TED@IBM
Susan Etlinger: What do we do with all this big data?
סוזן אטלינגר: מה אנחנו עושים עם כל המידע הגדול הזה
Filmed:
Readability: 4.7
1,344,301 views
האם סט של מידע גורם לכם להרגיש יותר נוח? יותר מצליחים? אז הפרוש שלכם הוא מעט שגוי. בהרצאה מפתיעה, סוזן אטלינגר מסבירה למה, כשאנחנו מקבלים יותר ויותר מידע, אנחנו צריכים להעמיק את כישורי החשיבה הביקורתית. מפני שזה קשה לנוע מעבר לספירת דברים כדי להבין אותם באחת.
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
הטכנולוגיה הביאה לנו כל כך הרבה:
00:16
the moon landing, the Internet,
1
4489
2019
הנחיתה על הירח, האינטרנט,
00:18
the ability to sequence the human genome.
2
6508
2625
היכולת למפות את הגנום האנושי.
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
אבל היא גם מנצלת הרבה
מהפחדים הגדולים ביותר שלנו,
מהפחדים הגדולים ביותר שלנו,
00:24
and about 30 years ago,
4
12857
1856
ולפני כשלושים שנה,
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
מבקר התרבות ניל פוסטמן כתב ספר
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
שנקרא "לשעשע את עצמנו למוות",
00:31
which lays this out really brilliantly.
7
19381
2759
שמסביר את זה בצורה ממש מבריקה.
00:34
And here's what he said,
8
22140
1650
והנה מה שהוא אמר,
00:35
comparing the dystopian visions
9
23790
2263
באמצעות השוואה החזיונות הדיסטופיים
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
של ג'ורג' אורוול ואלדוס האקסלי,
00:41
He said, Orwell feared we would become
11
29626
3126
הוא אמר, "אורוול חשש שנהפוך
00:44
a captive culture.
12
32752
2248
לתרבות שבויה,
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
האקסלי חשש שנהפוך לתרבות טריוויאלית.
00:50
Orwell feared the truth would be
14
38752
2145
אורוול חשש שהאמת
00:52
concealed from us,
15
40897
1923
תוסתר מאתנו,
00:54
and Huxley feared we would be drowned
16
42820
2190
והאקסלי חשש שנטבע
00:57
in a sea of irrelevance.
17
45010
2693
בים של חוסר רלוונטיות.
00:59
In a nutshell, it's a choice between
18
47703
2170
על קצה המזלג, זוהי הבחירה בין
01:01
Big Brother watching you
19
49873
2600
האח הגדול שצופה בך
01:04
and you watching Big Brother.
20
52473
2496
ואתה צופה ב"אח הגדול".
01:06
(Laughter)
21
54969
1931
(צחוק)
01:08
But it doesn't have to be this way.
22
56900
1734
אבל זה לא חייב להיות כך.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
אנחנו איננו צרכניים פאסיביים
של מידע וטכנולוגיה
של מידע וטכנולוגיה
01:13
We shape the role it plays in our lives
24
61970
2403
אנו מעצבים את התפקיד אותו הם תופסים בחיינו
01:16
and the way we make meaning from it,
25
64373
2130
והדרך בה אנו שואבים משמעות מהם,
01:18
but to do that,
26
66503
1603
אבל על מנת לעשות זאת,
01:20
we have to pay as much attention to how we think
27
68106
3513
עלינו לשים לב באותה מידה לאופן החשיבה שלנו
01:23
as how we code.
28
71619
2030
ולצורת הקידוד שלנו.
01:25
We have to ask questions, and hard questions,
29
73649
3098
עלינו לשאול שאלות, ושאלות קשות,
01:28
to move past counting things
30
76747
1869
להתעלות מעל ספירת דברים
01:30
to understanding them.
31
78616
2602
להבנתם.
01:33
We're constantly bombarded with stories
32
81218
2446
אנחנו, באופן מתמיד, מופגזים בסיפורים
01:35
about how much data there is in the world,
33
83664
2476
על כמה מידע קיים בעולם
01:38
but when it comes to big data
34
86140
1580
אבל כאשר מדובר במידע גדול
01:39
and the challenges of interpreting it,
35
87720
2596
והאתגרים הכרוכים בהבנתו,
01:42
size isn't everything.
