TED@IBM
Susan Etlinger: What do we do with all this big data?
سوزان اتلینگر: با این حجم وسیع اطلاعات چه می کنیم؟
Filmed:
Readability: 4.7
1,344,301 views
آیا داشتن اطلاعاتی خاص به شما احساس راحتی بیشتری می دهد؟ احساس موفقیت بیشتری می دهد؟ پس به احتمال زیاد برداشت شما از اطلاعاتتان نادرست است. در یک سخنرانی بسیار جالب، سوزان اتلینگر نشان می دهد که چرا ما باید همزمان با گسترش اطلاعاتمان، تفکر انتقادی خودمان را هم تعمیق دهیم. چرا که درک مفهوم اطلاعات چیزی فراتر از شمارش و اعداد است.
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
تکنولوژی دست آوردهای زیادی داشته است:
00:16
the moon landing, the Internet,
1
4489
2019
سفر به کره ماه، اینترنت،
00:18
the ability to sequence the human genome.
2
6508
2625
توانمندی در دست کاری ژنتیک انسان
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
اما خیلی از ترسهای قدیمی ما را
نیز تازه می کند،
نیز تازه می کند،
00:24
and about 30 years ago,
4
12857
1856
در حدود ۳۰ سال پیش
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
منتقد فرهنگی، نیل پُستمن، کتابی نوشت
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
به نام «زندگی در عیش، مردن در خوشی»
00:31
which lays this out really brilliantly.
7
19381
2759
که این موضوع را به خوبی بیان می کند.
00:34
And here's what he said,
8
22140
1650
او این مساله را با
00:35
comparing the dystopian visions
9
23790
2263
مقایسه تصورات جورج اورول و آلدوس هاکسلی
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
از ناکجا آباد بیان می کند.
00:41
He said, Orwell feared we would become
11
29626
3126
او می گوید، اورول می ترسید که ما
00:44
a captive culture.
12
32752
2248
به لحاظ فرهنگی اسیر شویم.
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
هاکسی می ترسید که ما به لحاظ فرهنگی
بی محتوا شویم.
بی محتوا شویم.
00:50
Orwell feared the truth would be
14
38752
2145
اورول می ترسید که حقیقت
00:52
concealed from us,
15
40897
1923
از ما پنهان شود.
00:54
and Huxley feared we would be drowned
16
42820
2190
و هاکسلی می ترسید که ما
00:57
in a sea of irrelevance.
17
45010
2693
در دریای حاشیه ها غرق شویم.
00:59
In a nutshell, it's a choice between
18
47703
2170
به صورت کلی، این یک انتخاب بین این است که
01:01
Big Brother watching you
19
49873
2600
«برادر بزرگ» بر شما نظارت کند
01:04
and you watching Big Brother.
20
52473
2496
یا شما بر «برادر بزرگ» نظارت کنید.
01:06
(Laughter)
21
54969
1931
(خنده حضار)
01:08
But it doesn't have to be this way.
22
56900
1734
اما لزومی ندارد که اینگونه بماند.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
ما مصرف کنندگان مطیع داده و فناوری نیستیم.
01:13
We shape the role it plays in our lives
24
61970
2403
ما نقش آن را در زندگی خود شکل می دهیم
01:16
and the way we make meaning from it,
25
64373
2130
و به آن معنا می دهیم،
01:18
but to do that,
26
66503
1603
ولی برای انجام این کار،
01:20
we have to pay as much attention to how we think
27
68106
3513
باید به همان میزان به نحوه فکر کردنمان
اهمیت بدهیم،
اهمیت بدهیم،
01:23
as how we code.
28
71619
2030
که به نحوه کد نوشتنمان اهمیت می دهیم.
01:25
We have to ask questions, and hard questions,
29
73649
3098
ما باید سوال بپرسیم، سوالهای سخت،
01:28
to move past counting things
30
76747
1869
تا از شمارش عبور کنیم،
01:30
to understanding them.
31
78616
2602
و به ادراک و فهم اطلاعات برسیم.
01:33
We're constantly bombarded with stories
32
81218
2446
ما دائما با داستانهای مختلفی درباره این که
01:35
about how much data there is in the world,
33
83664
2476
چقدر داده در جهان وجود دارد
بمباران می شویم،
بمباران می شویم،
01:38
but when it comes to big data
34
86140
1580
اما وقتی صحبت از داده های بزرگ
01:39
and the challenges of interpreting it,
35
87720
2596
و چالش تفسیر آن می شود،
01:42
size isn't everything.
