TED@IBM
Susan Etlinger: What do we do with all this big data?
Susan Etlinger: Was machen wir mit all den Datenmengen?
Filmed:
Readability: 4.7
1,344,301 views
Helfen Daten Ihnen sich sorgloser und erfolgreicher zu fühlen? Dann ist Ihre Interpretation wohlmöglich falsch. In diesem überraschend rührenden Vortrag erklärt Susan Etlinger, warum wir bei zunehmend größeren Datenmengen unser kritisches Denken verstärken müssen. Denn es ist nicht einfach, über das Zählen von Daten hinaus zu gehen und diese wirklich zu verstehen.
Susan Etlinger - Data analyst
Susan Etlinger promotes the smart, well-considered and ethical use of data. Full bio
Susan Etlinger promotes the smart, well-considered and ethical use of data. Full bio
Double-click the English transcript below to play the video.
00:13
Technology has brought us so much:
0
1354
3135
Technik hat uns viel gebracht:
00:16
the moon landing, the Internet,
1
4489
2019
die Mondlandung, das Internet,
00:18
the ability to sequence the human genome.
2
6508
2625
die Entschlüsselung von Erbgut.
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
Aber sie nutzt auch
unsere tiefsten Ängste,
unsere tiefsten Ängste,
00:24
and about 30 years ago,
4
12857
1856
und vor ungefähr 30 Jahren
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
schrieb der Kulturkritiker
Neil Postman ein Buch namens
Neil Postman ein Buch namens
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
"Wir amüsieren uns zu Tode",
00:31
which lays this out really brilliantly.
7
19381
2759
worin dies brilliant beschrieben wird.
00:34
And here's what he said,
8
22140
1650
Er schreibt über den Vergleich
00:35
comparing the dystopian visions
9
23790
2263
der dystopischen Vorstellungen
von George Orwell und Aldous Huxley.
von George Orwell und Aldous Huxley.
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
00:41
He said, Orwell feared we would become
11
29626
3126
Orwell befürchtete, dass wir
eine gefangene Kultur werden.
eine gefangene Kultur werden.
00:44
a captive culture.
12
32752
2248
Huxley befürchtete, dass wir
eine triviale Kultur werden.
eine triviale Kultur werden.
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
00:50
Orwell feared the truth would be
14
38752
2145
Orwell fürchtete, dass die Wahrheit
vor uns verborgen wird.
vor uns verborgen wird.
00:52
concealed from us,
15
40897
1923
00:54
and Huxley feared we would be drowned
16
42820
2190
Und Huxley fürchtete, dass wir
in einem Meer der Irrelevanz ertrinken.
in einem Meer der Irrelevanz ertrinken.
00:57
in a sea of irrelevance.
17
45010
2693
00:59
In a nutshell, it's a choice between
18
47703
2170
Zusammenfassend ist es die Wahl
zwischen überwachen
zwischen überwachen
01:01
Big Brother watching you
19
49873
2600
01:04
and you watching Big Brother.
20
52473
2496
und überwacht werden.
(Gelächter)
01:06
(Laughter)
21
54969
1931
01:08
But it doesn't have to be this way.
22
56900
1734
Aber es muss nicht so sein.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
Wir sind keine passiven Konsumenten
von Daten und Technik.
von Daten und Technik.
01:13
We shape the role it plays in our lives
24
61970
2403
Wir bestimmen die Rolle,
die sie in unserem Leben spielen
die sie in unserem Leben spielen
01:16
and the way we make meaning from it,
25
64373
2130
und wie viel Bedeutung sie für uns haben.
01:18
but to do that,
26
66503
1603
Aber um das zu tun,
01:20
we have to pay as much attention to how we think
27
68106
3513
müssen wir genau so sehr
darauf achten, wie wir denken,
darauf achten, wie wir denken,
01:23
as how we code.
28
71619
2030
wie darauf, wie wir programmieren.
01:25
We have to ask questions, and hard questions,
29
73649
3098
Wir müssen schwere Fragen stellen,
um das Zählen der Dinge
hinter uns zu lassen,
hinter uns zu lassen,
01:28
to move past counting things
30
76747
1869
01:30
to understanding them.