36
90316
2088
הגודל אינו הכל.
01:44
There's also the speed at which it moves,
37
92404
2903
ישנה גם המהירות בה הוא נע,
01:47
and the many varieties of data types,
38
95307
1696
והמאפיינים הרבים של סוגי המידע הקיים.
01:49
and here are just a few examples:
39
97003
2498
והנה כמה דוגמאות:
01:51
images,
40
99501
2198
תמונות,
01:53
text,
41
101699
4007
טקסט,
01:57
video,
42
105706
2095
וידאו,
01:59
audio.
43
107801
1830
אודיו (שמע).
02:01
And what unites this disparate types of data
44
109631
3042
ומה שמאחד את סוגי המידע השונים האלה
02:04
is that they're created by people
45
112673
2221
הוא שהם נוצרו על ידי אנשים
02:06
and they require context.
46
114894
2775
והם דורשים הקשר.
02:09
Now, there's a group of data scientists
47
117669
2445
עכשיו, ישנה קבוצה של מדעני מידע
02:12
out of the University of Illinois-Chicago,
48
120114
2305
באוניברסיטת שיקגו אילינוי,
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
והם נקראים שיתופיות מדיית הבריאות,
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
והם עבדו עם המרכז למניעת מחלות
02:19
to better understand
51
127560
1505
כדי להבין טוב יותר
02:21
how people talk about quitting smoking,
52
129065
2848
איך אנשים מדברים על להפסיק לעשן,
02:23
how they talk about electronic cigarettes,
53
131913
2680
איך הם מדברים על סיגריות אלקטרוניות,
02:26
and what they can do collectively
54
134593
1985
ומה הם יכולים לעשות יחד
02:28
to help them quit.
55
136578
1984
כדי לעזור להם להפסיק.
02:30
The interesting thing is, if you want to understand
56
138562
2013
הדבר המעניין הוא, אם אתם רוצים להבין
02:32
how people talk about smoking,
57
140575
2216
איך אנשים מדברים על עישון,
02:34
first you have to understand
58
142791
1901
ראשית אתם צריכים להבין
02:36
what they mean when they say "smoking."
59
144692
2565
מה הם מתכונים כשהם אומרים "עישון."
02:39
And on Twitter, there are four main categories:
60
147257
3926
ובטוויטר, יש ארבע קטגוריות עיקריות:
02:43
number one, smoking cigarettes;
61
151183
2997
מספר אחת, עישון סיגריות;
02:46
number two, smoking marijuana;
62
154180
2807
מספר שתיים, עישון מריחואנה;
02:48
number three, smoking ribs;
63
156987
2643
מספר שלוש, עישון צלעות;
02:51
and number four, smoking hot women.
64
159630
3553
ומספר ארבע: נשים חתיכות.
02:55
(Laughter)
65
163183
2993
(צחוק)
02:58
So then you have to think about, well,
66
166176
2426
אז אתם צריכים לחשוב, ובכן,
03:00
how do people talk about electronic cigarettes?
67
168602
2140
איך אנשים מדברים על סיגריות אלקטרוניות?
03:02
And there are so many different ways
68
170742
2025
ויש כל כך הרבה דרכים שונות
03:04
that people do this, and you can see from the slide
69
172767
2599
שאנשים עושים את זה,
ואתם יכולים לראות מהשקופית הזו
ואתם יכולים לראות מהשקופית הזו
03:07
it's a complex kind of a query.
70
175366
2610
שזה סוג מורכב של שאילתה.
03:09
And what it reminds us is that
71
177976
3224
ומה שזה מזכיר לנו זה
03:13
language is created by people,
72
181200
2411
ששפה נוצרת על ידי אנשים,
03:15
and people are messy and we're complex
73
183611
2340
ואנשים הם בלגניסטים ואנחנו מורכבים
03:17
and we use metaphors and slang and jargon
74
185951
2767
ואנחנו משתמשים במטאפורות וסלאנג וג'ארגון
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
ואנחנו עושים את זה 24/7 בהרבה, הרבה שפות,
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
ואז מייד כשנבין את זה, נשנה את זה.
