TED@IBM
Susan Etlinger: What do we do with all this big data?
スーザン・エトリンガー: ビッグデータにどう向き合うべきか？
Filmed:
Readability: 4.7
1,344,301 views
あるデータのおかげで、心地よい気持ちになれますか？より成功していると感じることができますか？だとしたら、あなたのそのデータの解釈は間違っている可能性が高いでしょう。この驚くほど心を揺さぶられるトークで、スーザン・エトリンガーは、より多くのデータを手にすればするほどに私たちの批判的に考える能力もまた深められなければならない理由を説明してくれます。なぜなら、単に物を数えるところを超えて、それらを本当に理解するところまで到達するのは、とても難しいのです。
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
科学技術は多くをもたらしてくれました
00:16
the moon landing, the Internet,
1
4489
2019
月面着陸 インターネット
00:18
the ability to sequence the human genome.
2
6508
2625
ヒトゲノム配列の解析などです
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
ですが 私たちの奥深くにある
恐怖の多くにも それは入り込んでいます
恐怖の多くにも それは入り込んでいます
00:24
and about 30 years ago,
4
12857
1856
およそ30年ほど前
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
文化批評家のニール・ポストマンは
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
"Amusing Ourselves to Death"
という著作で
という著作で
00:31
which lays this out really brilliantly.
7
19381
2759
このことを的確に述べました
00:34
And here's what he said,
8
22140
1650
彼はこの著作において
00:35
comparing the dystopian visions
9
23790
2263
ジョージ・オーウェルとオルダス・ハクスリーの
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
ディストピア (反ユートピア) 思想を比べて
こう書きました
こう書きました
00:41
He said, Orwell feared we would become
11
29626
3126
「オーウェルは私たちが
00:44
a captive culture.
12
32752
2248
囚われの身になる文化を恐れた
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
ハクスリーは私たちが
取るに足らないことに耽溺する文化を恐れた
取るに足らないことに耽溺する文化を恐れた
00:50
Orwell feared the truth would be
14
38752
2145
オーウェルは真実が
00:52
concealed from us,
15
40897
1923
私たちから隠蔽されることを恐れ
00:54
and Huxley feared we would be drowned
16
42820
2190
ハクスリーは私たちが無関心の海で
00:57
in a sea of irrelevance.
17
45010
2693
溺れ死ぬことを恐れた」
00:59
In a nutshell, it's a choice between
18
47703
2170
要するに
01:01
Big Brother watching you
19
49873
2600
「ビッグ・ブラザー」 に監視されるか
01:04
and you watching Big Brother.
20
52473
2496
「ビッグ・ブラザー」を監視するかの
どちらかということです
どちらかということです
01:06
(Laughter)
21
54969
1931
(笑)
01:08
But it doesn't have to be this way.
22
56900
1734
でも そうでなくともよいのです
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
私たちはデータや技術を
受け身で消費するだけではありません
受け身で消費するだけではありません
01:13
We shape the role it plays in our lives
24
61970
2403
生活において
データや技術が果たす役割や
データや技術が果たす役割や
01:16
and the way we make meaning from it,
25
64373
2130
その意味を見出す方法を
私たちが形作るのです
私たちが形作るのです
01:18
but to do that,
26
66503
1603
しかし そのためには
01:20
we have to pay as much attention to how we think
27
68106
3513
コード化の方法と同じくらいに
01:23
as how we code.
28
71619
2030
考え方にも注意を向けねばなりません
01:25
We have to ask questions, and hard questions,
29
73649
3098
物を数えるだけでなく
さらにそれを理解するために
さらにそれを理解するために
01:28
to move past counting things
30
76747
1869
難解な問いを
01:30
to understanding them.
31
78616
2602
投げかけねばなりません
01:33
We're constantly bombarded with stories
32
81218
2446
私たちは世界に
どれ位のデータがあるか
どれ位のデータがあるか
01:35
about how much data there is in the world,
33
83664
2476
常に聞かされていますが
01:38
but when it comes to big data
34
86140
1580
ビッグデータや
01:39
and the challenges of interpreting it,
35
87720
2596
それを読み解く難解さとなると
01:42
size isn't everything.