31
78616
2602
um sie zu verstehen.
Wir werden andauernd mit Geschichten
über die Menge der Daten bombardiert,
über die Menge der Daten bombardiert,
01:33
We're constantly bombarded with stories
32
81218
2446
01:35
about how much data there is in the world,
33
83664
2476
aber wenn es um große Daten geht,
01:38
but when it comes to big data
34
86140
1580
01:39
and the challenges of interpreting it,
35
87720
2596
und die Schwierigkeiten,
diese zu interpretieren,
diese zu interpretieren,
ist die Größe nicht das Wichtigste.
01:42
size isn't everything.
36
90316
2088
01:44
There's also the speed at which it moves,
37
92404
2903
Auch die Geschwindigkeit,
in der Daten sich bewegen,
in der Daten sich bewegen,
01:47
and the many varieties of data types,
38
95307
1696
und die Vielfalt der Daten sind wichtig.
01:49
and here are just a few examples:
39
97003
2498
Hier sind nur ein paar Beispiele:
01:51
images,
40
99501
2198
Bilder,
01:53
text,
41
101699
4007
Text,
(Gelächter)
01:57
video,
42
105706
2095
Video,
01:59
audio.
43
107801
1830
Audio.
Diese ungleichen Datentypen haben gemein,
02:01
And what unites this disparate types of data
44
109631
3042
02:04
is that they're created by people
45
112673
2221
dass sie von Menschen
gemacht wurden und Kontext benötigen.
gemacht wurden und Kontext benötigen.
02:06
and they require context.
46
114894
2775
02:09
Now, there's a group of data scientists
47
117669
2445
Es gibt eine Gruppe von Datenspezialisten
an der Universität von Illinois-Chicago,
02:12
out of the University of Illinois-Chicago,
48
120114
2305
und sie heißen
"The Health Media Collaboratory".
"The Health Media Collaboratory".
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
Sie haben mit den Centers
for Disease Control zusammengearbeitet,
for Disease Control zusammengearbeitet,
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
02:19
to better understand
51
127560
1505
um besser verstehen zu können,
02:21
how people talk about quitting smoking,
52
129065
2848
wie Menschen über das
Aufhören vom Rauchen reden,
Aufhören vom Rauchen reden,
02:23
how they talk about electronic cigarettes,
53
131913
2680
wie sie über elektronische
Zigaretten reden,
Zigaretten reden,
02:26
and what they can do collectively
54
134593
1985
und was sie gemeinsam tun können,
um Menschen beim Aufhören zu helfen.
um Menschen beim Aufhören zu helfen.
02:28
to help them quit.
55
136578
1984
Das Interessante daran ist:
02:30
The interesting thing is, if you want to understand
56
138562
2013
Wenn Sie verstehen wollen,
wie Menschen über das Rauchen reden,
wie Menschen über das Rauchen reden,
02:32
how people talk about smoking,
57
140575
2216
02:34
first you have to understand
58
142791
1901
müssen Sie zuerst verstehen,
was sie mit "Rauchen" gemeint ist.
was sie mit "Rauchen" gemeint ist.
02:36
what they mean when they say "smoking."
59
144692
2565
02:39
And on Twitter, there are four main categories:
60
147257
3926
Auf Twitter gibt es vier Hauptkategorien.
02:43
number one, smoking cigarettes;
61
151183
2997
Erstens, Zigaretten rauchen.
02:46
number two, smoking marijuana;
62
154180
2807
Zweitens, Marihuana rauchen.
Drittens, Rippchen grillen.
02:48
number three, smoking ribs;
63
156987
2643
02:51
and number four, smoking hot women.
64
159630
3553
Und viertens, "rauchend" heiße Mädels.
(Gelächter)
02:55
(Laughter)
65
163183
2993
02:58
So then you have to think about, well,
66
166176
2426
Also wenn Soe darüber nachdenken müssen,
03:00
how do people talk about electronic cigarettes?