03:27
So did these ads that the CDC put on,
77
195221
5118
אז האם הפרסומות האלו זה שהעלו ה CDC,
03:32
these television ads that featured a woman
78
200339
2430
פרסומות הטלויזיה שהראו אישה
03:34
with a hole in her throat and that were very graphic
79
202769
2021
עם חור בגרון ושהיו מאוד גרפיות
03:36
and very disturbing,
80
204790
1904
ומאוד מטרידות,
03:38
did they actually have an impact
81
206694
1885
האם למעשה היתה להן השפעה
03:40
on whether people quit?
82
208579
2671
על האם אנשים הפסיקו?
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
ושותפות מדיית הבריאות
כיבדו את גבולות המידע,
כיבדו את גבולות המידע,
03:46
but they were able to conclude
84
214557
2005
אבל הם היו מסוגלים לסכם
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
שהפרסומות האלו -- ואולי ראיתם אותן --
03:51
that they had the effect of jolting people
86
219874
2591
שהיה להם את האפקט של זעזוע אנשים
03:54
into a thought process
87
222465
1822
לתוך תהליך חשיבה
03:56
that may have an impact on future behavior.
88
224287
3667
שאולי יהיה לו השפעה על התנהגות עתידית.
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
ומה שאני מעריצה ומעריכה
בנוגע לפרוייקט הזה,
בנוגע לפרוייקט הזה,
04:03
aside from the fact, including the fact
90
231845
1489
חוץ העובדה, כולל העובדה
04:05
that it's based on real human need,
91
233334
4057
שזה מבוסס על צורך אנושי אמיתי,
04:09
is that it's a fantastic example of courage
92
237391
2846
זה שזו דוגמה נפלאה לאומץ
04:12
in the face of a sea of irrelevance.
93
240237
4443
למול ים של חוסר רלוונטיות.
04:16
And so it's not just big data that causes
94
244680
3305
וכך זה לא רק מידע גדול שגורם
04:19
challenges of interpretation, because let's face it,
95
247985
2601
לאתגרים של פירוש, מפני שבואו נסכים,
04:22
we human beings have a very rich history
96
250586
2594
לנו האנשים יש הסטוריה ארוכה
04:25
of taking any amount of data, no matter how small,
97
253180
2693
של לקחת כל כמות של מידע, לא משנה כמה קטנה,
04:27
and screwing it up.
98
255873
1617
ולדפוק את זה.
04:29
So many years ago, you may remember
99
257490
3737
אז לפני הרבה שנים, אתם אולי זוכרים
04:33
that former President Ronald Reagan
100
261227
2273
שהנשיא לשעבר רונאלד רייגן
04:35
was very criticized for making a statement
101
263500
1991
היה תחת ביקורת על ההצהרה
04:37
that facts are stupid things.
102
265491
3010
שעובדות הן דבר מטופש.
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
וזאת היתה פליטת פה, בואו נהיה כנים.
04:43
He actually meant to quote John Adams' defense
104
271295
2430
הוא למעשה התכוון לצטט
את ההגנה של ג'ון אדמס
את ההגנה של ג'ון אדמס
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
על חיילים בריטים במשפטי הטבח בבוסטון
04:48
that facts are stubborn things.
106
276476
3150
שעובדות הן דבר עיקש.
04:51
But I actually think there's
107
279626
2624
אבל אני למעשה חושבת שיש
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
מעט חוכמה מקרית במה שהוא אמר,
04:57
because facts are stubborn things,
109
285668
2776
מפני שעובדות הן דברים עקשניים,
05:00
but sometimes they're stupid, too.
110
288444
2923
אבל לפעמים הן גם טפשיות.
05:03
I want to tell you a personal story
111
291367
1888
אני רוצה לספר לכם סיפור אישי
05:05
about why this matters a lot to me.
112
293255
3548
על למה זה ממש משנה לי.
05:08
I need to take a breath.
113
296803
2437
אני צריכה לקחת נשימה.