36
90316
2088
اندازه همه چیز نیست.
01:44
There's also the speed at which it moves,
37
92404
2903
سرعت جابجایی آن نیز مطرح است،
01:47
and the many varieties of data types,
38
95307
1696
و تنوع اشکال مختلف داده،
01:49
and here are just a few examples:
39
97003
2498
اینجا فقط چند نمونه را می گویم:
01:51
images,
40
99501
2198
تصاویر،
01:53
text,
41
101699
4007
متن،
01:57
video,
42
105706
2095
ویدیو،
01:59
audio.
43
107801
1830
صوت.
02:01
And what unites this disparate types of data
44
109631
3042
و چیزی که این داده ها را به هم
مربوط می سازد
مربوط می سازد
02:04
is that they're created by people
45
112673
2221
این است که همه آنها توسط آدمها
تولید شده اند
تولید شده اند
02:06
and they require context.
46
114894
2775
و همه آنها مفهوم دارند.
02:09
Now, there's a group of data scientists
47
117669
2445
بسیار خوب، گروهی از دانشمندان
02:12
out of the University of Illinois-Chicago,
48
120114
2305
در دانشگاه ایلینویز-شیکاگو وجود دارند،
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
که به آنان «کارگروه سلامت رسانه» می گویند،
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
و با مراکز کنترل بیماری ها کار می کنند
02:19
to better understand
51
127560
1505
تا درک بهتری داشته باشند
از گفتگوی
از گفتگوی
02:21
how people talk about quitting smoking,
52
129065
2848
مردم در رابطه با ترک دود( سیگار)،
02:23
how they talk about electronic cigarettes,
53
131913
2680
درباره سیگارهای الکترونیکی،
02:26
and what they can do collectively
54
134593
1985
و این که کلا چه کاری می توان انجام داد،
02:28
to help them quit.
55
136578
1984
که به ترک سیگار کمک شود.
02:30
The interesting thing is, if you want to understand
56
138562
2013
نکته جالب این است که اگر بخواهیم درک کنیم
02:32
how people talk about smoking,
57
140575
2216
که مردم چطور درباره دود حرف می زنند،
02:34
first you have to understand
58
142791
1901
ابتدا باید بفهمیم که
02:36
what they mean when they say "smoking."
59
144692
2565
منظور آنها وقتی می گویند «دود» چیست.
02:39
And on Twitter, there are four main categories:
60
147257
3926
و در توییتر، ۴ دسته بندی اصلی وجود دارد:
02:43
number one, smoking cigarettes;
61
151183
2997
شماره یک: دود سیگار؛
02:46
number two, smoking marijuana;
62
154180
2807
شماره دو: دود ماریجوانا (علف)
02:48
number three, smoking ribs;
63
156987
2643
شماره سه: کباب دودی
02:51
and number four, smoking hot women.
64
159630
3553
شماره سه: با دخترهای خوشگل اشنا شوید.(دود کردن دخترها)
02:55
(Laughter)
65
163183
2993
(خنده حضار)
02:58
So then you have to think about, well,
66
166176
2426
پس بعد باید درباره این فکر کنید که،
03:00
how do people talk about electronic cigarettes?
67
168602
2140
چطور راجع به سیگارهای الکترونیکی
صحبت می شود؟
صحبت می شود؟
03:02
And there are so many different ways
68
170742
2025
و مردم به اشکال مختلفی این کار را
03:04
that people do this, and you can see from the slide
69
172767
2599
انجام می دهند، که می توانید در
اسلاید ببینید که
اسلاید ببینید که
03:07
it's a complex kind of a query.
70
175366
2610
بسیار پیچیده است.
03:09
And what it reminds us is that
71
177976
3224
و آنچه که به یاد ما می آورد این است که
03:13
language is created by people,
72
181200
2411
زبان توسط افراد ایجاد می شود،
03:15
and people are messy and we're complex
73
183611
2340
و افراد درهم و برهم و پیچیده اند
03:17
and we use metaphors and slang and jargon
74
185951
2767
و ما از ضرب المثل وکنایه و هجو
استفاده می کنیم
استفاده می کنیم
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
و این کار را هر روز و هر ساعت،
به زبانهای مختلف انجام می دهیم.
به زبانهای مختلف انجام می دهیم.