36
90316
2088
量だけがすべてではありません
01:44
There's also the speed at which it moves,
37
92404
2903
データが動く速さも問題になりますし
01:47
and the many varieties of data types,
38
95307
1696
データには様々な種類があります
01:49
and here are just a few examples:
39
97003
2498
ごくわずかな例を挙げると
01:51
images,
40
99501
2198
画像
01:53
text,
41
101699
4007
文章
01:57
video,
42
105706
2095
映像
01:59
audio.
43
107801
1830
音声などです
02:01
And what unites this disparate types of data
44
109631
3042
これら別々の種類のデータに
共通しているのは
共通しているのは
02:04
is that they're created by people
45
112673
2221
これらは人の手で作られ
02:06
and they require context.
46
114894
2775
文脈を必要としているということです
02:09
Now, there's a group of data scientists
47
117669
2445
さて イリノイ大学シカゴ校出身の
02:12
out of the University of Illinois-Chicago,
48
120114
2305
データ科学者のグループがあります
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
このグループは
ヘルス・メディア・コラボラトリーと呼ばれ
ヘルス・メディア・コラボラトリーと呼ばれ
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
米国疾病管理センターと一緒に仕事をし
02:19
to better understand
51
127560
1505
人々が
02:21
how people talk about quitting smoking,
52
129065
2848
禁煙についての言い表し方や
02:23
how they talk about electronic cigarettes,
53
131913
2680
電子タバコについての言い表し方
02:26
and what they can do collectively
54
134593
1985
禁煙を促すために協力しあえることを
02:28
to help them quit.
55
136578
1984
より良く理解するよう努めました
02:30
The interesting thing is, if you want to understand
56
138562
2013
興味深いことに 人がどのように
02:32
how people talk about smoking,
57
140575
2216
喫煙について話しているかを
理解するにはまず
理解するにはまず
02:34
first you have to understand
58
142791
1901
「smoking (吸う)」という語で
02:36
what they mean when they say "smoking."
59
144692
2565
どんな意味が表されているかを
理解せねばなりません
理解せねばなりません
02:39
And on Twitter, there are four main categories:
60
147257
3926
ツイッター上には
４つの主なカテゴリーがあります
４つの主なカテゴリーがあります
02:43
number one, smoking cigarettes;
61
151183
2997
１つ目 タバコを「吸う」
02:46
number two, smoking marijuana;
62
154180
2807
２つ目 マリファナを「吸入する」
02:48
number three, smoking ribs;
63
156987
2643
３つ目 リブ肉を「いぶす」
02:51
and number four, smoking hot women.
64
159630
3553
４つ目 「煙が出るほどホットな」イケてる女
02:55
(Laughter)
65
163183
2993
(笑)
02:58
So then you have to think about, well,
66
166176
2426
電子タバコについて
どのように話されているかは
どのように話されているかは
03:00
how do people talk about electronic cigarettes?
67
168602
2140
その上で考えてみなければなりません
03:02
And there are so many different ways
68
170742
2025
これには 非常に様々な例が見られます
03:04
that people do this, and you can see from the slide
69
172767
2599
スライドからもおわかりのように
03:07
it's a complex kind of a query.
70
175366
2610
これは複雑な問いなのです
03:09
And what it reminds us is that
71
177976
3224
このことで思い出すのは
03:13
language is created by people,
72
181200
2411
言語は人々によって作られたものであり
03:15
and people are messy and we're complex
73
183611
2340
人間は厄介かつ複雑なもので
03:17
and we use metaphors and slang and jargon
74
185951
2767
比喩やスラングや隠語を
使うものだということ
使うものだということ
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
そしてそれを人間は毎日24時間
多くの言語で行い続けており
多くの言語で行い続けており
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
理解するやいなや
その言葉自体を変えてしまうことです
その言葉自体を変えてしまうことです
03:27
So did these ads that the CDC put on,
77
195221
5118
では 米国疾病管理センターが出した
03:32
these television ads that featured a woman
78
200339
2430
喉に穴が開いた女性を
映し出すこのテレビ広告は
映し出すこのテレビ広告は
03:34
with a hole in her throat and that were very graphic
79
202769
2021
非常に描写が露骨で
03:36
and very disturbing,
80
204790
1904
気持ちの良いものではありませんが
03:38
did they actually have an impact
81
206694
1885
この広告は実際に禁煙するように
03:40
on whether people quit?
