TED@IBM
Susan Etlinger: What do we do with all this big data?
Susan Etlinger: Cosa ce ne facciamo di tutti questi big data?
Filmed:
Readability: 4.7
1,344,301 views
L’esistenza di un insieme di dati ti fa sentire meglio? Ti fa sentire più soddisfatto? Se è così, forse non li hai interpretati nel modo corretto. In una conferenza incredibilmente toccante, Susan Etlinger ci spiega perché, a causa del numero crescente di dati che riceviamo, è necessario approfondire le nostre capacità di analisi critica. La risposta è che non dobbiamo fermarci al semplice computo delle cose, ma dobbiamo incominciare a comprenderne anche il significato.
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.
La tecnologia ci ha dato davvero tanto:
00:13
Technology has brought us so much:
0
1354
3135
l'atterraggio sulla luna, Internet,
00:16
the moon landing, the Internet,
1
4489
2019
l'abilità di sequenziare
il genoma umano.
il genoma umano.
00:18
the ability to sequence the human genome.
2
6508
2625
Ma allo stesso tempo fa leva
sulle nostre paure più profonde.
sulle nostre paure più profonde.
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
Una trentina di anni fa,
00:24
and about 30 years ago,
4
12857
1856
il critico culturale
Neil Postman scrisse un libro
Neil Postman scrisse un libro
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
intitolato "Divertirsi da Morire"
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
che mostra molto bene
questa condizione.
questa condizione.
00:31
which lays this out really brilliantly.
7
19381
2759
00:34
And here's what he said,
8
22140
1650
Postman affermava, confrontando
le visioni distopiche
le visioni distopiche
00:35
comparing the dystopian visions
9
23790
2263
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
di George Orwell e Aldous Huxley.
Affermava che Orwell
temeva che saremmo diventati
temeva che saremmo diventati
00:41
He said, Orwell feared we would become
11
29626
3126
una cultura schiavizzata.
00:44
a captive culture.
12
32752
2248
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
Huxley temeva che saremmo diventati
una cultura banale.
una cultura banale.
Orwell temeva che la verità
ci sarebbe stata nascosta,
ci sarebbe stata nascosta,
00:50
Orwell feared the truth would be
14
38752
2145
00:52
concealed from us,
15
40897
1923
00:54
and Huxley feared we would be drowned
16
42820
2190
e Huxley temeva che saremmo annegati
00:57
in a sea of irrelevance.
17
45010
2693
nel mare della noncuranza.
In poche parole,
non ci resta che scegliere
non ci resta che scegliere
00:59
In a nutshell, it's a choice between
18
47703
2170
tra essere osservati dal Grande Fratello
01:01
Big Brother watching you
19
49873
2600
oppure guardare il Grande Fratello.
01:04
and you watching Big Brother.
20
52473
2496
(Risate)
01:06
(Laughter)
21
54969
1931
01:08
But it doesn't have to be this way.
22
56900
1734
Ma non deve essere per forza così.
Non siamo consumatori passivi
di dati e tecnologia.
di dati e tecnologia.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
01:13
We shape the role it plays in our lives
24
61970
2403
Scegliamo noi il ruolo
che hanno nella nostra vita,
che hanno nella nostra vita,
e il modo in cui assumono un significato,
01:16
and the way we make meaning from it,
25
64373
2130
ma per fare ciò
01:18
but to do that,
26
66503
1603
dobbiamo prestare la stessa attenzione
sia al modo in cui pensiamo
sia al modo in cui pensiamo
01:20
we have to pay as much attention to how we think
27
68106
3513
sia al modo in cui codifichiamo.
01:23
as how we code.
28
71619
2030
Dobbiamo porci delle domande,
domande difficili,
domande difficili,
01:25
We have to ask questions, and hard questions,
29
73649
3098
per andare oltre
al computo delle cose,
al computo delle cose,
01:28
to move past counting things
30
76747
1869
e iniziare a comprenderle.
01:30
to understanding them.
31
78616
2602
Siamo costantemente bombardati da notizie
01:33
We're constantly bombarded with stories
32
81218
2446
sulla quantità di dati
che esistono nel mondo,
che esistono nel mondo,
01:35
about how much data there is in the world,
33
83664
2476
01:38
but when it comes to big data
34
86140
1580
ma quando si parla di big data
01:39
and the challenges of interpreting it,
35
87720
2596
e della sfida
di riuscire ad interpretarli,
di riuscire ad interpretarli,
la dimensione non è tutto.