67
168602
2140
wie Leute über Elektro-Zigaretten reden --
03:02
And there are so many different ways
68
170742
2025
es gibt so viele verschieden Arten,
wie Menschen dies tun,
wie Menschen dies tun,
03:04
that people do this, and you can see from the slide
69
172767
2599
und man kann auf der Folie erkennen,
dass es eine schwierige Fragestellung ist.
dass es eine schwierige Fragestellung ist.
03:07
it's a complex kind of a query.
70
175366
2610
03:09
And what it reminds us is that
71
177976
3224
Sie zeigt uns auf,
dass Sprache von Menschen entwickelt wird,
03:13
language is created by people,
72
181200
2411
und Menschen sind chaotisch und komplex.
03:15
and people are messy and we're complex
73
183611
2340
03:17
and we use metaphors and slang and jargon
74
185951
2767
Wir benutzen Metaphern,
Umgangssprache und Jargon.
Umgangssprache und Jargon.
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
Wir tun das ununterbrochen,
in vielen Sprachen,
in vielen Sprachen,
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
und sobald wir es verstehen,
ändern wir es wieder.
ändern wir es wieder.
Genau das taten diese Fernsehwerbungen
der Centers for Disease Control,
der Centers for Disease Control,
03:27
So did these ads that the CDC put on,
77
195221
5118
03:32
these television ads that featured a woman
78
200339
2430
in denen eine Frau mit einem Loch
in ihrem Hals gezeigt wurde,
in ihrem Hals gezeigt wurde,
03:34
with a hole in her throat and that were very graphic
79
202769
2021
was recht explizit und verstörend war.
03:36
and very disturbing,
80
204790
1904
03:38
did they actually have an impact
81
206694
1885
Hatten diese Werbungen
eine Auswirkung darauf,
eine Auswirkung darauf,
03:40
on whether people quit?
82
208579
2671
ob die Menschen mit dem Rauchen
aufgehört haben?
aufgehört haben?
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
Es gab Grenzen bei
der Auswertung der Daten,
der Auswertung der Daten,
03:46
but they were able to conclude
84
214557
2005
aber sie konnten schlussfolgern
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
dass diese Werbungen --
Sie haben sie vielleicht
schon einmal gesehen --
schon einmal gesehen --
03:51
that they had the effect of jolting people
86
219874
2591
zum Denken anregten,
03:54
into a thought process
87
222465
1822
was einen Einfluss auf zukünftiges
Verhalten haben kann.
Verhalten haben kann.
03:56
that may have an impact on future behavior.
88
224287
3667
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
Abgesehen davon, dass es auf realen
menschlichen Bedürfnissen basiert,
menschlichen Bedürfnissen basiert,
04:03
aside from the fact, including the fact
90
231845
1489
04:05
that it's based on real human need,
91
233334
4057
bewundere ich so an diesem Projekt,
dass es ein fantastisches Beispiel
von Mut ist,
von Mut ist,
04:09
is that it's a fantastic example of courage
92
237391
2846
04:12
in the face of a sea of irrelevance.
93
240237
4443
im Angesicht des Meeres der Irrelevanz.
04:16
And so it's not just big data that causes
94
244680
3305
Und so sind es nicht nur
große Datenmengen,
große Datenmengen,
die Schwierigkeiten
im Interpretieren bieten,
im Interpretieren bieten,
04:19
challenges of interpretation, because let's face it,
95
247985
2601
denn, seien wir ehrlich,
04:22
we human beings have a very rich history
96
250586
2594
die menschliche Geschichte ist voll
von Missinterpretationen von Daten,
von Missinterpretationen von Daten,
04:25
of taking any amount of data, no matter how small,
97
253180
2693
egal wie klein sie sind.
04:27
and screwing it up.
98
255873
1617
Und so wurde vor vielen Jahren --
04:29
So many years ago, you may remember
99
257490
3737
Sie erinnern sich vielleicht noch daran --
04:33
that former President Ronald Reagan
100
261227
2273
der frühere Präsident
Ronald Reagan sehr kritisiert,
Ronald Reagan sehr kritisiert,
04:35
was very criticized for making a statement
101
263500
1991
als er sagte, dass Fakten unnötig sind.