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
و بعد به محض اینکه کارمان با آن
تمام می شود، تغییرش می دهیم.
تمام می شود، تغییرش می دهیم.
03:27
So did these ads that the CDC put on,
77
195221
5118
مانند کاری که تبلیغات شرکت CDC انجام داد.
03:32
these television ads that featured a woman
78
200339
2430
تبلیغاتی تلویزیونی که زنی را نشان می داد
03:34
with a hole in her throat and that were very graphic
79
202769
2021
با یک سوراخ روی گلویش، با تصویری واضح
03:36
and very disturbing,
80
204790
1904
و بسیار ناراحت کننده،
03:38
did they actually have an impact
81
206694
1885
آیا واقعا تاثیری بر روی
03:40
on whether people quit?
82
208579
2671
ترک سیگار داشت؟
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
و «کارگروه سلامت رسانه» با احترام به
محدودیت اطلاعاتشان،
محدودیت اطلاعاتشان،
03:46
but they were able to conclude
84
214557
2005
نتیجه گیری کرد که
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
این گونه تبلیغات -
که شما ممکن است دیده باشید -
که شما ممکن است دیده باشید -
03:51
that they had the effect of jolting people
86
219874
2591
مردم را درگیر به یک
03:54
into a thought process
87
222465
1822
فرآیند فکری می کنند
03:56
that may have an impact on future behavior.
88
224287
3667
که ممکن است بر رفتار آنها
در آینده اثر بگذارد.
در آینده اثر بگذارد.
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
و آنچه که من در ارتباط با این پروژه
تحسین می کنم،
تحسین می کنم،
04:03
aside from the fact, including the fact
90
231845
1489
به جز این حقیقت که
04:05
that it's based on real human need,
91
233334
4057
بر اساس نیاز واقعی انسان است،
04:09
is that it's a fantastic example of courage
92
237391
2846
این است که این یک مثال فوق العاده از
«شجاعت»
«شجاعت»
04:12
in the face of a sea of irrelevance.
93
240237
4443
در مواجهه با «دریایی از حاشیه ها» است.
04:16
And so it's not just big data that causes
94
244680
3305
و خب تنها حجم عظیم اطلاعات نیستند
که باعث می شوند
که باعث می شوند
04:19
challenges of interpretation, because let's face it,
95
247985
2601
چالش هایی در تفسیر رخ دهد٬
زیرا بگذارید با آن روبرو شویم٬
زیرا بگذارید با آن روبرو شویم٬
04:22
we human beings have a very rich history
96
250586
2594
ما انسان ها تاریخی غنی داریم
04:25
of taking any amount of data, no matter how small,
97
253180
2693
از گرفتن هر حجمی از اطلاعات٬ هرچند کوچک٬
04:27
and screwing it up.
98
255873
1617
و نهایتاً خراب کردن آن.
04:29
So many years ago, you may remember
99
257490
3737
خب چندین سال پیش
شما ممکن است به یاد داشته باشید
شما ممکن است به یاد داشته باشید
04:33
that former President Ronald Reagan
100
261227
2273
که رئیس جمهور سابق رونالد ریگان
04:35
was very criticized for making a statement
101
263500
1991
شدیدا بخاطر صحبتش درباره
04:37
that facts are stupid things.
102
265491
3010
«احمقانه بودن حقایق» انتقاد شد.
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
بیایید منصف باشیم چون اون از دستش در رفت.
04:43
He actually meant to quote John Adams' defense
104
271295
2430
در حقیقت منظورش
نقلی قولی از دفاعیه جان آدامز بود
نقلی قولی از دفاعیه جان آدامز بود
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
درباره سربازان بریتانیایی
در محاکمه «قتل عام بوستون»
در محاکمه «قتل عام بوستون»
04:48
that facts are stubborn things.
106
276476
3150
که حقایق مطالبی سرسخت هستند.
04:51
But I actually think there's
107
279626
2624
اما من واقعاً فکر می کنم
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
تصادفاً مقداری از ذکاوت
در آن چه گفت وجود دارد٬
در آن چه گفت وجود دارد٬
04:57
because facts are stubborn things,
109
285668
2776
چرا که واقعاً حقایق محکمند،
05:00
but sometimes they're stupid, too.
110
288444
2923
اما برخی اوقات احمقانه هم هستند.
