TEDGlobal 2010
David McCandless: The beauty of data visualization
دیوید مک کندلس :زیباییِ به تصویر کشیدن داده ها
Filmed:
Readability: 4.3
3,250,094 views
دیوید مک کندلس، مجموعه های پیچیده ی داده مانند هزینه های نظامی در سراسر جهان، همهمه ی رسانه ها، به روز رسانی وضعیت در فیس بوک و موارد دیگر را به نمودارهایی نه تنها زیبا، بلکه ساده تبدیل می کند. او طراحی اطلاعات را به عنوان ابزاری مطرح می کند که ما برای حرکت درعرضه ی بیش از تقاضای اطلاعات امروز ، پیدا کردن الگوهای منحصر به فرد و ارتباطاتی که ممکن است روشی که جهان را می بینیم عوض کند، استفاده می کنیم.
David McCandless - Data journalist
David McCandless draws beautiful conclusions from complex datasets -- thus revealing unexpected insights into our world. Full bio
David McCandless draws beautiful conclusions from complex datasets -- thus revealing unexpected insights into our world. Full bio
Double-click the English transcript below to play the video.
00:15
It feels like we're all suffering
0
0
2000
انگار همه ی ما رنج می بریم
00:17
from information overload or data glut.
1
2000
3000
از زیادی اطلاعات و اشباع داده ها
00:20
And the good news is there might be an easy solution to that,
2
5000
2000
و خبر خوش این است که ممکن است یک راه حل ساده برای آن وجود داشته باشد،
00:22
and that's using our eyes more.
3
7000
2000
و آن این است که از چشمهایمان بیشتر استفاده کنیم.
00:24
So, visualizing information, so that we can see
4
9000
2000
بنابراین، با تصویر کشیدن اطلاعات می توانیم ببینیم
00:26
the patterns and connections that matter
5
11000
3000
الگوها و ارتباطاتی که مهم هستند
00:29
and then designing that information so it makes more sense,
6
14000
3000
و سپس، آن اطلاعات را طراحی کنیم طوری که قابل فهم تر بشوند
00:32
or it tells a story,
7
17000
2000
یا یک داستانی را بگویند،
00:34
or allows us to focus only on the information that's important.
8
19000
3000
یا به ما اجازه دهند که متمرکز شویم بر روی اطلاعاتی که مهم هستند.
00:38
Failing that, visualized information can just look really cool.
9
23000
3000
و حتی اگر نشد، به تصویر کشیدن اطلاعات به خودیِ خود، واقعا می تواند جالب به نظر آید.
00:41
So, let's see.
10
26000
2000
پس بگذارید ببینیم.
00:45
This is the $Billion Dollar o-Gram,
11
30000
2000
این نمودارِ توضیع یک میلیارد دلار است،
00:47
and this image arose
12
32000
2000
و این تصویر به وجود آمد
00:49
out of frustration I had
13
34000
2000
به خاطر ناامیدی که داشتم
00:51
with the reporting of billion-dollar amounts in the press.
14
36000
2000
از گزارش مقدار یک میلیارد دلار در مطبوعات.
00:53
That is, they're meaningless without context:
15
38000
3000
به بیانی دیگر ، آنها بدون در نظر گرفتن موقعیتی که نمودار در آن بیان شده بی معنی هستند.
00:56
500 billion for this pipeline,
16
41000
2000
500 میلیارد برای این لوله کشی.
00:58
20 billion for this war.
17
43000
2000
20 میلیارد برای یک جنگ.
01:00
It doesn't make any sense, so the only way to understand it
18
45000
2000
هیچ معنی ندارد، پس تنها راهی که می شود آن را فهمید
01:02
is visually and relatively.
19
47000
2000
به صورت تصویری و نسبی است.
01:04
So I scraped a load of reported figures
20
49000
2000
پس یک مجموعه از شکلهای گزارش شده را جدا کردم
01:06
from various news outlets
21
51000
2000
از خبرگزاری رسانه های مختلف
01:08
and then scaled the boxes according to those amounts.
22
53000
3000
و بعد مستطیلها را بر اساس مقدارشان مقیاس کردم.
01:11
And the colors here represent the motivation behind the money.
23
56000
3000
و رنگها در اینجا، انگیزه برای پولِ خرج شده را نشان می هد.
01:14
So purple is "fighting,"
24
59000
3000
پس بنفش دعوا کردن است،
01:17
and red is "giving money away," and green is "profiteering."
25
62000
3000
و قرمز بخشیدن پول است، و سبز احتکار کردن است.
01:20
And what you can see straight away
26
65000
2000
و اولین چیزی که میبینید
01:22
is you start to have a different relationship to the numbers.
27
67000
2000
این است که شروع کنید به داشتن یک ارتباط متفاوت با اعداد.
01:24
You can literally see them.
28
69000
2000
شما عینا می توانید آنها را ببینید.
01:26
But more importantly, you start to see
29
71000
2000
ولی مهمتر اینکه شما شروع می کنید به دیدن
01:28
patterns and connections between numbers
30
73000
2000
الگوها و ارتباطات بین اعدادی
01:30
that would otherwise be scattered across multiple news reports.
31
75000
3000
که در غیر این صورت در سراسر گزارشهای خبری متعدد پراکنده هستند.
01:33
Let me point out some that I really like.
32
78000
3000
اجازه بدهید به بعضی موارد که واقعا دوست دارم اشاره کنم.
01:36
This is OPEC's revenue, this green box here --
33
81000
2000
این درآمد اپک است، این مستطیلِ سبز در اینجا
01:38
780 billion a year.
34
83000
2000
780 میلیارد در هر سال.
01:40
And this little pixel in the corner -- three billion --
35
85000
3000
و این پیکسل کوچک در این گوشه،--3 میلیارد--
01:43
that's their climate change fund.
36
88000
3000
این سرمایه تغییرات آب و هوایی آنها است.
01:46
Americans, incredibly generous people --
37
91000
2000
آمریکاییها، مردمی بسیار بخشنده --
01:48
over 300 billion a year, donated to charity every year,
38
93000
3000
بیش از 300 میلیارد در سال، اهدا شده به خیریه ها در هر سال،
01:51
compared with the amount of foreign aid
39
96000
2000
در مقایسه با میزان کمکهای خارجی
01:53
given by the top 17 industrialized nations
40
98000
2000
که توسط بالاترین 17 کشور صنعتی داده می شود
01:55
at 120 billion.
41
100000
2000
به مقدار 120 میلیارد.
01:57
Then of course,
42
102000
2000
و سپس البته،
01:59
the Iraq War, predicted to cost just 60 billion
43
104000
2000
جنگ عراق، پیش بینی شده بود که فقط 60 میلیارد هزینه داشته باشد
02:01
back in 2003.
44
106000
3000
در سال 2003
02:04
And it mushroomed slightly. Afghanistan and Iraq mushroomed now
45
109000
3000
و کمی به سرعت رشد کرد. افغانستان به سرعت رشد کرد
02:07
to 3,000 billion.
46
112000
3000
به 3000 میلیارد.