04:37
that facts are stupid things.
102
265491
3010
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
Und, seien wir fair,
er hatte sich versprochen.
er hatte sich versprochen.
04:43
He actually meant to quote John Adams' defense
104
271295
2430
Er wollte eigentlich John Adams'
Verteidigung über Britische Soldaten
Verteidigung über Britische Soldaten
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
in den Boston-Massaker-Prozessen zitieren,
04:48
that facts are stubborn things.
106
276476
3150
nämlich, dass Fakten stur sind.
04:51
But I actually think there's
107
279626
2624
Aber ich denke, dass dort ein wenig
unabsichtliche Weisheit drinsteckt.
unabsichtliche Weisheit drinsteckt.
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
04:57
because facts are stubborn things,
109
285668
2776
Fakten sind stur,
und manchmal sind sie auch unnütz.
05:00
but sometimes they're stupid, too.
110
288444
2923
05:03
I want to tell you a personal story
111
291367
1888
Ich möchte Ihnen eine
persönliche Geschichte darüber erzählen,
persönliche Geschichte darüber erzählen,
05:05
about why this matters a lot to me.
112
293255
3548
warum das alles für mich so wichtig ist.
05:08
I need to take a breath.
113
296803
2437
Ich muss einmal kurz durchatmen.
Mein Sohn Isaac wurde mit zwei Jahren
mit Autismus diagnostiziert.
mit Autismus diagnostiziert.
05:11
My son Isaac, when he was two,
114
299240
2754
05:13
was diagnosed with autism,
115
301994
2417
Er war ein glücklicher, lustiger,
liebevoller, herzlicher kleiner Junge,
liebevoller, herzlicher kleiner Junge,
05:16
and he was this happy, hilarious,
116
304411
2161
05:18
loving, affectionate little guy,
117
306572
2035
05:20
but the metrics on his developmental evaluations,
118
308607
2902
aber die Daten seiner
Entwicklungsauswertung,
Entwicklungsauswertung,
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
die aus Dingen bestanden,
wie die Anzahl der Wörter --
wie die Anzahl der Wörter --
05:25
at that point, none —
120
313579
3657
was damals gar keine waren --
05:29
communicative gestures and minimal eye contact,
121
317236
3940
kommunizierende Gesten
und minimaler Augenkontakt,
und minimaler Augenkontakt,
stellten ihn auf eine Entwicklungsstufe
eines neun Monate alten Babys.
eines neun Monate alten Babys.
05:33
put his developmental level
122
321176
2003
05:35
at that of a nine-month-old baby.
123
323179
3961
Die Diagnose war sachlich korrekt,
05:39
And the diagnosis was factually correct,
124
327140
2960
05:42
but it didn't tell the whole story.
125
330100
3209
aber sie erzählte nicht
die ganze Geschichte.
die ganze Geschichte.
Ungefähr anderthalb Jahre später,
als er fast vier Jahre alt war,
als er fast vier Jahre alt war,
05:45
And about a year and a half later,
126
333309
1401
05:46
when he was almost four,
127
334710
2102
05:48
I found him in front of the computer one day
128
336812
2363
habe ich ihn vor dem Computer gefunden,
05:51
running a Google image search on women,
129
339175
5453
während er Bilder von Frauen
auf Google suchte,
auf Google suchte,
die er "V r a u e n" schrieb.
05:56
spelled "w-i-m-e-n."
130
344628
3616
06:00
And I did what any obsessed parent would do,
131
348244
2740
Und ich tat, was alle
besorgten Eltern tun würden,
besorgten Eltern tun würden,
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
und durchsuchte sofort den Verlauf,
um zu schauen,
um zu schauen,
06:04
to see what else he'd been searching for.
133
352885
3363
wonach er sonst noch gesucht hat.
06:08
And they were, in order: men,
134
356248
2171
Es war in dieser Reihenfolge:
Männer, Schule, Bus
Männer, Schule, Bus
06:10
school, bus and computer.
135
358419
7267
und Computer.