01:42
size isn't everything.
36
90316
2088
È importante anche conoscere
la velocità a cui si muovono
la velocità a cui si muovono
01:44
There's also the speed at which it moves,
37
92404
2903
e le diverse tipologie di dati esistenti,
01:47
and the many varieties of data types,
38
95307
1696
01:49
and here are just a few examples:
39
97003
2498
e questi sono solo alcuni degli esempi:
immagini,
01:51
images,
40
99501
2198
01:53
text,
41
101699
4007
testi,
video,
01:57
video,
42
105706
2095
01:59
audio.
43
107801
1830
audio.
Ciò che unisce
questa moltitudine di dati eterogenei
questa moltitudine di dati eterogenei
02:01
And what unites this disparate types of data
44
109631
3042
è il fatto
che siano stati tutti creati dall'uomo
che siano stati tutti creati dall'uomo
02:04
is that they're created by people
45
112673
2221
e che necessitano un contesto.
02:06
and they require context.
46
114894
2775
C'è un gruppo di data scientist
02:09
Now, there's a group of data scientists
47
117669
2445
dell'Università dell'Illinois a Chicago,
02:12
out of the University of Illinois-Chicago,
48
120114
2305
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
chiamato
Health Media Collaboratory,
Health Media Collaboratory,
che ha collaborato con il Centro
per la Prevenzione delle Malattie
per la Prevenzione delle Malattie
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
02:19
to better understand
51
127560
1505
per comprendere meglio
come le persone
parlano di smettere di fumare,
parlano di smettere di fumare,
02:21
how people talk about quitting smoking,
52
129065
2848
come parlano delle sigarette elettroniche,
02:23
how they talk about electronic cigarettes,
53
131913
2680
e di ciò che possono fare collettivamente
02:26
and what they can do collectively
54
134593
1985
per aiutarli a smettere di fumare.
02:28
to help them quit.
55
136578
1984
La cosa interessante è
che se si vuole comprendere
che se si vuole comprendere
02:30
The interesting thing is, if you want to understand
56
138562
2013
come le persone parlano del fumo,
02:32
how people talk about smoking,
57
140575
2216
bisogna prima comprendere
02:34
first you have to understand
58
142791
1901
cosa intendono quando
parlano del concetto di "fumare".
parlano del concetto di "fumare".
02:36
what they mean when they say "smoking."
59
144692
2565
Su Twitter ci sono
quattro categorie principali:
quattro categorie principali:
02:39
And on Twitter, there are four main categories:
60
147257
3926
numero uno, fumare sigarette;
02:43
number one, smoking cigarettes;
61
151183
2997
02:46
number two, smoking marijuana;
62
154180
2807
numero due, fumare marijuana;
numero tre, costolette fumanti;
02:48
number three, smoking ribs;
63
156987
2643
02:51
and number four, smoking hot women.
64
159630
3553
e numero quattro, donne calde fumanti.
(Risate)
02:55
(Laughter)
65
163183
2993
Quindi bisogna riflettere bene
02:58
So then you have to think about, well,
66
166176
2426
su come le persone
parlano delle sigarette elettroniche.
parlano delle sigarette elettroniche.
03:00
how do people talk about electronic cigarettes?
67
168602
2140
03:02
And there are so many different ways
68
170742
2025
Ci sono tantissimi modi diversi
che le persone usano,
e come potete vedere nella diapositiva
e come potete vedere nella diapositiva
03:04
that people do this, and you can see from the slide
69
172767
2599
03:07
it's a complex kind of a query.
70
175366
2610
è una query alquanto complessa.
Tutto questo ci fa ricordare
03:09
And what it reminds us is that
71
177976
3224
03:13
language is created by people,
72
181200
2411
che il linguaggio è creato dalle persone,
e le persone sono disordinate
e complesse,
e complesse,
03:15
and people are messy and we're complex
73
183611
2340
usano metafore, slang e dialetti
03:17
and we use metaphors and slang and jargon
74
185951
2767
e lo fanno ventiquattro ore
su ventiquattro, in tante lingue,
su ventiquattro, in tante lingue,
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
e non appena se ne accorgono,
cambiano atteggiamento.
cambiano atteggiamento.