02:10
So now it's great
47
115000
2000
پس الان بسیار عالی است
02:12
because now we have this texture, and we can add numbers to it as well.
48
117000
2000
چون اکنون این شالوده را داریم، وهمچنین می توانیم اعداد را به آن اضافه کنیم.
02:14
So we could say, well, a new figure comes out ... let's see African debt.
49
119000
3000
بنابراین می توانستیم بگوییم، خوب، یک شکل جید بیرون می آید... بگذارید بدهی آفریقا را ببینیم.
02:17
How much of this diagram do you think might be taken up
50
122000
2000
فکر می کنید چه اندازه از این نمودار ممکن است گرفته شود
02:19
by the debt that Africa owes to the West?
51
124000
2000
توسط بدهی که آفریقا به غرب دارد؟
02:21
Let's take a look.
52
126000
2000
بگذارید یک نگاهی بیندازیم.
02:23
So there it is:
53
128000
2000
پس آنجا، این است.
02:25
227 billion is what Africa owes.
54
130000
2000
227 میلیارد، مقداری است که آفریقا بدهی دارد.
02:27
And the recent financial crisis,
55
132000
2000
و بحران اقتصادی اخیر--
02:29
how much of this diagram might that figure take up?
56
134000
2000
چه اندازه از این نمودار ممکن است گرفته شود؟
02:31
What has that cost the world? Let's take a look at that.
57
136000
3000
چه مقدار هزینه برای جهان داشته است؟ بگذارید یک نگاهی به آن بیندازیم.
02:34
Dooosh -- Which I think is the appropriate sound effect
58
139000
3000
"اوفف" ، فکر می کنم صدای مناسبی باشد
02:37
for that much money:
59
142000
2000
برای این مقدار پول.
02:39
11,900 billion.
60
144000
4000
11900 میلیارد.
02:45
So, by visualizing this information,
61
150000
2000
بنابراین با به تصویر کشیدن این اطلاعات،
02:47
we turned it into a landscape
62
152000
2000
ما آن را به یک چشم اندازی تبدیل کردیم
02:49
that you can explore with your eyes,
63
154000
2000
که می توانید با چشمهایتان کاوش کنید،
02:51
a kind of map really, a sort of information map.
64
156000
2000
در واقع نوعی نقشه، یک نوع نقشه ی اطلاعات.
02:53
And when you're lost in information,
65
158000
2000
و هنگامی که در اطلاعات گم می شوید،
02:55
an information map is kind of useful.
66
160000
3000
این نقشه اطلاعات یک جورهایی پرکاربدر است.
02:58
So I want to show you another landscape now.
67
163000
2000
اکنون، یک چشم انداز دیگر را به شما نشان می دهم.
03:00
We need to imagine what a landscape
68
165000
2000
ما نیاز داریم که تصور کنیم چه چشم اندازی
03:02
of the world's fears might look like.
69
167000
3000
از ترسهای جهانی که ممکن است به نظر بیاید.
03:05
Let's take a look.
70
170000
2000
بگذارید یک نگاهی بیندازیم.
03:07
This is Mountains Out of Molehills,
71
172000
2000
این کوهها بیرون آمده از تپه های کوچک است،
03:09
a timeline of global media panic.
72
174000
2000
یک جدول زمانی از وحشت رسانه های جهانی است.
03:11
(Laughter)
73
176000
2000
(خنده حضار)
03:13
So, I'll label this for you in a second.
74
178000
2000
خوب، در یک ثانیه این را برای شما برچسب گذاری می کنم.
03:15
But the height here, I want to point out,
75
180000
2000
ولی ارتفاع در اینجا، من می خواهم اشاره کنم
03:17
is the intensity of certain fears
76
182000
2000
که شدت ترسهای به خصوص یی است،
03:19
as reported in the media.
77
184000
2000
که در رسانه ها گزارش می شود.
03:21
Let me point them out.
78
186000
2000
اجازه بدهید که به آنها اشاره کنم.
03:23
So this, swine flu -- pink.
79
188000
4000
خوب این، آنفولانزای خوکی-- صورتی.
03:27
Bird flu.
80
192000
2000
آنفولانزای مرغی.
03:29
SARS -- brownish here. Remember that one?
81
194000
3000
سارس -- اینجا به رنگ قهوه ای. آن را یادتان می آید.
03:32
The millennium bug,
82
197000
3000
اشکال هزاره (اشکال درسیستمهای کامپیوتری در سال 2000 (مترجم) )--
03:35
terrible disaster.
83
200000
2000
بلایای وحشتناک.
03:37
These little green peaks
84
202000
2000
این قله های کوچک سبز
03:39
are asteroid collisions.
85
204000
2000
برخورد شهابسنگها هستند.
03:41
(Laughter)
86
206000
2000
(خنده حضار)
03:43
And in summer, here, killer wasps.
87
208000
2000
و در تابستان، اینجا، زنبورهای قاتل.
03:45
(Laughter)
88
210000
8000
(خنده حضار)
03:53
So these are what our fears look like
89
218000
2000
بنابراین اینها هستند چیزهایی که ترسهای ما شبیه شان می باشند
03:55
over time in our media.
90
220000
2000
طی گذشت زمان در رسانه های ما.
03:57
But what I love -- and I'm a journalist --
91
222000
2000
ولی چیزی که من عاشقش هستم-- و من یک روزنامه نگار هستم--
03:59
and what I love is finding hidden patterns; I love being a data detective.
92
224000
3000
و چیزی که من عاشقش هستم پیداکردن الگوهای پنهان است؛ من عاشق این هستم که یک کارگاهِ داده ها باشم.
04:02
And there's a very interesting and odd pattern hidden in this data
93
227000
3000
و یک الگوی پنهان شده ی خیلی جالب و عجیب در این داه ها وجود دارد
04:05
that you can only see when you visualize it.
94
230000
2000
که فقط وقتی شما آن را به تصویر می کشید می توانید آن را ببینید.
04:07
Let me highlight it for you.
95
232000
2000
اجازه دهید این را برای شما روشن کنم.
04:09
See this line, this is a landscape for violent video games.
96
234000
3000
این خط را نگاه کنید. این یک چشم انداز برای بازی های ویدیویی خشن است.
04:12
As you can see, there's a kind of odd, regular pattern in the data,
97
237000
3000
همان طور که می بینید، یک الگوی عجیب و منظم در این داده ها وجود دارد،
04:15
twin peaks every year.
98
240000
2000
دو قله در هر سال.
04:17
If we look closer, we see those peaks occur
99
242000
2000
اگر دقیق تر نگاه کنید، می بینید که این قله ها اتفاق می افتند
04:19
at the same month every year.
100
244000
3000
در همان ماه هر سال.
04:22
Why?
101
247000
2000
چرا؟
04:24
Well, November, Christmas video games come out,
102
249000
2000
خوب، نوامبر، بازیهای ویدیویی کریسمس بیرون می آید،
04:26
and there may well be an upsurge in the concern about their content.
103
251000
3000
و ممکن است خوب، یک صعود ناگهانی در نگرانی ناشی از محتوای آنها وجود داشته باشد.