Ich war sprachlos,
06:17
And I was stunned,
136
365686
2070
denn wir wussten nicht,
dass er schreiben oder lesen konnte,
dass er schreiben oder lesen konnte,
06:19
because we didn't know that he could spell,
137
367756
2002
06:21
much less read, and so I asked him,
138
369758
1766
und so fragte ich ihn:
"Isaac, wie hast du das gemacht?"
"Isaac, wie hast du das gemacht?"
06:23
"Isaac, how did you do this?"
139
371524
2193
06:25
And he looked at me very seriously and said,
140
373717
2678
Er sah mich ernst an und sagte:
06:28
"Typed in the box."
141
376395
3352
"Ich hab in die Box getippt."
06:31
He was teaching himself to communicate,
142
379747
3734
Er brachte sich bei zu kommunizieren.
Wir haben bloß auf
die falschen Dinge geachtet.
die falschen Dinge geachtet.
06:35
but we were looking in the wrong place,
143
383481
3004
Und so etwas passiert,
06:38
and this is what happens when assessments
144
386485
2295
wenn Bewertungen und Analysen
einen bestimmten Teil überbewerten --
einen bestimmten Teil überbewerten --
06:40
and analytics overvalue one metric —
145
388780
2396
06:43
in this case, verbal communication —
146
391176
2609
in diesem Fall, verbale Kommunikation --
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
und andere unterschätzen,
wie kreative Problemlösung.
wie kreative Problemlösung.
Kommunikation war schwer für Isaac,
06:51
Communication was hard for Isaac,
148
399488
2307
also fand er eine andere Lösung
um herauszufinden, was er wissen wollte.
um herauszufinden, was er wissen wollte.
06:53
and so he found a workaround
149
401795
1912
06:55
to find out what he needed to know.
150
403707
2857
Wenn man darüber nachdenkt,
ergibt es eine Menge Sinn,
ergibt es eine Menge Sinn,
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
07:00
because forming a question
152
408454
2081
denn eine Frage zu stellen,
ist ein wirklich komplexer Prozess,
ist ein wirklich komplexer Prozess,
07:02
is a really complex process,
153
410535
2565
07:05
but he could get himself a lot of the way there
154
413100
2522
aber er konnte sich selbst helfen,
in dem er ein Wort in die Suchbox eintrug.
in dem er ein Wort in die Suchbox eintrug.
07:07
by putting a word in a search box.
155
415622
4092
07:11
And so this little moment
156
419714
2936
Und so hatte dieser kleine Moment
einen tiefen Einfluss auf mich
07:14
had a really profound impact on me
157
422650
2836
und unsere Familie,
07:17
and our family
158
425486
1309
07:18
because it helped us change our frame of reference
159
426795
3141
denn es half uns,
die Rahmenbedingungen
für sein Verhalten zu ändern,
für sein Verhalten zu ändern,
07:21
for what was going on with him,
160
429936
2208
uns weniger Sorgen zu machen
07:24
and worry a little bit less and appreciate
161
432144
2976
und seinen Einfallsreichtum
mehr zu würdigen.
mehr zu würdigen.
07:27
his resourcefulness more.
162
435120
2182
07:29
Facts are stupid things.
163
437302
2861
Fakten sind unnütz.
07:32
And they're vulnerable to misuse,
164
440163
2397
Man kann sie
zu leicht falsch anwenden,
zu leicht falsch anwenden,
07:34
willful or otherwise.
165
442560
1653
gewollt oder nicht.
Meine Freundin, Emily Willingham,
ist Wissenschaftlerin
ist Wissenschaftlerin
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
und sie schrieb vor kurzem
einen Artikel für Forbes
einen Artikel für Forbes
namens "Die 10 komischsten Dinge,
die mit Autismus verbunden werden"
die mit Autismus verbunden werden"
07:42
entitled "The 10 Weirdest Things
168
450040
1980
07:44
Ever Linked to Autism."
169
452020
1810
07:45
It's quite a list.
170
453830
3005
Es ist eine ziemlich lange Liste.
07:48
The Internet, blamed for everything, right?
171
456835
3532
Dem Internet kann man immer
die Schuld geben, nicht wahr?
die Schuld geben, nicht wahr?