05:03
I want to tell you a personal story
111
291367
1888
می خواهم داستانی شخصی را برایتان بگویم
05:05
about why this matters a lot to me.
112
293255
3548
که چرا اینقدر این مسأله برایم مهم است.
05:08
I need to take a breath.
113
296803
2437
بگذارید نفسی تازه کنم.
05:11
My son Isaac, when he was two,
114
299240
2754
پسرم ایزاک٬ در دو سالگی
05:13
was diagnosed with autism,
115
301994
2417
مبتلا به اوتیسم شد٬
05:16
and he was this happy, hilarious,
116
304411
2161
و او مرد کوچک خوشحال، بشاش،
05:18
loving, affectionate little guy,
117
306572
2035
دوست داشتنی و خونگرم بود
05:20
but the metrics on his developmental evaluations,
118
308607
2902
اما مقیاس های ارزیابی رشد او،
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
که به مواردی چون تعداد کلمات نگاه می کرد
05:25
at that point, none —
120
313579
3657
و در آن زمان،
05:29
communicative gestures and minimal eye contact,
121
317236
3940
نبود علائم روشنی از ارتباط
و حداقل تماس چشمی
و حداقل تماس چشمی
05:33
put his developmental level
122
321176
2003
سطح رشد او را
05:35
at that of a nine-month-old baby.
123
323179
3961
برابر با کودکی 9 ماهه قرار داد.
05:39
And the diagnosis was factually correct,
124
327140
2960
و تشخیص بیماری در حقیقت درست بود٬
05:42
but it didn't tell the whole story.
125
330100
3209
اما تمام ماجرا را بیان نمی کرد.
05:45
And about a year and a half later,
126
333309
1401
و یکسال و نیم بعد٬
05:46
when he was almost four,
127
334710
2102
وقتی که پسرم ۴ ساله بود٬
05:48
I found him in front of the computer one day
128
336812
2363
روزی دیدم پسرم جلوی کامپیوتر نشسته
05:51
running a Google image search on women,
129
339175
5453
و جستجوی تصویری را
درباره کلمه «زنان» انجام می دهد٬
درباره کلمه «زنان» انجام می دهد٬
05:56
spelled "w-i-m-e-n."
130
344628
3616
در حالی که یک حرف از کلمه را
اشتباه هجی کرده بود.
اشتباه هجی کرده بود.
06:00
And I did what any obsessed parent would do,
131
348244
2740
و من کاری را کردم که
هر مادر حساسی انجام می داد٬
هر مادر حساسی انجام می داد٬
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
و فوراً کلید عقبگرد را زدم
06:04
to see what else he'd been searching for.
133
352885
3363
تا ببینم
او درباره چه چیزهایی جستجو می کرده است.
او درباره چه چیزهایی جستجو می کرده است.
06:08
And they were, in order: men,
134
356248
2171
و آن ها به ترتیب: مردان٬
06:10
school, bus and computer.
135
358419
7267
مدرسه٬ اتوبوس و کامپیوتر بودند.
06:17
And I was stunned,
136
365686
2070
و من شگفت زده شدم٬
06:19
because we didn't know that he could spell,
137
367756
2002
چون ما نمی دانستیم که او می تواند هجی کند٬
06:21
much less read, and so I asked him,
138
369758
1766
یا بخواند، و خب از او پرسیدم،
06:23
"Isaac, how did you do this?"
139
371524
2193
«ایزاک٬ چطور این کار رو کردی؟»
06:25
And he looked at me very seriously and said,
140
373717
2678
او خیلی جدی به من نگاه کرد و گفت٬
06:28
"Typed in the box."
141
376395
3352
«تو این کادر جستجو نوشتم.»
06:31
He was teaching himself to communicate,
142
379747
3734
او به خودش یاد می داد
تا ارتباط برقرار کند٬
تا ارتباط برقرار کند٬
06:35
but we were looking in the wrong place,
143
383481
3004
اما ما در مسیر غلطی بودیم٬
06:38
and this is what happens when assessments
144
386485
2295
و این چیزی است که اتفاق می افتد
وقتی ارزیابی ها
وقتی ارزیابی ها
06:40
and analytics overvalue one metric —
145
388780
2396
و تحلیل ها یک ویژگی را بیشتر اهمیت می دهند
06:43
in this case, verbal communication —
146
391176
2609
که در این مورد ارتباط کلامی بود
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
و بقیه را نادیده می گیرد٬
مانند حل خلاق مسائل.