04:29
But April isn't a particularly massive month
104
254000
3000
ولی آپریل یک ماه ویژه بزرگ نیست
04:32
for video games.
105
257000
2000
برای بازیهای ویدیویی.
04:34
Why April?
106
259000
2000
چرا آپریل؟
04:36
Well, in April 1999 was the Columbine shooting,
107
261000
3000
خوب، در آپریل 1999، حادثه ی تیراندازی Columbine بود،
04:39
and since then, that fear
108
264000
2000
و از آن موقع، آن ترس
04:41
has been remembered by the media
109
266000
2000
توسط رسانه ها یادآوری شده است
04:43
and echoes through the group mind gradually through the year.
110
268000
2000
و به تدریج در طول سال، توسط یک ذهنیت گروهی انعکاس داده می شود.
04:45
You have retrospectives, anniversaries,
111
270000
3000
شما مرور آثار، سالگردها را دارید،
04:48
court cases, even copy-cat shootings,
112
273000
3000
موارد دادگاهی، حتی تیراندازی های تقلیدی،
04:51
all pushing that fear into the agenda.
113
276000
3000
همه ی اینها، این ترس را در دستور کار سوق می دهند.
04:54
And there's another pattern here as well. Can you spot it?
114
279000
2000
و یک الگوی دیگر در اینجا نیز وجود دارد. می توانید آن را پیدا کنید؟
04:56
See that gap there? There's a gap,
115
281000
2000
این فاصله را در آنجا دیدید؟ این یک فاصله است،
04:58
and it affects all the other stories.
116
283000
2000
و این همه ی داستانهای دیگر را تحت تاثیر می دهد.
05:00
Why is there a gap there?
117
285000
2000
چرا این فاصله آنجا وجود دارد؟
05:02
You see where it starts? September 2001,
118
287000
3000
ببینید از کجا شروع می شود؟ سپتامبر 2001، ( اشاره به واقعه ی 11 سپتامبر - مترجم )
05:05
when we had something very real
119
290000
2000
وقتی یک چیز خیلی محسوس را داشتیم
05:07
to be scared about.
120
292000
2000
که درباره اش بترسیم.
05:09
So, I've been working as a data journalist for about a year,
121
294000
3000
من به عنوان گزارشگر داده برای حدود یک سال کار کرده ام،
05:12
and I keep hearing a phrase
122
297000
2000
و من دائم یک عبارت را می شنوم
05:14
all the time, which is this:
123
299000
3000
همیشه، که این است:
05:17
"Data is the new oil."
124
302000
2000
" داده ها یک سوختِ جدید هستند."
05:19
Data is the kind of ubiquitous resource
125
304000
3000
و داده ها یک نوعی از منابع در همه جا حاضر و فراگیرهستند
05:22
that we can shape to provide new innovations and new insights,
126
307000
3000
که می توانیم شکل بدهیم تا نوآوری های جدید و بینش های جدید را فراهم کند،
05:25
and it's all around us, and it can be mined very easily.
127
310000
3000
و همه در اطراف ما هستند، و خیلی ساده می توانند استخراج شوند.
05:28
It's not a particularly great metaphor in these times,
128
313000
3000
و این واقعا استعاره ی خیلی خوبی در این زمانه نیست،
05:31
especially if you live around the Gulf of Mexico,
129
316000
3000
به خصوص اگر شما اطراف خلیج مکزیک زندگی می کنید.
05:34
but I would, perhaps, adapt this metaphor slightly,
130
319000
2000
ولی من، شاید، اندکی این استعاره را مطابقت می دادم،
05:36
and I would say that data is the new soil.
131
321000
3000
و می گفتم که داده ها یک خاک جدید هستند.
05:40
Because for me, it feels like a fertile, creative medium.
132
325000
3000
چون برای من، این جور احساس می شود که یک بستر حاصلخیز و خلاقانه هستند.
05:43
Over the years, online,
133
328000
2000
شما می دانید، در طول سالها، آنلاین،
05:45
we've laid down
134
330000
3000
پی ریز کرده ایم
05:48
a huge amount of information and data,
135
333000
2000
یک انبوهی از داده ها و اطلاعات،
05:50
and we irrigate it with networks and connectivity,
136
335000
2000
و آن را آبیاری کرده ایم با شبکه ها و اتصال،
05:52
and it's been worked and tilled by unpaid workers and governments.
137
337000
3000
و پیشرفت کرده و با کارگران بی مزد و دولتها جان گرفته است.
05:55
And, all right, I'm kind of milking the metaphor a little bit.
138
340000
3000
و، بسیار خوب، من یک مقداری دارم استعاره را زیادی استفاده می کنم
05:58
But it's a really fertile medium,
139
343000
3000
ولی این واقعا یک بستر حاصلخیز است.
06:01
and it feels like visualizations, infographics, data visualizations,
140
346000
3000
و این احساس می شود مانند به تصویر کشیدن، گرافیک اطلاعات، به تصویر کشیدن داد ها،
06:04
they feel like flowers blooming from this medium.
141
349000
3000
آنها مانند گلهایی شکوفه می کنند از این بستر.
06:07
But if you look at it directly,
142
352000
2000
اما اگر مستقیم به آن نگاه کنید،
06:09
it's just a lot of numbers and disconnected facts.
143
354000
2000
آن فقط انبوهی از اعداد و حقایق غیرمرتبط هستند.
06:11
But if you start working with it and playing with it in a certain way,
144
356000
3000
ولی اگر شروع کنید به کارکردن با آن و بازی کردن با آن به طریقِ خاصی
06:14
interesting things can appear and different patterns can be revealed.
145
359000
3000
چیزهای جالبی می تواند پدیدار شود و الگوهای مختلفی می تواند ظاهر شوند.
06:17
Let me show you this.
146
362000
2000
اجازه دهید این را به شما نشان دهم.
06:19
Can you guess what this data set is?
147
364000
3000
می توانید حدس بزنید که این داده ها چه می گویند؟
06:22
What rises twice a year,
148
367000
2000
چیزی که سالی دو بار بالا می رود،
06:24
once in Easter
149
369000
2000
یکبار در عید پاک ( عید مسیحیان-مترجم)
06:26
and then two weeks before Christmas,
150
371000
2000
و سپس دو هفته قبل از کریسمس،
06:28
has a mini peak every Monday,
151
373000
2000
یک قله هر دوشنبه دارد
06:30
and then flattens out over the summer?
152
375000
2000
و سپس در طول تابستان نمودار مسطح می شود.
06:32
I'll take answers.
153
377000
2000
من جواب را می گیرم.
06:34
(Audience: Chocolate.) David McCandless: Chocolate.
154
379000
2000
(حضار: شکلات.) دیوید مک کندلس: شکلات.
06:36
You might want to get some chocolate in.
155
381000
3000
شما ممکن است مقداری شکلات بگیرید.
06:39
Any other guesses?
156
384000
2000
حدس دیگر؟
06:41
(Audience: Shopping.) DM: Shopping.
157
386000
2000
(حضار: خرید) دیوید مک کندلس: خرید.
06:43
Yeah, retail therapy might help.