Und natürlich auch Müttern.
07:52
And of course mothers, because.
172
460367
3757
Und es gibt noch mehr,
07:56
And actually, wait, there's more,
173
464124
1587
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
ein ganzes Bündel
in der "Mutter-Kategorie".
in der "Mutter-Kategorie".
Man sieht, dass es eine ziemlich
interessante und ausführliche Liste ist,
interessante und ausführliche Liste ist,
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
Mir gefallt besonders:
08:05
I'm a big fan of
176
473956
2193
"Schwanger in der Nähe
von Autobahnen zu sein."
von Autobahnen zu sein."
08:08
being pregnant near freeways, personally.
177
476149
3704
(Gelächter)
08:11
The final one is interesting,
178
479853
1539
Der letzte Punkt ist interessant,
08:13
because the term "refrigerator mother"
179
481392
3003
denn der Begriff "Kühlschrank-Mutter"
08:16
was actually the original hypothesis
180
484395
2605
war die ursprüngliche Hypothese
über die Ursache von Autismus,
über die Ursache von Autismus,
08:19
for the cause of autism,
181
487000
1431
und dieser Begriff bezieht sich auf
eine kalte und lieblose Person.
eine kalte und lieblose Person.
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
08:23
And at this point, you might be thinking,
183
491166
1562
Jetzt denken Sie sich vielleicht,
08:24
"Okay, Susan, we get it,
184
492728
1657
"Schon klar, Susan, man kann Daten
allmächtig werden lassen."
allmächtig werden lassen."
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
08:28
And this is true, it's absolutely true,
186
496167
4703
Und das stimmt,
das stimmt absolut.
08:32
but the challenge is that
187
500870
5610
Aber die Schwierigkeit besteht darin,
08:38
we have this opportunity
188
506480
2448
dass wir diese Möglichkeit haben,
für uns Sinn aus diesen Daten zu ziehen,
für uns Sinn aus diesen Daten zu ziehen,
08:40
to try to make meaning out of it ourselves,
189
508928
2284
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
denn Daten ergeben keinen Sinn,
wir verleihen ihnen Sinn.
wir verleihen ihnen Sinn.
08:48
So as businesspeople, as consumers,
191
516564
3256
Als Geschäftsleute, als Konsumenten,
als Patienten, als Bürger,
als Patienten, als Bürger,
08:51
as patients, as citizens,
192
519820
2539
haben wir die Verantwortung,
mehr Zeit darauf zu verwerden,
mehr Zeit darauf zu verwerden,
08:54
we have a responsibility, I think,
193
522359
2396
08:56
to spend more time
194
524755
2194
uns mit unserer Fähigkeit,
kritisch zu hinterfragen, zu beschäftigen.
kritisch zu hinterfragen, zu beschäftigen.
08:58
focusing on our critical thinking skills.
195
526949
2870
09:01
Why?
196
529819
1078
Warum?
09:02
Because at this point in our history, as we've heard
197
530897
3178
Weil wir heutzutage
schon oft gehört haben,
schon oft gehört haben,
09:06
many times over,
198
534075
1706
09:07
we can process exabytes of data
199
535781
1981
dass wir Exabytes von Daten
in Lichtgeschwindigkeit
verarbeiten können,
verarbeiten können,
09:09
at lightning speed,
200
537762
2153
09:11
and we have the potential to make bad decisions
201
539915
3515
und das Potenzial haben,
schlechte Entscheidungen
viel schneller und effizienter zu treffen,
viel schneller und effizienter zu treffen,
09:15
far more quickly, efficiently,
202
543430
1834
und mit viel größeren Auswirkungen
als in der Vergangenheit.
als in der Vergangenheit.
09:17
and with far greater impact than we did in the past.
203
545264
5028
09:22
Great, right?
204
550292
1388
Toll, oder?