مانند حل خلاق مسائل.
06:51
Communication was hard for Isaac,
148
399488
2307
برقراری ارتباط برای ایزاک سخت بود٬
06:53
and so he found a workaround
149
401795
1912
و او راهی میانبر را پیدا کرد
06:55
to find out what he needed to know.
150
403707
2857
تا بفهمد که چه چیزی را نیاز دارد که بداند.
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
وقتی درباره آن فکر میکنید٬
منطقی است،
منطقی است،
07:00
because forming a question
152
408454
2081
زیرا طرح یک سؤال
07:02
is a really complex process,
153
410535
2565
فرآیندی کاملاً پیچیده است٬
07:05
but he could get himself a lot of the way there
154
413100
2522
اما او توانست خود را در این مسیر
07:07
by putting a word in a search box.
155
415622
4092
با گذاشتن کلمه را در کادر جستجو، قرار دهد.
07:11
And so this little moment
156
419714
2936
و خب این اتفاق کوتاه
07:14
had a really profound impact on me
157
422650
2836
اثر واقعاً عمیقی بر من
07:17
and our family
158
425486
1309
و خانواده ام گذاشت.
07:18
because it helped us change our frame of reference
159
426795
3141
چرا که کمک کرد تا چارچوب نگاهمان را
07:21
for what was going on with him,
160
429936
2208
درباره وضعیت پسرم تغییر دهیم٬
07:24
and worry a little bit less and appreciate
161
432144
2976
و اندکی از نگرانی خود بکاهیم
07:27
his resourcefulness more.
162
435120
2182
و تدبیر او را قدر بدانیم.
07:29
Facts are stupid things.
163
437302
2861
حقایق احمقانه هستند.
07:32
And they're vulnerable to misuse,
164
440163
2397
و آنها در معرض سوء استفاده
07:34
willful or otherwise.
165
442560
1653
استفاده خودسرانه و ... هستند.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
من دوستی به نام
امیلی ویلینگتون که دانشمند است دارم٬
امیلی ویلینگتون که دانشمند است دارم٬
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
اندکی پیش متنی را برای «فوربس» نوشت
07:42
entitled "The 10 Weirdest Things
168
450040
1980
به عنوان «۱۰ چیز بسیار عجیب
07:44
Ever Linked to Autism."
169
452020
1810
مرتبط با اوتیسم»
07:45
It's quite a list.
170
453830
3005
لیست جالبی بود.
07:48
The Internet, blamed for everything, right?
171
456835
3532
اینترنت در همه چیز مقصر است٬ درسته؟
07:52
And of course mothers, because.
172
460367
3757
و همچنین مادران.
07:56
And actually, wait, there's more,
173
464124
1587
و خب چیزهای دیگری هم هستند٬
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
گروه بزرگی از
موارد مرتبط با «مادر» اینجاست.
موارد مرتبط با «مادر» اینجاست.
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
و شما می بینید که این
لیستی بلند بالا و جالب است.
لیستی بلند بالا و جالب است.
08:05
I'm a big fan of
176
473956
2193
من که به شخصه، طرفدار
08:08
being pregnant near freeways, personally.
177
476149
3704
«زن باردار که نزدیک بزرگ راه زندگی می کند»
هستم.
هستم.
08:11
The final one is interesting,
178
479853
1539
آخری بسیار عجیب است.
08:13
because the term "refrigerator mother"
179
481392
3003
به خاطر عبارت «مادر یخچالی»
08:16
was actually the original hypothesis
180
484395
2605
که عملاً فرضیه ای اساسی
08:19
for the cause of autism,
181
487000
1431
برای دلیل اوتیسم است،
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
و این یعنی
کسی که سرد و غیردوست داشتنی است.
کسی که سرد و غیردوست داشتنی است.
08:23
And at this point, you might be thinking,
183
491166
1562
و در اینجا،
شما ممکن است فکر کنید،
شما ممکن است فکر کنید،
08:24
"Okay, Susan, we get it,
184
492728
1657
«خب سوزان ما فهمیدیم
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
میتونی اطلاعات رو هرجوری تفسیر کنی»
08:28
And this is true, it's absolutely true,
186
496167
4703
و این درسته٬ کاملاً درسته٬
08:32
but the challenge is that
187
500870
5610
اما چالش این است که
08:38
we have this opportunity
188
506480
2448
ما این فرصت را داریم
08:40
to try to make meaning out of it ourselves,
189
508928
2284
تا معنایی مناسب را از آن استخراج کنیم٬
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
چرا که صریح بگم٬ اطلاعات معنایی ندارند٬
بلکه ما معنا می سازیم.