158
388000
3000
بله، درمان خرد فروشی ممکن است کمک کند.
06:46
(Audience: Sick leave.)
159
391000
2000
(حضار: مرخصی استعلاجی.)
06:48
DM: Sick leave. Yeah, you'll definitely want to take some time off.
160
393000
2000
دیوید مک کندلس: مرخصی استعلاجی. بله، حتما می خواهید زمانی را مرخصی بگیرید.
06:50
Shall we see?
161
395000
2000
ببینیم؟
06:53
(Laughter)
162
398000
8000
(خنده حضار)
07:01
(Applause)
163
406000
3000
(تشویق)
07:04
So, the information guru Lee Byron and myself,
164
409000
3000
خوب، اطلاعات اینجا، لی بایرون و من،
07:07
we scraped 10,000 status Facebook updates
165
412000
3000
ما 10000 وضعیت به روز رسانی افراد در فیس بوک را در آوردیم
07:10
for the phrase "break-up" and "broken-up"
166
415000
2000
برای عبارات "شکستن رابطه" و " شکسته شدن"
07:12
and this is the pattern we found --
167
417000
2000
و این الگویی است که پیدا کردیم--
07:14
people clearing out for Spring Break,
168
419000
2000
مردم برای تعطیلات بهار جا خالی می کنند،
07:16
(Laughter)
169
421000
5000
(خنده حضار)
07:21
coming out of very bad weekends on a Monday,
170
426000
2000
بیرون آمدن از یک آخر هفته ی بد در روز دوشنبه،
07:23
being single over the summer,
171
428000
3000
مجرد بودن در طول تابستان.
07:26
and then the lowest day of the year, of course: Christmas Day.
172
431000
3000
و کمترین روز در سال، البته، روز کریسمس.
07:29
Who would do that?
173
434000
3000
چه کسی این را انجام می دهد؟
07:32
So there's a titanic amount of data out there now,
174
437000
2000
بنابراین، در حال حاضر، انبوه زیادی از داده ها بیرون وجود دارد،
07:34
unprecedented.
175
439000
2000
بی مانند.
07:37
But if you ask the right kind of question,
176
442000
2000
ولی اگر شما نوع درست سوالی را بپرسید،
07:39
or you work it in the right kind of way,
177
444000
2000
یا کاری را به نوع درست آن انجام دهید،
07:41
interesting things can emerge.
178
446000
3000
چیزهای جالبی می تواند ظاهر شود.
07:44
So information is beautiful. Data is beautiful.
179
449000
3000
پس اطلاعات زیبا هستند، داده ها زیبا هستند.
07:47
I wonder if I could make my life beautiful.
180
452000
3000
نمی دانم که می توانم زندگیم را زیبا کنم.
07:50
And here's my visual C.V.
181
455000
2000
و این رزومه تصویری من است. ( بخشی از رزومه - مترجم )
07:52
I'm not quite sure I've succeeded.
182
457000
2000
و مطمئن نیستم که موفق شده ام.
07:54
Pretty blocky, the colors aren't that great.
183
459000
2000
تا حدودی قالب دار. رنگها آنقدر عالی نیستند.
07:56
But I wanted to convey something to you.
184
461000
3000
ولی من می خواهم چیزی را به شما منتقل کنم.
07:59
I started as a programmer,
185
464000
2000
من به عنوان یک برنامه نویس شروع کردم،
08:01
and then I worked as a writer for many years, about 20 years,
186
466000
2000
و سپس به عنوان یک نویسنده کار کردم به مدت سالهای زیاد، حدود 20 سال،
08:03
in print, online and then in advertising,
187
468000
2000
چاپی، آن لاین و سپس در تبلیغات،
08:05
and only recently have I started designing.
188
470000
3000
و تنها به تازگی به عنوان طراح شروع کرده ام.
08:08
And I've never been to design school.
189
473000
2000
و من هیچ گاه در مدرسه طراحی نبوده ام.
08:10
I've never studied art or anything.
190
475000
3000
هیچ گاه در هنر و یا چیز مشابه ای تحصیل نکرده ام.
08:13
I just kind of learned through doing.
191
478000
2000
من فقط با انجام دادن یاد گرفتم.
08:15
And when I started designing,
192
480000
2000
و وقتی که شروع کردم طراحی را
08:17
I discovered an odd thing about myself.
193
482000
2000
چیز عجیبی درباره خودم کشف کردم.
08:19
I already knew how to design,
194
484000
2000
من قبلا می دانستم چگونه طراحی کنم،
08:21
but it wasn't like I was amazingly brilliant at it,
195
486000
3000
ولی این طور نبود که به طور شگفت انگیزی با استعداد باشم در آن
08:24
but more like I was sensitive
196
489000
2000
ولی بیشتر شبیه با این بود که حساس هستم
08:26
to the ideas of grids and space
197
491000
2000
به ایده های شبکه ها و فضا
08:28
and alignment and typography.
198
493000
2000
و هم ترازی و فن چاپ.
08:30
It's almost like being exposed
199
495000
2000
این تقریبا مثل این است که، بودن در معرض
08:32
to all this media over the years
200
497000
2000
تمام این رسانه ها در طول سالها
08:34
had instilled a kind of dormant design literacy in me.
201
499000
3000
نوع سواد طراحی خفته در من القا شده کرده.
08:37
And I don't feel like I'm unique.
202
502000
2000
و من احساس نمی کردم که من انسانِ خاصی هستم.
08:39
I feel that everyday, all of us now
203
504000
2000
من احساس می کنم که، هر روز، همه ی ما
08:41
are being blasted by information design.
204
506000
3000
در حال تخریب شدن بوسیله ی طراحی اطلاعات هستیم.
08:44
It's being poured into our eyes through the Web,
205
509000
2000
توسط اینترنت در چشمانمان ریخته می شود،
08:46
and we're all visualizers now;
206
511000
2000
و همه ی ما اکنون به تصویر کشنده هستیم؛
08:48
we're all demanding a visual aspect
207
513000
2000
همه ی ما خواستار بعد تصویری هستیم
08:50
to our information.
208
515000
3000
برای اطلاعاتمان.
08:53
There's something almost quite magical about visual information.
209
518000
3000
و یک چیز تقریبا منحصر به فرد جادویی درباره اطلاعات تصویری وجود دارد.
08:56
It's effortless, it literally pours in.
210
521000
3000
آن نیاز به زحمت ندارد، به معنای واقعی کلمه ریخته می شود داخل (مانند یک مایع - مترجم ).
08:59
And if you're navigating a dense information jungle,
211
524000
3000
و اگر شما در حال پیمایش جنگل انبوهی از اطلاعات باشید،
09:02
coming across a beautiful graphic
212
527000
2000
به یک نمودارِ زیبا بر می خوردن
09:04
or a lovely data visualization,
213
529000
2000
یا به یک داده به تصویر کشیده ی دوست داشتنی،
09:06
it's a relief, it's like coming across a clearing in the jungle.
214
531000
3000
این یک آسودگی است، مثل این است که به یک پاکسازی در جنگل برخورد کرده ایم.