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
Così fanno le pubblicità del Centro
per la Prevenzione delle Malattie,
per la Prevenzione delle Malattie,
03:27
So did these ads that the CDC put on,
77
195221
5118
quelle campagne televisive
in cui si vede una donna
in cui si vede una donna
03:32
these television ads that featured a woman
78
200339
2430
con un buco in gola, molto esplicite
03:34
with a hole in her throat and that were very graphic
79
202769
2021
03:36
and very disturbing,
80
204790
1904
e molto scioccanti,
Influiscono davvero
03:38
did they actually have an impact
81
206694
1885
sul fatto che la gente smetta di fumare?
03:40
on whether people quit?
82
208579
2671
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
L'Health Media Collaboratory,
pur rispettando il limite dei suoi dati,
pur rispettando il limite dei suoi dati,
ha comunque potuto concludere
03:46
but they were able to conclude
84
214557
2005
che quelle campagne,
probabilmente le avrete viste,
probabilmente le avrete viste,
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
hanno l'effetto
di far precipitare la gente
di far precipitare la gente
03:51
that they had the effect of jolting people
86
219874
2591
in un processo durissimo
03:54
into a thought process
87
222465
1822
che potrebbe avere un impatto
nel loro futuro comportamento.
nel loro futuro comportamento.
03:56
that may have an impact on future behavior.
88
224287
3667
Ciò che più ho ammirato
e apprezzato di questo progetto
e apprezzato di questo progetto
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
oltre al fatto e incluso il fatto
04:03
aside from the fact, including the fact
90
231845
1489
che si basa sui bisogni reali dell'uomo,
04:05
that it's based on real human need,
91
233334
4057
è il fatto che rappresenti
un fantastico esempio di coraggio
un fantastico esempio di coraggio
04:09
is that it's a fantastic example of courage
92
237391
2846
alla faccia di un mare di irrilevanza.
04:12
in the face of a sea of irrelevance.
93
240237
4443
04:16
And so it's not just big data that causes
94
244680
3305
Quindi non sono solo i big data a causare
sfide di interpretazione,
perché, diciamoci la verità,
perché, diciamoci la verità,
04:19
challenges of interpretation, because let's face it,
95
247985
2601
noi esseri umani abbiamo
alle nostre spalle una lunga storia
alle nostre spalle una lunga storia
04:22
we human beings have a very rich history
96
250586
2594
04:25
of taking any amount of data, no matter how small,
97
253180
2693
di dati di qualsiasi dimensione,
non importa se piccoli,
non importa se piccoli,
presi e messi in disordine.
04:27
and screwing it up.
98
255873
1617
04:29
So many years ago, you may remember
99
257490
3737
Forse vi ricorderete che, tanti anni fa,
l'ex Presidente Ronald Reagan
04:33
that former President Ronald Reagan
100
261227
2273
04:35
was very criticized for making a statement
101
263500
1991
fu molto criticato per aver affermato
che i fatti sono argomenti stupidi.
04:37
that facts are stupid things.
102
265491
3010
Siamo sinceri,
sarà stato certamente un lapsus.
sarà stato certamente un lapsus.
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
In realtà intendeva
citare la difesa di John Adams
citare la difesa di John Adams
04:43
He actually meant to quote John Adams' defense
104
271295
2430
dei soldati britannici
al processo per il massacro di Boston
al processo per il massacro di Boston
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
il quale affermava che
i fatti erano argomenti testardi.
i fatti erano argomenti testardi.
04:48
that facts are stubborn things.
106
276476
3150
Personalmente ritengo che ci fosse
04:51
But I actually think there's
107
279626
2624
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
un fondo di saggezza accidentale
in ciò che affermò,
in ciò che affermò,
perché i fatti sono argomenti testardi,
04:57
because facts are stubborn things,
109
285668
2776
ma a volte sono anche argomenti stupidi.
05:00
but sometimes they're stupid, too.
110
288444
2923
Voglio raccontarvi una storia personale
05:03
I want to tell you a personal story
111
291367
1888
per farvi capire perché
tutto questo significa molto per me.
tutto questo significa molto per me.