09:23
And so what we need to do instead
205
551680
3030
Also müssen wir stattdessen mehr Zeit
mit Sachen wie Geisteswissenschaften,
mit Sachen wie Geisteswissenschaften,
09:26
is spend a little bit more time
206
554710
2330
09:29
on things like the humanities
207
557040
2746
Soziologie und den Sozialwissenschaften
09:31
and sociology, and the social sciences,
208
559786
3464
Rhetorik, Philosophie, Ethik verbringen,
09:35
rhetoric, philosophy, ethics,
209
563250
2308
09:37
because they give us context that is so important
210
565558
2856
denn sie geben uns den Kontext,
der so wichtig für große Datenmengen ist,
der so wichtig für große Datenmengen ist,
09:40
for big data, and because
211
568414
2576
und deshalb helfen sie uns,
bessere Kritiker zu werden.
bessere Kritiker zu werden.
09:42
they help us become better critical thinkers.
212
570990
2418
09:45
Because after all, if I can spot
213
573408
4207
Wenn ich nämlich ein Problem
in einem Argument erkennen kann,
in einem Argument erkennen kann,
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
ist es unwichtig, ob es in Zahlen
oder Wörtern ausgedrückt ist.
oder Wörtern ausgedrückt ist.
09:52
whether it's expressed in words or in numbers.
215
580101
2759
09:54
And this means
216
582860
2719
Und das bedeutet,
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
uns selbst beizubringen,
diesen Drang nach Bestätigung
und falsche Zusammenhänge zu finden,
und falsche Zusammenhänge zu finden,
10:02
and false correlations
218
590000
1822
und in der Lage zu sein,
10:03
and being able to spot a naked emotional appeal
219
591822
2138
einen bloßen emotionalen Anreiz
aus 30 m Entfernung zu erkennen,
aus 30 m Entfernung zu erkennen,
10:05
from 30 yards,
220
593960
1662
10:07
because something that happens after something
221
595622
2522
denn nur weil etwas
nach etwas anderem passiert,
nach etwas anderem passiert,
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
bedeutet das nicht,
dass es deswegen passiert ist.
dass es deswegen passiert ist.
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
Und wenn ich meinen Nerd einmal kurz
raushängen lassen darf,
raushängen lassen darf,
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
die Römer nannten dies:
"post hoc ergo propter hoc".
"post hoc ergo propter hoc".
10:19
after which therefore because of which.
225
607642
3296
"Danach, also deswegen."
Und es bedeutet,
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
Wissenszweige wie Demografien
zu hinterfragen.
zu hinterfragen.
10:26
Why? Because they're based on assumptions
227
614695
2520
Warum?
Weil sie auf Annahmen aufbauen,
10:29
about who we all are based on our gender
228
617215
2306
darauf, wer wir durch unser Geschlecht,
unser Alter und unseren Wohnort sind,
unser Alter und unseren Wohnort sind,
10:31
and our age and where we live
229
619521
1462
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
und nicht darauf, was wir
tatsächlich denken und tun.
tatsächlich denken und tun.
10:36
And since we have this data,
231
624461
1663
Und da wir diese Daten haben,
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
müssen wir sie mit angemessenem
Datenschutz behandeln,
Datenschutz behandeln,
10:41
and consumer opt-in,
233
629263
3576
und Konsumentenbeteiligung,
10:44
and beyond that, we need to be clear
234
632839
2993
und darüber hinaus müssen wir uns
über unsere Hypothesen und Methoden,
über unsere Hypothesen und Methoden,
10:47
about our hypotheses,
235
635832
2103
10:49
the methodologies that we use,
236
637935
2596
die wir nutzen,
und unser Vertrauen in
das Ergebnis, im Klaren sein.
das Ergebnis, im Klaren sein.
10:52
and our confidence in the result.
237
640531
2804
10:55
As my high school algebra teacher used to say,
238
643335
2474
Wie mein Mathelehrer zu pflegen sagte:
"Zeig mir deine Rechenwege,
10:57
show your math,
239
645809
1531
10:59
because if I don't know what steps you took,
240
647340
3441
wenn ich nämlich nicht weiß,
was du gemacht hast und was nicht,
11:02
I don't know what steps you didn't take,
241
650781
1991
und wenn ich nicht weiß,
welche Fragen du gestellt hast,
welche Fragen du gestellt hast,
11:04
and if I don't know what questions you asked,
242
652772
2438
11:07
I don't know what questions you didn't ask.