بلکه ما معنا می سازیم.
08:48
So as businesspeople, as consumers,
191
516564
3256
پس به عنوان تاجر٬ مصرف کننده٬
08:51
as patients, as citizens,
192
519820
2539
بیمار٬ شهروند و ...
08:54
we have a responsibility, I think,
193
522359
2396
فکر می کنم که همه ما مسئولیم٬
08:56
to spend more time
194
524755
2194
تا زمان بیشتری بگذاریم
08:58
focusing on our critical thinking skills.
195
526949
2870
بر تمرکز روی توانایی تفکر تشخیصی مان.
09:01
Why?
196
529819
1078
چرا؟
09:02
Because at this point in our history, as we've heard
197
530897
3178
زیرا در نقطه از تاریخ٬ همانطور که شنیدیم
09:06
many times over,
198
534075
1706
بارها و بارها٬
09:07
we can process exabytes of data
199
535781
1981
می توانیم میلیاردها گیگا داده را پردازش کنیم
09:09
at lightning speed,
200
537762
2153
با سرعت نور،
09:11
and we have the potential to make bad decisions
201
539915
3515
و ما بالقوه ممکن است تصمیماتی بد بگیریم
09:15
far more quickly, efficiently,
202
543430
1834
آن هم بسیار سریع و در لحظه
09:17
and with far greater impact than we did in the past.
203
545264
5028
و اثری به مراتب بزرگتر نسبت به گذشته٬
09:22
Great, right?
204
550292
1388
بزرگ٬ نه؟
09:23
And so what we need to do instead
205
551680
3030
پس آنچه که ما باید به جایش انجام دهیم
09:26
is spend a little bit more time
206
554710
2330
اندکی صرف وقت بیشتر است
09:29
on things like the humanities
207
557040
2746
روی مسائلی همچون انسانیت٬
09:31
and sociology, and the social sciences,
208
559786
3464
جامعه شناسی و علوم اجتماعی٬
09:35
rhetoric, philosophy, ethics,
209
563250
2308
سخنوری٬ فلسفه٬ اخلاق٬
09:37
because they give us context that is so important
210
565558
2856
چون آنها زمینه ای را در اختیار ما می گذارند که
09:40
for big data, and because
211
568414
2576
برای داده های بزرگ بسیار مهم هستند٬
09:42
they help us become better critical thinkers.
212
570990
2418
و چون به ما کمک می کنند تا متفکرین بهتری شویم.
09:45
Because after all, if I can spot
213
573408
4207
چون به هرترتیب٬ اگر بتوانم
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
مشکلی را در یک بحث مشخص کنم٬ مهم نیست که
09:52
whether it's expressed in words or in numbers.
215
580101
2759
در قالب کلمات و یا ارقام مطرح شود.
09:54
And this means
216
582860
2719
و این یعنی
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
به خود یاد یاد دهیم تا آن تعصبات را پیدا کنیم
10:02
and false correlations
218
590000
1822
و ارتباطات غلط را تشخیص دهیم
10:03
and being able to spot a naked emotional appeal
219
591822
2138
و بتوانیم نظر احساسی را شناسایی کنیم
10:05
from 30 yards,
220
593960
1662
از فاصله ای دور
10:07
because something that happens after something
221
595622
2522
چرا که چیزی بعد از چیز دیگری اتفاق می افتد
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
لزوما دلیل رخ داد آن نیست٬
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
و اگر بگذارید تا من برای لحظه ای شما را به هیجان ببرم
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
رومی ها به این می گفتند: «post hoc ergo propter hoc...»
10:19
after which therefore because of which.
225
607642
3296
به این معنا که هر چیزی علت چیز دیگری است.
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
و این یعنی اصول را مثل سرشماری بپرسید.
10:26
Why? Because they're based on assumptions
227
614695
2520
چرا؟ چون آن ها بر مبنای فرضیاتی هستند
10:29
about who we all are based on our gender
228
617215
2306
درباره این که همه ما طبق جنسیت
10:31
and our age and where we live
229
619521
1462
سن و محل زندگی٬ چه کسانی هستیم
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
برخلاف اطلاعاتی درباره آن چه ما واقعاً فکر می کنیم و انجام می دهیم.