05:05
about why this matters a lot to me.
112
293255
3548
Ho bisogno di respirare a fondo.
05:08
I need to take a breath.
113
296803
2437
05:11
My son Isaac, when he was two,
114
299240
2754
All'età di due anni, a mio figlio Isaac
fu diagnosticata una forma di autismo.
05:13
was diagnosed with autism,
115
301994
2417
Era un ragazzino così felice,
05:16
and he was this happy, hilarious,
116
304411
2161
sorridente, amorevole e affettuoso,
05:18
loving, affectionate little guy,
117
306572
2035
ma i parametri
di valutazione del suo sviluppo
di valutazione del suo sviluppo
05:20
but the metrics on his developmental evaluations,
118
308607
2902
che valutano valori come
il numero di parole,
il numero di parole,
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
che in quel momento era pari a zero,
05:25
at that point, none —
120
313579
3657
gesti comunicativi
e contatto visivo minimo,
e contatto visivo minimo,
05:29
communicative gestures and minimal eye contact,
121
317236
3940
lo posizionavano al livello di sviluppo
05:33
put his developmental level
122
321176
2003
di un neonato di nove mesi.
05:35
at that of a nine-month-old baby.
123
323179
3961
05:39
And the diagnosis was factually correct,
124
327140
2960
La diagnosi, sulla carta, era corretta,
05:42
but it didn't tell the whole story.
125
330100
3209
ma non raccontava tutta la verità.
Un anno e mezzo più tardi,
05:45
And about a year and a half later,
126
333309
1401
05:46
when he was almost four,
127
334710
2102
quando aveva quasi quattro anni,
un giorno lo trovai davanti al computer
05:48
I found him in front of the computer one day
128
336812
2363
che cercava su Google immagini di donne,
05:51
running a Google image search on women,
129
339175
5453
scritto "d-o-n-e".
05:56
spelled "w-i-m-e-n."
130
344628
3616
E feci quello che ogni
genitore ossessionato avrebbe fatto,
genitore ossessionato avrebbe fatto,
06:00
And I did what any obsessed parent would do,
131
348244
2740
Cioè premere
subito il pulsante "indietro"
subito il pulsante "indietro"
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
per vedere cos'altro avesse cercato.
06:04
to see what else he'd been searching for.
133
352885
3363
E in quest'ordine c'erano: uomini,
06:08
And they were, in order: men,
134
356248
2171
scuola, autobus e computer.
06:10
school, bus and computer.
135
358419
7267
E rimasi stupita,
06:17
And I was stunned,
136
365686
2070
perché non sapevamo
che sapesse scrivere,
che sapesse scrivere,
06:19
because we didn't know that he could spell,
137
367756
2002
e tantomeno leggere, così gli chiesi:
06:21
much less read, and so I asked him,
138
369758
1766
"Isaac, come sei riuscito a fare questo?"
06:23
"Isaac, how did you do this?"
139
371524
2193
E lui, guardandomi molto serio, mi disse:
06:25
And he looked at me very seriously and said,
140
373717
2678
"Scrivendo nella scatola".
06:28
"Typed in the box."
141
376395
3352
Stava cercando di imparare
da solo a comunicare,
da solo a comunicare,
06:31
He was teaching himself to communicate,
142
379747
3734
ma noi stavamo
cercando nel posto sbagliato.
cercando nel posto sbagliato.
06:35
but we were looking in the wrong place,
143
383481
3004
Questo è ciò che accade
quando le valutazioni
quando le valutazioni
06:38
and this is what happens when assessments
144
386485
2295
06:40
and analytics overvalue one metric —
145
388780
2396
e le analisi sopravvalutano
il sistema di misura,
il sistema di misura,
in questo caso, la comunicazione verbale,
06:43
in this case, verbal communication —
146
391176
2609
e sottovalutano altri parametri
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
come la capacità
di risoluzione dei problemi.
di risoluzione dei problemi.
Per Isaac era difficile comunicare,
06:51
Communication was hard for Isaac,
148
399488
2307
allora ha cercato un modo
06:53
and so he found a workaround
149
401795
1912
di scoprire ciò
che aveva bisogno di sapere.
che aveva bisogno di sapere.