09:09
I was curious about this, so it led me
215
534000
2000
ومن درباره این کنجکاو بودم، پس مرا سوق داد
09:11
to the work of a Danish physicist
216
536000
2000
به سمت کار یک فیزیکدان دانمارکی
09:13
called Tor Norretranders,
217
538000
2000
به نام "تور نورتراندرس"،
09:15
and he converted the bandwidth of the senses into computer terms.
218
540000
3000
و او پهنای باند حس ها را به اصطلاحات کامپیوتری تبدیل کرد.
09:19
So here we go. This is your senses,
219
544000
2000
پس شروع می کنیم. این حسهای شما هستند،
09:21
pouring into your senses every second.
220
546000
2000
ریخته می شوند در حسهای شما در هر ثانیه.
09:23
Your sense of sight is the fastest.
221
548000
3000
حس دیداری شما سریعترین حس است.
09:26
It has the same bandwidth as a computer network.
222
551000
3000
آن پهنای باند مشابهی نسبت به یک شبکه کامپیوتری دارد.
09:29
Then you have touch, which is about the speed of a USB key.
223
554000
3000
سپس حس لامسه دارید، که آن درباره سرعت یک پورتِ USB است.
09:32
And then you have hearing and smell,
224
557000
2000
و سپس حس شنوایی و بویایی دارید،
09:34
which has the throughput of a hard disk.
225
559000
2000
که توان عملیاتی hard disk را دارد.
09:36
And then you have poor old taste,
226
561000
2000
و سپس حس ضعیف و قدیمی چشایی را دارید،
09:38
which is like barely the throughput of a pocket calculator.
227
563000
3000
که به سختی شبیه توان عملیاتی یک ماشین حساب جیبی است.
09:41
And that little square in the corner, a naught .7 percent,
228
566000
3000
و مربع کوچک در گوشه، 0.7 درصد،
09:44
that's the amount we're actually aware of.
229
569000
3000
مقداری است که ما در واقع از آن آگاه هستیم.
09:47
So a lot of your vision --
230
572000
2000
بنابراین مقدار زیادی از بینایی--
09:49
the bulk of it is visual, and it's pouring in.
231
574000
2000
بخش عمده ای از آن تصاویری است، و در داخل آن ریخته می شود.
09:51
It's unconscious.
232
576000
2000
ناخودآگاه است.
09:53
The eye is exquisitely sensitive
233
578000
3000
و چشم کاملا حساس است
09:56
to patterns in variations in color, shape and pattern.
234
581000
3000
به الگوهایی که در رنگها، شکلها و الگوها متغییر هستند.
09:59
It loves them, and it calls them beautiful.
235
584000
2000
عاشق آنها است، و آنها را زیبا می نامد.
10:01
It's the language of the eye.
236
586000
2000
این زبانِ چشم است.
10:03
If you combine the language of the eye with the language of the mind,
237
588000
2000
و اگر شما زبانِ چشم را با زبان ذهن ترکیب کنید،
10:05
which is about words and numbers and concepts,
238
590000
3000
که درباره ی کلمات، اعداد و مفاهیم است،
10:08
you start speaking two languages simultaneously,
239
593000
3000
شما شروع به صحبت به دو زبان کرده اید به صورت همزمان،
10:11
each enhancing the other.
240
596000
3000
هر کدام دیگری را ارتقا می دهد.
10:14
So, you have the eye, and then you drop in the concepts.
241
599000
3000
پس، شما بینایی را را دارید، و سپس مفاهیم را مطرح می کنید.
10:17
And that whole thing -- it's two languages
242
602000
2000
و تمام قضیه، آن دو زبان است
10:19
both working at the same time.
243
604000
2000
که در دو در یک زمان کار می کنند.
10:21
So we can use this new kind of language, if you like,
244
606000
2000
پس می توانیم از این نوع جدید زبان استفاده کنیم، اگر شما دوست داشته باشید،
10:23
to alter our perspective or change our views.
245
608000
3000
تا چشم اندازمان را عوض کنیم یا دیدمان را تغییر دهیم.
10:26
Let me ask you a simple question
246
611000
2000
اجازه بدهید که یک سوال ساده از شما بپرسم
10:28
with a really simple answer:
247
613000
2000
با یک جواب بسیار ساده.
10:30
Who has the biggest military budget?
248
615000
2000
چه کسی بزرگترین بودجه ی نظامی را دارد؟
10:32
It's got to be America, right?
249
617000
2000
باید آمریکا باشد، درست است؟
10:34
Massive. 609 billion in 2008 --
250
619000
2000
کلان. 609 میلیارد در سال 2008--
10:36
607, rather.
251
621000
2000
607، ترجیحاً.
10:38
So massive, in fact, that it can contain
252
623000
2000
بسیار کلان، در حقیقت، می تواند شامل شود
10:40
all the other military budgets in the world inside itself.
253
625000
3000
همه ی بقیه ی بودجه های نظامی در جهان را.
10:43
Gobble, gobble, gobble, gobble, gobble.
254
628000
2000
صدای بوقلمون♪
10:45
Now, you can see Africa's total debt there
255
630000
2000
اکنون، می توانید همه ی بدهی آفریقا را در اینجا ببینید
10:47
and the U.K. budget deficit for reference.
256
632000
2000
و کسری بودجه انگلیس را برای ارجاع.
10:49
So that might well chime
257
634000
2000
بنابراین، آن ممکن است که تطبیق کند
10:51
with your view that America
258
636000
2000
با این دید شما که آمریکا
10:53
is a sort of warmongering military machine,
259
638000
3000
یک نوعی از جنگ افروزی، ماشین نظامی،
10:56
out to overpower the world
260
641000
2000
برای غالب شدن بر جهان است
10:58
with its huge industrial-military complex.
261
643000
3000
با آن صنایع نظامی پیچیده و عظیم.
11:01
But is it true that America has the biggest military budget?
262
646000
3000
ولی آیا این درست است که آمریکا دارای بزرگترین بودجه نظامی است؟
11:04
Because America is an incredibly rich country.
263
649000
2000
به این دلیل که بهغایت کشورِ غنی ای است.
11:06
In fact, it's so massively rich
264
651000
2000
در حقیقت، آنقدر غنی است
11:08
that it can contain the four other
265
653000
2000
که می تواند چهارتای دیگر
11:10
top industrialized nations' economies
266
655000
2000
از بالاترین ملیتهای اقتصاد صنعتی را
11:12
inside itself, it's so vastly rich.
267
657000
3000
درخود شامل شود، به صورت بسیار گسترده ای غنی است.
11:15
So its military budget is bound to be enormous.
268
660000
3000
بنابراین، بودجه نظامی آن میباید که بسیار زیاد باشد.
11:18
So, to be fair and to alter our perspective,
269
663000
2000
پس، برای اینکه عادل باشیم و دیدگاه خود را عوض کنیم،
11:20
we have to bring in another data set,
270
665000
2000
باید مجموعه ی دیگری از داده ها را بیاوریم،
11:22
and that data set is GDP, or the country's earnings.
271
667000
2000
و آن مجموعه داده GDP یا درآمدهای کشور است.