05:11
My son Isaac, when he was two,
114
299240
2754
בני אייזק, כשהוא היה בן שנתים,
05:13
was diagnosed with autism,
115
301994
2417
אובחן עם אוטיזם,
05:16
and he was this happy, hilarious,
116
304411
2161
והוא היה בחור קטן ושמח, קורע מצחוק,
05:18
loving, affectionate little guy,
117
306572
2035
אוהב, מלא חיבה,
05:20
but the metrics on his developmental evaluations,
118
308607
2902
אבל המדידות של ההתפתחות שלו,
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
שבחנו דברים כמו מספר המילים --
05:25
at that point, none —
120
313579
3657
באותה נקודה, אפס --
05:29
communicative gestures and minimal eye contact,
121
317236
3940
מחוות תיקשורתיות וקשר עין מינימלי,
05:33
put his developmental level
122
321176
2003
שמו אותו ברמה התפתחותית
05:35
at that of a nine-month-old baby.
123
323179
3961
של תינוק בן תשעה חודשים.
05:39
And the diagnosis was factually correct,
124
327140
2960
והאבחנה היתה נכונה עובדתית,
05:42
but it didn't tell the whole story.
125
330100
3209
אבל היא לא סיפרה את כל הסיפור.
05:45
And about a year and a half later,
126
333309
1401
ובערך שנה וחצי מאוחר יותר,
05:46
when he was almost four,
127
334710
2102
כשהוא היה כמעט בן ארבע,
05:48
I found him in front of the computer one day
128
336812
2363
מצאתי אותו מול המחשב יום אחד
05:51
running a Google image search on women,
129
339175
5453
מריץ חיפוש תמונות בגוגל על נשים,
05:56
spelled "w-i-m-e-n."
130
344628
3616
ומאויית "w-i-m-e-n."
06:00
And I did what any obsessed parent would do,
131
348244
2740
ועשיתי מה שכל הורה אובססיבי היה עושה,
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
שזה מייד ללחוץ על כפתור אחורה
06:04
to see what else he'd been searching for.
133
352885
3363
כדי לראות מה עוד הוא חיפש.
06:08
And they were, in order: men,
134
356248
2171
וזה היה לפי הסדר: גברים,
06:10
school, bus and computer.
135
358419
7267
בית ספר, אוטובוס ומחשב.
06:17
And I was stunned,
136
365686
2070
והייתי המומה,
06:19
because we didn't know that he could spell,
137
367756
2002
מפני שלא ידענו שהוא יודע לאיית,
06:21
much less read, and so I asked him,
138
369758
1766
שלא לדבר על לקרוא, אז שאלתי אותו,
06:23
"Isaac, how did you do this?"
139
371524
2193
"אייזק, איך עשית את זה?"
06:25
And he looked at me very seriously and said,
140
373717
2678
והוא הסתכל עלי מאוד ברצינות ואמר,
06:28
"Typed in the box."
141
376395
3352
"הקלדתי בתיבה."
06:31
He was teaching himself to communicate,
142
379747
3734
הוא לימד את עצמו לתקשר,
06:35
but we were looking in the wrong place,
143
383481
3004
אבל חיפשנו במקום הלא נכון,
06:38
and this is what happens when assessments
144
386485
2295
וזה מה שקורה כשהערכות
06:40
and analytics overvalue one metric —
145
388780
2396
ואנליזה נותנות ערך גבוה מדי למידה אחת --
06:43
in this case, verbal communication —
146
391176
2609
במקרה הזה, תקשורת מילולית --
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
וערך חסר לאחרות, כמו פתרון בעיות יצירתי.
06:51
Communication was hard for Isaac,
148
399488
2307
תקשורת היתה קשה לאייזק,
06:53
and so he found a workaround
149
401795
1912
אז הוא מצא דרך עוקפת
06:55
to find out what he needed to know.
150
403707
2857
כדי למצוא מה שהוא היה צריך לדעת.
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
וכשאני חושבת על זה, זה מאוד הגיוני,
07:00
because forming a question
152
408454
2081
מפני שליצור שאלה
07:02
is a really complex process,
153
410535
2565
זה תהליך ממש מורכב,
07:05
but he could get himself a lot of the way there
154
413100
2522
אבל הוא היה יכול להביא
את עצמו את רוב הדרך לשם
את עצמו את רוב הדרך לשם
07:07
by putting a word in a search box.