06:55
to find out what he needed to know.
150
403707
2857
Se ci pensate, tutto questo ha senso,
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
perché formulare una domanda
07:00
because forming a question
152
408454
2081
è un processo davvero complesso,
07:02
is a really complex process,
153
410535
2565
07:05
but he could get himself a lot of the way there
154
413100
2522
ma lui è riuscito
ad arrivare a quello che voleva
ad arrivare a quello che voleva
inserendo una parola
nella finestra di ricerca.
nella finestra di ricerca.
07:07
by putting a word in a search box.
155
415622
4092
Questo piccolo momento
07:11
And so this little moment
156
419714
2936
07:14
had a really profound impact on me
157
422650
2836
ha avuto un impatto
molto profondo su di me
molto profondo su di me
e sulla nostra famiglia
07:17
and our family
158
425486
1309
perché ci ha aiutato
a cambiare i parametri di riferimento,
a cambiare i parametri di riferimento,
07:18
because it helped us change our frame of reference
159
426795
3141
per capire meglio
cosa passava per la sua testa,
cosa passava per la sua testa,
07:21
for what was going on with him,
160
429936
2208
07:24
and worry a little bit less and appreciate
161
432144
2976
e a preoccuparci un po' meno,
apprezzando di più,
apprezzando di più,
07:27
his resourcefulness more.
162
435120
2182
la sua ingegnosità.
I fatti sono argomenti stupidi.
07:29
Facts are stupid things.
163
437302
2861
E c'è il rischio che vengano usati
07:32
And they're vulnerable to misuse,
164
440163
2397
07:34
willful or otherwise.
165
442560
1653
in modo scorretto.
Ho un'amica ricercatrice,
Emily Willingham,
Emily Willingham,
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
che non molto tempo fa
ha scritto un articolo per Forbes
ha scritto un articolo per Forbes
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
07:42
entitled "The 10 Weirdest Things
168
450040
1980
intitolato "Le 10 cose più strane
07:44
Ever Linked to Autism."
169
452020
1810
associate all'autismo".
07:45
It's quite a list.
170
453830
3005
È una lista piuttosto lunga.
Internet è il colpevole di tutto, vero?
07:48
The Internet, blamed for everything, right?
171
456835
3532
E ovviamente le madri.
07:52
And of course mothers, because.
172
460367
3757
Tra l'altro, non è tutto,
07:56
And actually, wait, there's more,
173
464124
1587
ce ne sono diverse
nella categoria "madre".
nella categoria "madre".
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
Come potete vedere, è una lista
piuttosto ricca e interessante.
piuttosto ricca e interessante.
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
Personalmente, la mia preferita
08:05
I'm a big fan of
176
473956
2193
è rimanere incinta
vicino alle autostrade".
vicino alle autostrade".
08:08
being pregnant near freeways, personally.
177
476149
3704
Anche l'ultima è interessante,
08:11
The final one is interesting,
178
479853
1539
perché, di fatto,
il termine "madre frigorifero"
il termine "madre frigorifero"
08:13
because the term "refrigerator mother"
179
481392
3003
fu usata come ipotesi originale
per spiegare la causa dell'autismo,
per spiegare la causa dell'autismo,
08:16
was actually the original hypothesis
180
484395
2605
08:19
for the cause of autism,
181
487000
1431
indicando una persona
fredda e incapace di amare.
fredda e incapace di amare.
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
A questo punto starete pensando:
08:23
And at this point, you might be thinking,
183
491166
1562
"D'accordo, Susan, abbiamo capito,
08:24
"Okay, Susan, we get it,
184
492728
1657
puoi prendere i dati
e dar loro un significato".
e dar loro un significato".
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
08:28
And this is true, it's absolutely true,
186
496167
4703
Ed è vero, è del tutto vero, ma la sfida
08:32
but the challenge is that
187
500870
5610
08:38
we have this opportunity
188
506480
2448
è che abbiamo questa opportunità
di provare a ricavarne
un significato noi stessi,
un significato noi stessi,
08:40
to try to make meaning out of it ourselves,
189
508928
2284
perché, onestamente, i dati non creano
significati. Siamo noi a farlo.
significati. Siamo noi a farlo.