243
655210
3197
dann weiß ich auch nicht,
welche Fragen du nicht gestellt hast."
welche Fragen du nicht gestellt hast."
11:10
And it means asking ourselves, really,
244
658407
1523
Es bedeutet wirklich, uns selbst
die schwerste aller Fragen zu stellen:
die schwerste aller Fragen zu stellen:
11:11
the hardest question of all:
245
659930
1479
11:13
Did the data really show us this,
246
661409
3500
Haben die Daten uns dies gezeigt
oder lässt uns das Ergebnis uns
erfolgreicher und behaglicher fühlen?
erfolgreicher und behaglicher fühlen?
11:16
or does the result make us feel
247
664909
2311
11:19
more successful and more comfortable?
248
667220
3878
11:23
So the Health Media Collaboratory,
249
671098
2584
Die "Health Media Collaboratory"
11:25
at the end of their project, they were able
250
673682
1699
fand letztendlich heraus,
dass 87% der Tweets
dass 87% der Tweets
11:27
to find that 87 percent of tweets
251
675381
3408
11:30
about those very graphic and disturbing
252
678789
2144
über die explizite und verstörende
Anti-Raucher-Kampagne
Anti-Raucher-Kampagne
11:32
anti-smoking ads expressed fear,
253
680933
4038
Angst äußerten,
11:36
but did they conclude
254
684971
1856
aber haben sie geschlussfolgert,
11:38
that they actually made people stop smoking?
255
686827
3161
dass die Kampagne Menschen
zum Aufhören bewegte?
zum Aufhören bewegte?
Nein. Es ist Wissenschaft, keine Magie.
11:41
No. It's science, not magic.
256
689988
2542
11:44
So if we are to unlock
257
692530
3190
Also wenn wir die Macht
der Daten entschlüsseln,
der Daten entschlüsseln,
11:47
the power of data,
258
695720
2862
11:50
we don't have to go blindly into
259
698582
3448
müssen wir nicht blindlings
in Orwells Vorstellung
einer totalitären Zukunft laufen,
einer totalitären Zukunft laufen,
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
oder Huxleys Vorstellung
von einer trivialen,
von einer trivialen,
11:57
or Huxley's vision of a trivial one,
261
705466
3117
12:00
or some horrible cocktail of both.
262
708583
3020
oder eine furchtbare Mischung aus beidem.
12:03
What we have to do
263
711603
2379
Wir müssen kritischem
Denken mit Respekt zu begegnen
Denken mit Respekt zu begegnen
12:05
is treat critical thinking with respect
264
713982
2718
12:08
and be inspired by examples
265
716700
2029
und von Beispielen wie der Health
Media Collaboratory inspiriert werden.
Media Collaboratory inspiriert werden.
12:10
like the Health Media Collaboratory,
266
718729
2610
Wie sagt man in den Superhelden-Filmen?
12:13
and as they say in the superhero movies,
267
721339
2328
12:15
let's use our powers for good.
268
723667
1822
Setzen wir unsere Macht für das Gute ein.
12:17
Thank you.
269
725489
2351
Danke.
(Applaus)
12:19
(Applause)
270
727840
2334
ABOUT THE SPEAKER
Susan Etlinger - Data analystSusan Etlinger promotes the smart, well-considered and ethical use of data.
Why you should listen
Susan Etlinger is an industry analyst with Altimeter Group, where she focuses on data and analytics. She conducts independent research and has authored two intriguing reports: “The Social Media ROI Cookbook” and “A Framework for Social Analytics.” She also advises global clients on how to work measurement into their organizational structure and how to extract insights from the social web which can lead to tangible actions. In addition, she works with technology innovators to help them refine their roadmaps and strategies.
Etlinger is on the board of The Big Boulder Initiative, an industry organization dedicated to promoting the successful and ethical use of social data. She is regularly interviewed and asked to speak on data strategy and best practices, and has been quoted in media outlets like The Wall Street Journal, The New York Times, and the BBC.
Susan Etlinger | Speaker | TED.com