155
415622
4092
על ידי הקלדת מילים לתיבת חיפוש.
07:11
And so this little moment
156
419714
2936
אז לרגע הקטן הזה
07:14
had a really profound impact on me
157
422650
2836
היתה השפעה משמעותית עלי
07:17
and our family
158
425486
1309
והמשפחה שלנו
07:18
because it helped us change our frame of reference
159
426795
3141
מפני שזה עזר לנו לשנות
את מסגרת ההתיחסות שלנו
את מסגרת ההתיחסות שלנו
07:21
for what was going on with him,
160
429936
2208
למה שקורה איתו,
07:24
and worry a little bit less and appreciate
161
432144
2976
ולדאוג מעט פחות ולהעריך
07:27
his resourcefulness more.
162
435120
2182
את התושיה שלו יותר.
07:29
Facts are stupid things.
163
437302
2861
עובדות הן דבר מטופש.
07:32
And they're vulnerable to misuse,
164
440163
2397
והן פגיעות לשימוש לא נכון,
07:34
willful or otherwise.
165
442560
1653
זדוני או לא.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
יש לי חברה, אמילי ווילינגהאם,
שהיא מדענית,
שהיא מדענית,
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
והיא כתבה מאמר לפורבס לא מזמן
07:42
entitled "The 10 Weirdest Things
168
450040
1980
שנקרא "10 הדברים המוזרים
07:44
Ever Linked to Autism."
169
452020
1810
שקושרו אי פעם לאוטיזם."
07:45
It's quite a list.
170
453830
3005
זו חתיכת רשימה.
07:48
The Internet, blamed for everything, right?
171
456835
3532
האינטרנט, מואשם בהכל, נכון?
07:52
And of course mothers, because.
172
460367
3757
וכמובן אמהות, מפני ש.
07:56
And actually, wait, there's more,
173
464124
1587
ולמעשה, חכו, יש עוד,
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
יש קבוצה שלמה בקטגוריה של "אמא" פה.
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
ואתם יכולים לראות שזו רשימה
ממש עשירה ומעניינת.
ממש עשירה ומעניינת.
08:05
I'm a big fan of
176
473956
2193
אני אוהדת גדולה של
08:08
being pregnant near freeways, personally.
177
476149
3704
להיות בהריון ליד כבישים מהירים , אישית.
08:11
The final one is interesting,
178
479853
1539
האחרון הוא מעניין,
08:13
because the term "refrigerator mother"
179
481392
3003
מפני שהמונח "אמא מקרר"
08:16
was actually the original hypothesis
180
484395
2605
היה למעשה ההיפותזה המקורית
08:19
for the cause of autism,
181
487000
1431
לסיבה לאוטיזם,
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
והכוונה למישהי שהיא קרה ולא אוהבת.
08:23
And at this point, you might be thinking,
183
491166
1562
ובנקודה הזו, אתם אולי חושבים,
08:24
"Okay, Susan, we get it,
184
492728
1657
"אוקיי, סוזן, אנחנו מבינים,
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
אפשר לקחת מידע,
אפשר לתת לו משמעות אחרת לגמרי."
אפשר לתת לו משמעות אחרת לגמרי."
08:28
And this is true, it's absolutely true,
186
496167
4703
וזה נכון, זה לגמרי נכון,
08:32
but the challenge is that
187
500870
5610
אבל האתגר הוא
08:38
we have this opportunity
188
506480
2448
שיש לנו הזדמנות
08:40
to try to make meaning out of it ourselves,
189
508928
2284
לנסות לתת משמעות מתוכנו,
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
מפני שלמען האמת,
מידע לא יוצר משמעות, אנחנו יוצרים אותה.
מידע לא יוצר משמעות, אנחנו יוצרים אותה.