11:24
Who has the biggest budget as a proportion of GDP?
272
669000
2000
چه کسی بیشترین سهمِ بودجه را از GDP دارد؟
11:26
Let's have a look.
273
671000
2000
اجازه دهید نگاهی بیاندازیم.
11:28
That changes the picture considerably.
274
673000
3000
آن ، دید را به طور قابل ملاحظه ای عوض می کند.
11:31
Other countries pop into view that you, perhaps, weren't considering,
275
676000
3000
دیگر کشورها به چشم می آیند که شما، شاید، ملاحظه نکردید،
11:34
and American drops into eighth.
276
679000
2000
و آمریکا به رتبه ی هشتم سقوط می کند.
11:36
Now you can also do this with soldiers.
277
681000
2000
حالا می توانید این را با سربازان انجام دهید.
11:38
Who has the most soldiers? It's got to be China.
278
683000
2000
چه کسی بیشترین سربازان را دارد؟ باید چین باشد.
11:40
Of course, 2.1 million.
279
685000
2000
البته، 2.1 میلیون.
11:42
Again, chiming with your view
280
687000
2000
دوباره، با دید شما صدا می کند
11:44
that China has a militarized regime
281
689000
2000
که چین یک رژیم نظامی است
11:46
ready to, you know, mobilize its enormous forces.
282
691000
2000
آماده، می دانید، نیروهای عضیمش را بسیج می کند.
11:48
But of course, China has an enormous population.
283
693000
3000
ولی البته، چین جمعیت عظیمی دارد.
11:51
So if we do the same,
284
696000
2000
پس اگر همان کار را انجام دهیم،
11:53
we see a radically different picture.
285
698000
2000
تصویر اساسا متفاوتی می بینیم.
11:55
China drops to 124th.
286
700000
2000
چین به رتبه ی 124 سقوط می کند.
11:57
It actually has a tiny army
287
702000
2000
در واقع یک ارتش بسیار کوچک دارد
11:59
when you take other data into consideration.
288
704000
3000
وقتی که شما داده های دیگر را نیز مورد بررسی قرار می دهید.
12:02
So, absolute figures, like the military budget,
289
707000
2000
پس، تصاویر مستقل، مانند بودجه نظامی،
12:04
in a connected world,
290
709000
2000
در یک دنیای به هم مرتبط،
12:06
don't give you the whole picture.
291
711000
2000
یک تصویر کاملی به شما نمی دهند.
12:08
They're not as true as they could be.
292
713000
2000
آنها آن طور درست نیستند که می توانند باشد.
12:10
We need relative figures that are connected to other data
293
715000
3000
ما به تصاویر مرتبطی نیاز داریم که به داده های دیگر ارتباط داشته باشند
12:13
so that we can see a fuller picture,
294
718000
2000
تا بتوانیم تصویری کاملتر را ببینیم،
12:15
and then that can lead to us changing our perspective.
295
720000
2000
و بنابراین آن می تواند ما را به سمت عوض کردن دیدگاهمان سوق دهد.
12:17
As Hans Rosling, the master,
296
722000
2000
همان طور که هنس روسلینگ، استاد،
12:19
my master, said,
297
724000
3000
استاد من، گفت،
12:22
"Let the dataset change your mindset."
298
727000
3000
"اجازه بده که مجموعه داده ها، مجموعه ذهنیت تو را عوض کند."
12:26
And if it can do that, maybe it can also change your behavior.
299
731000
3000
و اگر می تواند این کار را انجام بدهد، شاید بتواند رفتار تو را نیز عوض کند.
12:29
Take a look at this one.
300
734000
2000
یک نگاهی به این یکی بیاندازید.
12:31
I'm a bit of a health nut.
301
736000
2000
من یک مقداری دیوانه ی سلامتی هستم.
12:33
I love taking supplements and being fit,
302
738000
3000
عاشق این هستم که مکمل مصرف کنم و تندرست باشم،
12:36
but I can never understand what's going on in terms of evidence.
303
741000
3000
ولی هیچ وقت درک نکردم که شواهد بیانگر چه هستند.
12:39
There's always conflicting evidence.
304
744000
2000
همیشه تناقضی در بین شواهد وجود دارد.
12:41
Should I take vitamin C? Should I be taking wheatgrass?
305
746000
2000
آیا باید ویتامین C مصرف کنم؟ آیا باید گندم سبزه مصرف کنم؟
12:43
This is a visualization of all the evidence
306
748000
2000
این یک تجسمی از تمام شواهد است
12:45
for nutritional supplements.
307
750000
2000
برای مکملهای غذایی.
12:47
This kind of diagram is called a balloon race.
308
752000
3000
این نوع از نمودار را "مسابقه ی بادکنکها" می نامند.
12:50
So the higher up the image,
309
755000
2000
بنابراین، هرچه تصویر بالاتر باشد،
12:52
the more evidence there is for each supplement.
310
757000
3000
شواهد بیشتری برای هر یک از مکملها وجود دارد.
12:55
And the bubbles correspond to popularity as regards to Google hits.
311
760000
3000
و حبابها بیانگر محبوبیت کالا از طریقِ تعدادِ بازدیدهای گوگل.
12:58
So you can immediately apprehend
312
763000
3000
بنابراین می توانید بلافاصله درک کنید
13:01
the relationship between efficacy and popularity,
313
766000
3000
ارتباط بین محبوبیت وتاثیرگذاری،
13:04
but you can also, if you grade the evidence,
314
769000
3000
اما به علاوه، می توانید، اگر ارزش بدهید به شواهد،
13:07
do a "worth it" line.
315
772000
2000
یک جوری خط "ارزش گذاری" را انجام دهید.
13:09
So supplements above this line are worth investigating,
316
774000
3000
و پس مکملهای بالای بالای این خط ارزش در نظر گرفته شدن را دارند،
13:12
but only for the conditions listed below,
317
777000
3000
ولی فقط تجتِ شرایط زیر،
13:15
and then the supplements below the line
318
780000
3000
و مکملهای زیر این خط
13:18
are perhaps not worth investigating.
319
783000
2000
شاید ارزش در نظر گرفتن را نداشته باشند.
13:20
Now this image constitutes a huge amount of work.
320
785000
3000
حالا این تصویرمقدار زیادی کار برده است.
13:23
We scraped like 1,000 studies from PubMed,
321
788000
3000
حدود 1000 مطالعه از PubMed را در نظر گرفتیم،
13:26
the biomedical database,
322
791000
2000
پایگاه داده بیوپزشکی،
13:28
and we compiled them and graded them all.
323
793000
3000
و همه را جمع آوری و درجه بندی کردیم.
13:31
And it was incredibly frustrating for me
324
796000
2000
و به طور باور نکردنی برای من خسته کننده بود
13:33
because I had a book of 250 visualizations to do for my book,
325
798000
3000
برای اینکه یک کتاب از 250 تصویری داشتم که برای انجام دادن کتابم بود.
13:36
and I spent a month doing this,
326
801000
2000
و من یک ماه برای انجام دادن این کار وقت صرف کردم،
13:38
and I only filled two pages.