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
Quindi,
come persone d'affari, consumatori,
come persone d'affari, consumatori,
08:48
So as businesspeople, as consumers,
191
516564
3256
08:51
as patients, as citizens,
192
519820
2539
pazienti e cittadini,
ritengo che abbiamo la responsabilità
08:54
we have a responsibility, I think,
193
522359
2396
di passare più tempo
08:56
to spend more time
194
524755
2194
a concentrarci sulle nostre capacità
di pensiero critico.
di pensiero critico.
08:58
focusing on our critical thinking skills.
195
526949
2870
Perché?
09:01
Why?
196
529819
1078
Perché in questo momento storico,
come abbiamo sentito più volte,
come abbiamo sentito più volte,
09:02
Because at this point in our history, as we've heard
197
530897
3178
09:06
many times over,
198
534075
1706
siamo in grado di analizzare
Exabyte di dati alla velocità della luce,
Exabyte di dati alla velocità della luce,
09:07
we can process exabytes of data
199
535781
1981
09:09
at lightning speed,
200
537762
2153
e corriamo il rischio
di prendere decisioni sbagliate
di prendere decisioni sbagliate
09:11
and we have the potential to make bad decisions
201
539915
3515
09:15
far more quickly, efficiently,
202
543430
1834
molto più velocemente, efficientemente,
e con un impatto molto più forte
che in passato.
che in passato.
09:17
and with far greater impact than we did in the past.
203
545264
5028
Splendido, vero?
09:22
Great, right?
204
550292
1388
09:23
And so what we need to do instead
205
551680
3030
Ciò che dobbiamo fare, quindi,
09:26
is spend a little bit more time
206
554710
2330
è dedicare un po' più di tempo
a cose come gli studi umanistici,
a cose come gli studi umanistici,
09:29
on things like the humanities
207
557040
2746
la sociologia e le scienze sociali,
la retorica, la filosofia, l'etica,
la retorica, la filosofia, l'etica,
09:31
and sociology, and the social sciences,
208
559786
3464
09:35
rhetoric, philosophy, ethics,
209
563250
2308
perché ci danno un contesto,
09:37
because they give us context that is so important
210
565558
2856
che, abbiamo visto,
è molto importante
è molto importante
per comprendere i big data e perché
09:40
for big data, and because
211
568414
2576
09:42
they help us become better critical thinkers.
212
570990
2418
ci aiutano ad usare meglio
il nostro pensiero critico.
il nostro pensiero critico.
Perché, dopo tutto,
se siamo in grado di individuare
se siamo in grado di individuare
09:45
Because after all, if I can spot
213
573408
4207
un problema in un ragionamento,
non ci importa tanto
non ci importa tanto
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
se viene espresso con parole o numeri.
09:52
whether it's expressed in words or in numbers.
215
580101
2759
09:54
And this means
216
582860
2719
Questo vuol dire
che dobbiamo imparare ad individuare
questi pregiudizi
questi pregiudizi
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
10:02
and false correlations
218
590000
1822
e false correlazioni,
10:03
and being able to spot a naked emotional appeal
219
591822
2138
e dobbiamo essere in grado
di individuare da lontano
di individuare da lontano
un semplice appello emotivo,
10:05
from 30 yards,
220
593960
1662
10:07
because something that happens after something
221
595622
2522
perché qualcosa
che succede dopo qualcos'altro,
che succede dopo qualcos'altro,
non vuol dire per forza
che ne sia una conseguenza.
che ne sia una conseguenza.
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
Se mi permettete di fare
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
la secchiona per un momento,
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
i romani lo chiamavano
"post hoc ergo propter hoc",
"post hoc ergo propter hoc",
"dopo di ciò, quindi a causa di ciò".
10:19
after which therefore because of which.
225
607642
3296
Questo implica mettere in discussione
discipline come la demografia.
discipline come la demografia.
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
Perché? Perché si basano su deduzioni
10:26
Why? Because they're based on assumptions
227
614695
2520
su chi siamo, sul nostro sesso,
10:29
about who we all are based on our gender
228
617215
2306
sulla nostra età e su dove viviamo
10:31
and our age and where we live
229
619521
1462
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
in opposizione ai dati
su chi siamo e a cosa pensiamo veramente.
su chi siamo e a cosa pensiamo veramente.