10:36
And since we have this data,
231
624461
1663
و از آنجا که این اطلاعات را داریم٬
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
ما لازم است تا با کنترل های مناسب حیطه شخصی نگاه کنیم
10:41
and consumer opt-in,
233
629263
3576
و هم چنین بحث انتخاب مصرف کننده
10:44
and beyond that, we need to be clear
234
632839
2993
و فراتر از این٬ لازم است تا درباره
10:47
about our hypotheses,
235
635832
2103
فرضیاتمان واضح صحبت کنیم٬
10:49
the methodologies that we use,
236
637935
2596
و همچنین روش های مورد استفاده
10:52
and our confidence in the result.
237
640531
2804
و اطمینانمان به نتایج.
10:55
As my high school algebra teacher used to say,
238
643335
2474
همانطور که معلم جبر من در دبیرستان همیشه می گفت٬
10:57
show your math,
239
645809
1531
ریاضی خودت رو نشون بده٬
10:59
because if I don't know what steps you took,
240
647340
3441
چرا که اگر من ندانم که چه گام هایی را تا الآن برداشتی٬
11:02
I don't know what steps you didn't take,
241
650781
1991
نخواهم فهمید که چه گام هایی را برنداشته ای٬
11:04
and if I don't know what questions you asked,
242
652772
2438
و اگر ندانم چه سوالاتی را پرسیده ای٬
11:07
I don't know what questions you didn't ask.
243
655210
3197
نخواهم فهمید کدام را نپرسیده ای.
11:10
And it means asking ourselves, really,
244
658407
1523
و این یعنی از خودمان بپرسیم٬
11:11
the hardest question of all:
245
659930
1479
سخت ترین سوال ممکن را:
11:13
Did the data really show us this,
246
661409
3500
آیا اطلاعات واقعاً این را نشان دادند
11:16
or does the result make us feel
247
664909
2311
یا نتایج به ما احساس بیشتری از
11:19
more successful and more comfortable?
248
667220
3878
موفقیت و راحتی می دهند؟
11:23
So the Health Media Collaboratory,
249
671098
2584
خوب کارگروه سلامت رسانه٬
11:25
at the end of their project, they were able
250
673682
1699
در انتهای پروژه خود٬ توانستند
11:27
to find that 87 percent of tweets
251
675381
3408
دریابند که حدود ۸۷ درصد توییت ها
11:30
about those very graphic and disturbing
252
678789
2144
درباره صحنه های واضح و ناراحت کننده
11:32
anti-smoking ads expressed fear,
253
680933
4038
در تبلیغات علیه سیگار منجر به ترس می شود٬
11:36
but did they conclude
254
684971
1856
اما آیا آنها نتیجه گرفتند
11:38
that they actually made people stop smoking?
255
686827
3161
که توانستند واقعاً جلوی مردم را از کشیدن سیگار بگیرند؟
11:41
No. It's science, not magic.
256
689988
2542
نه٬ این علم است و نه جادو.
11:44
So if we are to unlock
257
692530
3190
اگر ما قدرت اطلاعات را
11:47
the power of data,
258
695720
2862
آزاد کنیم
11:50
we don't have to go blindly into
259
698582
3448
کورکورانه به مسیری نمی رویم که
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
دید اورول از آینده اسیری٬
11:57
or Huxley's vision of a trivial one,
261
705466
3117
یا نگاه هاکسی درباره بی محتوایی٬
12:00
or some horrible cocktail of both.
262
708583
3020
یا ترکیبی وحشتناکی از هر دو باشد.
12:03
What we have to do
263
711603
2379
آنچه باید بکنیم
12:05
is treat critical thinking with respect
264
713982
2718
احترام به تفکر تشخیصی است
12:08
and be inspired by examples
265
716700
2029
و الهام از نمونه های واقعی است
12:10
like the Health Media Collaboratory,
266
718729
2610
مانند کارگروه سلامت رسانه٬
12:13
and as they say in the superhero movies,
267
721339
2328
و همانطور که در فیلم های ابرقهرمانی می گویند
12:15
let's use our powers for good.
268
723667
1822
از قدرتمان در کارهای خوب استفاده کنیم.
12:17
Thank you.
269
725489
2351
ممنون.
12:19
(Applause)
270
727840
2334
(تشویق)
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