327
803000
2000
و فقط دو صفحه پر کردم.
13:40
But what it points to
328
805000
2000
ولی این بیانگر این است که
13:42
is that visualizing information like this
329
807000
2000
به تصویر کشیدن اطلاعات مانند این
13:44
is a form of knowledge compression.
330
809000
2000
یک فرم از فشرده سازی دانش است.
13:46
It's a way of squeezing an enormous amount
331
811000
2000
این روشی برای فشرده کردن مقدار انبوهی
13:48
of information and understanding
332
813000
2000
از اطلاعات و مفاهیم
13:50
into a small space.
333
815000
2000
در یک فضای محدود است.
13:52
And once you've curated that data, and once you've cleaned that data,
334
817000
2000
و هنگامی که آن داده ها را فشرده می کنید، و هنگامی که آن داده ها را پاکسازی می کنید،
13:54
and once it's there,
335
819000
2000
و هنگامی که این کار را می کنید ،
13:56
you can do cool stuff like this.
336
821000
2000
می توانید کارهای جالبی مانند این انجام دهید.
13:58
So I converted this into an interactive app,
337
823000
2000
بنابراین من این را به یک برنامه کاربردی تعاملی تبدیل کردم،
14:00
so I can now generate this application online --
338
825000
2000
بنابراین من می توانم این برنامه کاربردی آن لاین را تولید کنم--
14:02
this is the visualization online --
339
827000
2000
این یک تصویر سازی آن لاین است--
14:04
and I can say, "Yeah, brilliant."
340
829000
2000
و می توانم بگویم، "بله، عالیست."
14:06
So it spawns itself.
341
831000
2000
پس خودش را تولید می کند.
14:08
And then I can say, "Well, just show me the stuff
342
833000
2000
و سپس می توانم بگویم، " خوب، فقط به من چیزها را نشان بده
14:10
that affects heart health."
343
835000
2000
که سلامتی قلب را تحت تاثیر قرار می دهد."
14:12
So let's filter that out.
344
837000
2000
پس بگذارید آن را فیلتر کنیم.
14:14
So heart is filtered out, so I can see if I'm curious about that.
345
839000
3000
خوب، قلب فیلتر شده است، بنابراین اگر درباره آن کنجکاو باشم.
14:17
I think, "No, no. I don't want to take any synthetics,
346
842000
2000
من فکر می کنم، "نه، نه. نمی خواهم از خوراکیهای مصنوعی استفاده کنم.
14:19
I just want to see plants and --
347
844000
3000
فقط می خواهم گیاهان را ببینم و--
14:22
just show me herbs and plants. I've got all the natural ingredients."
348
847000
3000
فقط به من سبزیجات و گیاهان را نشان بده. همه ی محتویات طبیعی را در اختیار دارم."
14:25
Now this app is spawning itself
349
850000
2000
حالا این برنامه کاربردی خودش تولید می کند
14:27
from the data.
350
852000
2000
از داده ها.
14:29
The data is all stored in a Google Doc,
351
854000
2000
همه ی داده ها در Google doc ذخیره شده است،
14:31
and it's literally generating itself from that data.
352
856000
3000
و به معنای واقعی کلمه خودش در حال تولید کردن از آن داده ها است.
14:34
So the data is now alive; this is a living image,
353
859000
2000
بنابراین داده ها اکنون زنده هستند؛ این یک تصویر زنده است،
14:36
and I can update it in a second.
354
861000
2000
و می توانم در یک ثانیه آن را به روز کنم.
14:38
New evidence comes out. I just change a row on a spreadsheet.
355
863000
2000
مدارک جدید بیرون می آید--من فقط یک سطر را در صفحه گسترده عوض می کنم.
14:40
Doosh! Again, the image recreates itself.
356
865000
4000
اوف! دوباره، تصویر خودش را می سازد.
14:44
So it's cool.
357
869000
2000
جالب است.
14:46
It's kind of living.
358
871000
3000
یک جورهایی زنده است.
14:49
But it can go beyond data,
359
874000
2000
ولی می تواند فراتر از داده ها برود،
14:51
and it can go beyond numbers.
360
876000
2000
و می تواند فراتر از اعداد برود.
14:53
I like to apply information visualization
361
878000
2000
و من دوست دارم که به تصویر کشیدن اطلاعات را به کار ببرم
14:55
to ideas and concepts.
362
880000
3000
برای ایده ها و مفاهیم.
14:58
This is a visualization
363
883000
2000
این یک تصویرسازی
15:00
of the political spectrum,
364
885000
2000
از طیف سیاسی است،
15:02
an attempt for me to try
365
887000
2000
برای من که تلاش کنم
15:04
and understand how it works
366
889000
2000
وبفهمم که چگونه کار می کند
15:06
and how the ideas percolate down
367
891000
2000
و چگونه ایده ها نفوذ می کنند
15:08
from government into society and culture,
368
893000
2000
از دولت به سمت جامعه و فرهنگ،
15:10
into families, into individuals, into their beliefs
369
895000
3000
به سمت خانواده ها، به سمت افراد، به سمت باورهایشان
15:13
and back around again in a cycle.
370
898000
3000
و دوباره در یک چرخه بر می گردند.
15:16
What I love about this image
371
901000
2000
چیزی که من راجع به این تصویر دوست دارم
15:18
is it's made up of concepts,
372
903000
2000
این است که از مفاهیم ساخته شده است،
15:20
it explores our worldviews
373
905000
2000
دید جهانی ما را کاوش می کند
15:22
and it helps us -- it helps me anyway --
374
907000
2000
و به ما کمک می کند-- در هر حال به من کمک می کند--
15:24
to see what others think,
375
909000
2000
چیزهایی که دیگران فکر می کنند را ببینم،
15:26
to see where they're coming from.
376
911000
2000
ببینم آنها از کجا می آیند،
15:28
And it feels just incredibly cool to do that.
377
913000
3000
واحساس می شود که به طور باور نکردنی فقط جالب است که آن را انجام دهید.
15:31
What was most exciting for me
378
916000
3000
و چیزی که برای من از همه جالب تر بود
15:34
designing this
379
919000
2000
در طراحیِ این
15:36
was that, when I was designing this image,
380
921000
2000
این بود که، وقتی در حال طراحی این تصویر بودم،
15:38
I desperately wanted this side, the left side,
381
923000
3000
به شدت این سمت را می خواستم، سمت چپ را،
15:41
to be better than the right side --
382
926000
2000
که بهتر از سمت راست شود--
15:43
being a journalist, a Left-leaning person --
383
928000
3000
به عنوان یک روزنامه نگار --یک فرد متمایل به سمت چپ--
15:46
but I couldn't, because I would have created
384
931000
2000
ولی نمی توانستم، به خاطر اینکه می ساختم
15:48
a lopsided, biased diagram.