Avendo questi dati,
10:36
And since we have this data,
231
624461
1663
dobbiamo trattarli
con controlli della privacy appropriati
con controlli della privacy appropriati
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
e con l'autorizzazione dei consumatori,
10:41
and consumer opt-in,
233
629263
3576
e dobbiamo, inoltre, essere chiari
10:44
and beyond that, we need to be clear
234
632839
2993
riguardo le nostre ipotesi,
10:47
about our hypotheses,
235
635832
2103
le metodologie che utilizziamo,
10:49
the methodologies that we use,
236
637935
2596
e la nostra fiducia sul risultato.
10:52
and our confidence in the result.
237
640531
2804
Come diceva
la mia professoressa di algebra,
la mia professoressa di algebra,
10:55
As my high school algebra teacher used to say,
238
643335
2474
dovete scrivere i passaggi,
10:57
show your math,
239
645809
1531
10:59
because if I don't know what steps you took,
240
647340
3441
perché se non so
quali passaggi avete seguito,
quali passaggi avete seguito,
non posso sapere
quelli che non avete seguito,
quelli che non avete seguito,
11:02
I don't know what steps you didn't take,
241
650781
1991
e se non so che domande vi siete fatti,
11:04
and if I don't know what questions you asked,
242
652772
2438
11:07
I don't know what questions you didn't ask.
243
655210
3197
non posso sapere
che domande non vi siete fatti.
che domande non vi siete fatti.
Questo vuol dire che dobbiamo
porci la domanda più difficile di tutte:
porci la domanda più difficile di tutte:
11:10
And it means asking ourselves, really,
244
658407
1523
11:11
the hardest question of all:
245
659930
1479
11:13
Did the data really show us this,
246
661409
3500
i big data ci mostrano
davvero tutto questo
davvero tutto questo
o è il risultato che ci fa sentire
più soddisfatti e a nostro agio?
più soddisfatti e a nostro agio?
11:16
or does the result make us feel
247
664909
2311
11:19
more successful and more comfortable?
248
667220
3878
Così l'Health Media Collaboratory,
11:23
So the Health Media Collaboratory,
249
671098
2584
alla fine del progetto ha potuto
concludere che l'87 per cento dei tweet
concludere che l'87 per cento dei tweet
11:25
at the end of their project, they were able
250
673682
1699
11:27
to find that 87 percent of tweets
251
675381
3408
riguardanti quelle campagne
esplicite e scioccanti
esplicite e scioccanti
11:30
about those very graphic and disturbing
252
678789
2144
contro il fumo suscitavano paura,
11:32
anti-smoking ads expressed fear,
253
680933
4038
ma hanno potuto concludere
11:36
but did they conclude
254
684971
1856
che facessero realmente
smettere di fumare?
smettere di fumare?
11:38
that they actually made people stop smoking?
255
686827
3161
No. È scienza, non magia.
11:41
No. It's science, not magic.
256
689988
2542
11:44
So if we are to unlock
257
692530
3190
Quindi, se dovessimo liberare
11:47
the power of data,
258
695720
2862
il potere dei dati,
non dovremo credere ciecamente
11:50
we don't have to go blindly into
259
698582
3448
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
alla visione di Orwell
di un futuro totalitario,
di un futuro totalitario,
o a quella di Huxley
di un futuro banale,
di un futuro banale,
11:57
or Huxley's vision of a trivial one,
261
705466
3117
o qualche terribile cocktail di entrambi.
12:00
or some horrible cocktail of both.
262
708583
3020
Ciò che dobbiamo fare
12:03
What we have to do
263
711603
2379
è trattare il pensiero critico
con rispetto
con rispetto
12:05
is treat critical thinking with respect
264
713982
2718
12:08
and be inspired by examples
265
716700
2029
e ispirarci ad esempi
come quello
dell'Health Media Collaboratory,
dell'Health Media Collaboratory,
12:10
like the Health Media Collaboratory,
266
718729
2610
e come dicono i supereroi nei film,
12:13
and as they say in the superhero movies,
267
721339
2328
usiamo i nostri poteri per fare del bene.
12:15
let's use our powers for good.
268
723667
1822
12:17
Thank you.
269
725489
2351
Grazie.
12:19
(Applause)
270
727840
2334
(Applausi)
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