08:48
So as businesspeople, as consumers,
191
516564
3256
אז כאנשי עסקים, כצרכנים,
08:51
as patients, as citizens,
192
519820
2539
כפציינטים, כאזרחים,
08:54
we have a responsibility, I think,
193
522359
2396
יש לנו את האחריות, אני חושבת,
08:56
to spend more time
194
524755
2194
לבלות יותר זמן
08:58
focusing on our critical thinking skills.
195
526949
2870
בלהתמקד בכישורי החשיבה הביקורתית שלנו,
09:01
Why?
196
529819
1078
למה?
09:02
Because at this point in our history, as we've heard
197
530897
3178
מפני שבנקודה הזו בהסטוריה שלנו, כמו ששמענו
09:06
many times over,
198
534075
1706
הרבה פעמים בעבר,
09:07
we can process exabytes of data
199
535781
1981
אנחנו יכולים לעבד אקסבייטים של מידע
09:09
at lightning speed,
200
537762
2153
במהירות האור,
09:11
and we have the potential to make bad decisions
201
539915
3515
ויש לנו את הפוטנציאל לעשות החלטות גרועות
09:15
far more quickly, efficiently,
202
543430
1834
הרבה יותר במהירות, ביעילות,
09:17
and with far greater impact than we did in the past.
203
545264
5028
ועם הרבה יותר השפעה משהיה לנו בעבר.
09:22
Great, right?
204
550292
1388
נפלא, נכון?
09:23
And so what we need to do instead
205
551680
3030
וכך מה שאנחנו צריכים לעשות במקום
09:26
is spend a little bit more time
206
554710
2330
זה לבלות מעט יותר זמן
09:29
on things like the humanities
207
557040
2746
על דברים כמו הומניות
09:31
and sociology, and the social sciences,
208
559786
3464
וסוציולוגיה, ומדעי החברה,
09:35
rhetoric, philosophy, ethics,
209
563250
2308
רטוריקה, פילוסופיה, אתיקה,
09:37
because they give us context that is so important
210
565558
2856
מפני שהם נותנים לנו הקשר שהוא כל כך חשוב
09:40
for big data, and because
211
568414
2576
למידע גדול, ובגלל
09:42
they help us become better critical thinkers.
212
570990
2418
שהם עוזרים לנו להפוך
להוגים ביקורתיים טובים יותר.
להוגים ביקורתיים טובים יותר.
09:45
Because after all, if I can spot
213
573408
4207
מפני שאחרי הכל, אם אנחנו יכולים לזהות
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
בעיה בטיעון, זה לא משנה ממש
09:52
whether it's expressed in words or in numbers.
215
580101
2759
אם זה מתבטא במילים או מספרים.
09:54
And this means
216
582860
2719
וזה אומר
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
ללמד את עצמנו למצוא את הטיות האישור
10:02
and false correlations
218
590000
1822
וקישורים שגויים
10:03
and being able to spot a naked emotional appeal
219
591822
2138
ולהיות מסוגלים לזהות משיכה רגשית ערומה
10:05
from 30 yards,
220
593960
1662
ממרחק 30 מטר,
10:07
because something that happens after something
221
595622
2522
מפני שמשהו שקורה אחרי משהו
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
לא אומר שזה קרה בגללו, בהכרח,
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
ואם אתם תתנו לי להיות גיקית לגמרי לשניה,
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
הרומאים קראו לזה
"פוסט הוק ארגו פרופטר הוק,"
"פוסט הוק ארגו פרופטר הוק,"
10:19
after which therefore because of which.
225
607642
3296
אחרי כן לכן בגלל ש.
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
וזה אומר פקפוק בתורות כמו דמוגרפיה.
10:26
Why? Because they're based on assumptions
227
614695
2520
למה? מפני שהן מבוססות על הנחות
10:29
about who we all are based on our gender
228
617215
2306
על מי אנחנו שמבוססות על מגדר
10:31
and our age and where we live
229
619521
1462
והגיל שלנו ואיפה אנחנו חיים
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
בניגוד למידע על מה אנחנו
באמת חושבים או עושים.
באמת חושבים או עושים.