385
933000
3000
یک نمودار ناعادلانه و متمایل به یک طرف،
15:51
So, in order to really create a full image,
386
936000
3000
پس،واقعا برای ساختن یک تصویر کامل،
15:54
I had to honor the perspectives on the right-hand side
387
939000
3000
مجبور بودم که به دیدگاه های متمایل به راست احترام بگذارم
15:57
and at the same time, uncomfortably recognize
388
942000
3000
و همزمان، به صورت ناراحت کننده ای تشخیص دادم
16:00
how many of those qualities were actually in me,
389
945000
3000
چه قدر از آن مقدارها در واقع در من وجود داشت،
16:03
which was very, very annoying and uncomfortable.
390
948000
2000
که خیلی، خیلی ناراحت کننده و رنج آور بود.
16:05
(Laughter)
391
950000
4000
(خنده حضار)
16:09
But not too uncomfortable,
392
954000
2000
ولی نه بیش از اندازه ناراحت کننده،
16:11
because there's something unthreatening
393
956000
3000
به این دلیل که چیز تهیده کننده ای وجود نداشت
16:14
about seeing a political perspective,
394
959000
2000
درباره "دیدن" یک دیدگاه سیاسی،
16:16
versus being told or forced to listen to one.
395
961000
3000
در مقایسه با شنیدن آن از طریق شخص دیگر یا به زور شنیدن آن.
16:19
You're capable of holding conflicting viewpoints
396
964000
3000
در واقع -- شما توانا هستید که نقطه نظرات متضاد را نگه دارید
16:22
joyously when you can see them.
397
967000
2000
شادمانه، وقتی که می توانید آنها را ببینید.
16:24
It's even fun to engage with them
398
969000
2000
حتی برای شما سرگرمی است که با آنها مشغول شوید.
16:26
because it's visual.
399
971000
2000
به خاطر اینکه آنها تصویری هستند.
16:28
So that's what's exciting to me,
400
973000
2000
این دلیلِ هیجان آور بودنِ موضوع برای من است،
16:30
seeing how data can change my perspective
401
975000
2000
دیدن اینکه چگونه داده ها می توانند دیدگاهم را عوض کنند
16:32
and change my mind midstream --
402
977000
2000
و جریان ذهنی ام را عوض کنند--
16:34
beautiful, lovely data.
403
979000
3000
داده های زیبا و دوست داشتنی.
16:38
So, just to wrap up,
404
983000
2000
خوب، در جمع بندی،
16:40
I wanted to say
405
985000
2000
من خواستم بگویم
16:42
that it feels to me that design is about solving problems
406
987000
2000
که من احساس می کنم که طراحی یعنی حل کردن مشکلات
16:44
and providing elegant solutions,
407
989000
3000
و فراهم کردن راه حلهای ظریف
16:47
and information design is about
408
992000
2000
و طراحی اطلاعات یعنی
16:49
solving information problems.
409
994000
2000
حل کردن مشکلات اطلاعات.
16:51
It feels like we have a lot of information problems
410
996000
2000
و این طور احساس می شود که ما مشکلات اطلاعات زیادی داریم
16:53
in our society at the moment,
411
998000
2000
در جامعه مان در این لحظه،
16:55
from the overload and the saturation
412
1000000
2000
از اشباع شدگی و زیادی
16:57
to the breakdown of trust and reliability
413
1002000
2000
تا از بین رفتنِ اعتماد و اطمینان
16:59
and runaway skepticism and lack of transparency,
414
1004000
2000
و تردید و عدم شفافیت،
17:01
or even just interestingness.
415
1006000
2000
یا حتی فقط جذاب نبودن.
17:03
I mean, I find information just too interesting.
416
1008000
2000
منظورم این است،من اطلاعات را خیلی جالب می یابم.
17:05
It has a magnetic quality that draws me in.
417
1010000
3000
یک خاصیت آهن ربایی دارد که من را به سوی خودش می کشد.
17:09
So, visualizing information
418
1014000
2000
بنابراین، به تصویر کشیدن اطلاعات
17:11
can give us a very quick solution to those kinds of problems.
419
1016000
3000
می تواند به ما یک راه حل سریع به آن دسته از مشکلات بدهد.
17:14
Even when the information is terrible,
420
1019000
2000
و حتی وقتی که اطلاعات افتضاح هستند،
17:16
the visual can be quite beautiful.
421
1021000
3000
تصویر می تواند بسیار زیبا باشد.
17:19
Often we can get clarity
422
1024000
3000
و اغلب می توانیم به نظم و ترتیب برسیم
17:22
or the answer to a simple question very quickly,
423
1027000
2000
یا جواب بدهیم یک سوال ساده را،
17:24
like this one,
424
1029000
2000
مانند این یکی،
17:26
the recent Icelandic volcano.
425
1031000
3000
آتشفشان اخیر ایسلند.
17:29
Which was emitting the most CO2?
426
1034000
2000
کدام یک بیشترین CO2 را منتشر کرد؟
17:31
Was it the planes or the volcano,
427
1036000
2000
آیا آن هواپیماها بود یا آتشفشان بود،
17:33
the grounded planes or the volcano?
428
1038000
2000
هواپیماهای غیر فعال یا آتشفشان؟
17:35
So we can have a look.
429
1040000
2000
پس می توانیم نگاهی بیاندازیم.
17:37
We look at the data and we see:
430
1042000
2000
به داده ها نگاهی می اندازیم و می بینیم،
17:39
Yep, the volcano emitted 150,000 tons;
431
1044000
2000
بله، آتشفشان 15000 تن (گاز) انتشار داد؛
17:41
the grounded planes would have emitted
432
1046000
2000
و هواپیماهای غیر فعال انتشار خواهد داد
17:43
345,000 if they were in the sky.
433
1048000
3000
345000، اگر آنها در آسمان باشند.
17:46
So essentially, we had our first carbon-neutral volcano.
434
1051000
3000
پس اساسا، اولین کربن-خنثی آتشفشان را داشتیم.
17:49
(Laughter)
435
1054000
2000
(خنده حضار)
17:51
(Applause)
436
1056000
9000
(تشویق)
18:00
And that is beautiful. Thank you.
437
1065000
3000
و این زیبا است. متشکرم.
18:03
(Applause)
438
1068000
8000
(تشویق)
ABOUT THE SPEAKER
David McCandless - Data journalistDavid McCandless draws beautiful conclusions from complex datasets -- thus revealing unexpected insights into our world.
Why you should listen
David McCandless makes infographics -- simple, elegant ways to see information that might be too complex or too big, small, abstract or scattered to otherwise be grasped. In his new book, Information Is Beautiful (in the US, it's being called The Visual Miscellaneum), McCandless and his cadre of info designers take a spin through the world of visualized data, from hard stats on politics and climate to daffy but no less important trends in pop music.
McCandless' genius is not so much in finding jazzy new ways to show data -- the actual graphics aren't the real innovation here -- as in finding fresh ways to combine datasets to let them ping and prod each other. Reporting the number of drug deaths in the UK every year is interesting; but mapping that data onto the number of drug deaths reported by the UK press, broken down by drug, is utterly fascinating (more deaths by marijuana were reported than in fact occurred, by a factor of 484%). McCandless contributes a monthly big-think graphic to the Guardian's Data Blog, and makes viral graphics for his blog Information Is Beautiful.
David McCandless | Speaker | TED.com