si to nechat pro sebe.
08:24
We can also look at things like
229
492030
1563
Mohli bychom se také zaměřit
na šifrování nahrávaných dat.
na šifrování nahrávaných dat.
08:25
allowing people to encrypt data that they upload,
230
493593
2728
08:28
so it's kind of invisible and worthless
231
496321
1855
Facebook či na něj navázaní
poskytovalé služeb
poskytovalé služeb
08:30
to sites like Facebook
232
498176
1431
08:31
or third party services that access it,
233
499607
2629
by tudíž data neviděli
a nemohli je použít.
a nemohli je použít.
08:34
but that select users who the person who posted it
234
502236
3247
Data by se zobrazovala jen uživatelům,
08:37
want to see it have access to see it.
235
505483
2670
kterým to povolil ten, kdo data nahrál.
08:40
This is all super exciting research
236
508153
2166
Pro vědce jsou to podnětné intelektuální
výzvy a rádi se jich zhostí.
výzvy a rádi se jich zhostí.
08:42
from an intellectual perspective,
237
510319
1620
08:43
and so scientists are going to be willing to do it.
238
511939
1859
08:45
So that gives us an advantage over the law side.
239
513798
3610
V tom je výhoda tohoto řešení
oproti zavádění legislativy.
oproti zavádění legislativy.
08:49
One of the problems that people bring up
240
517408
1725
Lidé, s nimiž o tom mluvím,
však vidí problém v tom,
však vidí problém v tom,
08:51
when I talk about this is, they say,
241
519133
1595
08:52
you know, if people start
keeping all this data private,
keeping all this data private,
242
520728
2646
že když si budeme
nechávat údaje pro sebe,
nechávat údaje pro sebe,
08:55
all those methods that you've been developing
243
523374
2113
přijdou námi vytvořené predikční
metody vniveč.
metody vniveč.
08:57
to predict their traits are going to fail.
244
525487
2653
09:00
And I say, absolutely, and for me, that's success,
245
528140
3520
Já to však beru jako úspěch!
09:03
because as a scientist,
246
531660
1786
Jsem vědec a mým úkolem není
domýšlet si o uživatelích informace,
domýšlet si o uživatelích informace,
09:05
my goal is not to infer information about users,
247
533446
3688
09:09
it's to improve the way people interact online.
248
537134
2767
ale přispívat k jejich lepší
interakci online.
interakci online.
09:11
And sometimes that involves
inferring things about them,
inferring things about them,
249
539901
3218
Někdy k tomu pomáhá,
když si o uživatelích něco domyslíme,
když si o uživatelích něco domyslíme,
09:15
but if users don't want me to use that data,
250
543119
3022
ale pokud si to nepřejí,
mají na to podle mě právo.
mají na to podle mě právo.
09:18
I think they should have the right to do that.
251
546141
2038
09:20
I want users to be informed and consenting
252
548179
2651
Chci, aby využívali námi
vytvořené nástroje
vytvořené nástroje
09:22
users of the tools that we develop.
253
550830
2112
poučeně a zodpovědně.
09:24
And so I think encouraging this kind of science
254
552942
2952
Proto je třeba podporovat
takový typ vědy
takový typ vědy
09:27
and supporting researchers
255
555894
1346
a takový typ výzkumníků,
09:29
who want to cede some of that control back to users
256
557240
3023
kteří chtějí vrátit kontrolu
nad informacemi uživatelům
nad informacemi uživatelům
09:32
and away from the social media companies
257
560263
2311
a vzít je sociálním médiím.
09:34
means that going forward, as these tools evolve
258
562574
2671
Pak totiž nebudeme mít jen
čím dál lepší techniku,
čím dál lepší techniku,
09:37
and advance,
259
565245
1476
ale také informované
a zodpovědné uživatele.
a zodpovědné uživatele.
09:38
means that we're going to have an educated
260
566721
1414
09:40
and empowered user base,
261
568135
1694
09:41
and I think all of us can agree
262
569829
1100
A asi se shodneme,
že takový vývoj by byl ideální.
že takový vývoj by byl ideální.
09:42
that that's a pretty ideal way to go forward.
263
570929
2564
09:45
Thank you.
264
573493
2184
Děkuji.
09:47
(Applause)
265
575677
3080
(Potlesk.)
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