10:36
And since we have this data,
231
624461
1663
ומאחר ויש לנו את המידע הזה,
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
אנחנו צריכים להתייחס אליו
עם שליטות מתאימות על הפרטיות
עם שליטות מתאימות על הפרטיות
10:41
and consumer opt-in,
233
629263
3576
וצרכנים שמצטרפים,
10:44
and beyond that, we need to be clear
234
632839
2993
ומעבר לזה, אנחנו צריכים להיות ברורים
10:47
about our hypotheses,
235
635832
2103
בנוגע להיפותזות,
10:49
the methodologies that we use,
236
637935
2596
המתודולוגיות בהן אנחנו משתמשים,
10:52
and our confidence in the result.
237
640531
2804
והביטחון שלנו בתוצאות.
10:55
As my high school algebra teacher used to say,
238
643335
2474
כמו שהמורה שלי לאלגברה בתיכון נהגה להגיד,
10:57
show your math,
239
645809
1531
תראו את המתמטיקה שלכם,
10:59
because if I don't know what steps you took,
240
647340
3441
מפני שאם אתם לא יודעים איזה צעדים לקחתם,
11:02
I don't know what steps you didn't take,
241
650781
1991
אני לא יודעת איזה צעדים לא לקחתם,
11:04
and if I don't know what questions you asked,
242
652772
2438
ואם אני לא יודעת איזה שאלות שאלתם,
11:07
I don't know what questions you didn't ask.
243
655210
3197
אני לא יודעת איזה שאלות לא שאלתם.
11:10
And it means asking ourselves, really,
244
658407
1523
וזה אומר לשאול את עצמנו, באמת,
11:11
the hardest question of all:
245
659930
1479
את השאלה הקשה מכל:
11:13
Did the data really show us this,
246
661409
3500
האם המידע באמת הראה לנו את זה,
11:16
or does the result make us feel
247
664909
2311
או שהתוצאה גורמת לנו להרגיש
11:19
more successful and more comfortable?
248
667220
3878
יותר מצליחים ויותר בנוח?
11:23
So the Health Media Collaboratory,
249
671098
2584
אז שותפות מדיית הבריאות,
11:25
at the end of their project, they were able
250
673682
1699
בסופו של הפרוייקט, הם היו מסוגלים
11:27
to find that 87 percent of tweets
251
675381
3408
למצוא ש 87 אחוז של הציוצים
11:30
about those very graphic and disturbing
252
678789
2144
בנוגע לפרסומות המאוד גרפיות
11:32
anti-smoking ads expressed fear,
253
680933
4038
ומטרידות נגד עישון הביעו פחד,
11:36
but did they conclude
254
684971
1856
אבל האם הם הסיקו
11:38
that they actually made people stop smoking?
255
686827
3161
שהן למעשה גרמו לאנשים להפסיק לעשן?
11:41
No. It's science, not magic.
256
689988
2542
לא. זה מדע, לא קסם.
11:44
So if we are to unlock
257
692530
3190
אז אם אנחנו רוצים לשחרר
11:47
the power of data,
258
695720
2862
את הכוח של המידע,
11:50
we don't have to go blindly into
259
698582
3448
אנחנו לא צריכים ללכת עיוורים
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
לתוך החזון הטוטליטרי של העתיד של אורוול,
11:57
or Huxley's vision of a trivial one,
261
705466
3117
או העתיד הטריוויאלי של האקסלי,
12:00
or some horrible cocktail of both.
262
708583
3020
או קוקטייל נוראי של שניהם.
12:03
What we have to do
263
711603
2379
מה שאנחנו צריכים לעשות
12:05
is treat critical thinking with respect
264
713982
2718
זה להתייחס לחשיבה ביקורתית בכבוד
12:08
and be inspired by examples
265
716700
2029
ולקבל השראה מדוגמאות
12:10
like the Health Media Collaboratory,
266
718729
2610
כמו שותפות מדיית הבריאות,
12:13
and as they say in the superhero movies,
267
721339
2328
וכמו שהם אומרים בסרטים של גיבורי על,
12:15
let's use our powers for good.
268
723667
1822
בואו נשתמש בכוח שלנו לטובה.
12:17
Thank you.
269
725489
2351
תודה לכם.
12:19
(Applause)
270
727840
2334
(מחאות כפיים)
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