82
208579
2671
人々を促したのでしょうか？
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
ヘルス・メディア・コラボラトリーは
データの限界を認めてはいますが
データの限界を認めてはいますが
03:46
but they were able to conclude
84
214557
2005
その結論によると
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
あなた方も見たことがあるかもしれない
これらの広告によって
これらの広告によって
03:51
that they had the effect of jolting people
86
219874
2591
将来の行動が
03:54
into a thought process
87
222465
1822
影響されるかもしれないような
03:56
that may have an impact on future behavior.
88
224287
3667
思考プロセスに
人々を導いたのだそうです
人々を導いたのだそうです
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
私がこのプロジェクトについて
感心し 評価するのは
感心し 評価するのは
04:03
aside from the fact, including the fact
90
231845
1489
人間の現実的な必要性に
基づいている などの事実面はさておき
基づいている などの事実面はさておき
04:05
that it's based on real human need,
91
233334
4057
人間の現実的な必要性に
基づいている などの事実面はさておき
基づいている などの事実面はさておき
04:09
is that it's a fantastic example of courage
92
237391
2846
これが無関心の海に真っ向から
立ち向かう勇気を示す
立ち向かう勇気を示す
04:12
in the face of a sea of irrelevance.
93
240237
4443
素晴らしい例であるということです
04:16
And so it's not just big data that causes
94
244680
3305
一方 理解が難しいのは
ビッグデータだけではないのです
ビッグデータだけではないのです
04:19
challenges of interpretation, because let's face it,
95
247985
2601
なぜなら 考えてもみてください
04:22
we human beings have a very rich history
96
250586
2594
私たち人間は データの大小にかかわらず
04:25
of taking any amount of data, no matter how small,
97
253180
2693
それを台無しにしてしまった
豊かな歴史を
豊かな歴史を
04:27
and screwing it up.
98
255873
1617
有しているではありませんか
04:29
So many years ago, you may remember
99
257490
3737
何年も前に
ロナルド・レーガン元大統領が
ロナルド・レーガン元大統領が
04:33
that former President Ronald Reagan
100
261227
2273
このように述べて厳しく批判されたことを
04:35
was very criticized for making a statement
101
263500
1991
皆さんも覚えているかもしれません
04:37
that facts are stupid things.
102
265491
3010
「事実とは馬鹿げたものである」と
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
これは言い間違いでした
公平を期すなら ですが
公平を期すなら ですが
04:43
He actually meant to quote John Adams' defense
104
271295
2430
彼はジョン・アダムズが
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
ボストン虐殺事件裁判において
イギリス人兵士の弁護で述べた
イギリス人兵士の弁護で述べた
04:48
that facts are stubborn things.
106
276476
3150
「事実とは確固たるものである」を
引用したつもりだったのです
引用したつもりだったのです
04:51
But I actually think there's
107
279626
2624
しかし このレーガンの言い間違いは
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
偶然ながらも 一理あると私は思います
04:57
because facts are stubborn things,
109
285668
2776
なぜなら 事実は確固たるものですが
05:00
but sometimes they're stupid, too.
110
288444
2923
時に 馬鹿げてもいるからです
05:03
I want to tell you a personal story
111
291367
1888
これが 私にとってなぜ重要なのか
05:05
about why this matters a lot to me.
112
293255
3548
個人的なお話をしたいと思います
05:08
I need to take a breath.
113
296803
2437
ひと息つかせてください
05:11
My son Isaac, when he was two,
114
299240
2754
息子のアイザックは ２歳の時に
05:13
was diagnosed with autism,
115
301994
2417
自閉症の診断を受けました
05:16
and he was this happy, hilarious,
116
304411
2161
彼はにこにこして 愉快で
05:18
loving, affectionate little guy,
117
306572
2035
愛情深く 優しい男の子でしたが
05:20
but the metrics on his developmental evaluations,
118
308607
2902
彼の発育評価についての測定基準が
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
着目したのは 話せる言葉の数や―
05:25
at that point, none —
120
313579
3657
これは当時 ゼロでした―
05:29
communicative gestures and minimal eye contact,
121
317236
3940
意思疎通を図る身振り
アイコンタクトなどであったため
アイコンタクトなどであったため
05:33
put his developmental level
122
321176
2003
彼の発育レベルは
05:35
at that of a nine-month-old baby.
123
323179
3961
９か月の赤ちゃん程度でした
05:39
And the diagnosis was factually correct,
124
327140
2960
この診断は事実からすれば
正しいものでしたが
正しいものでしたが
05:42
but it didn't tell the whole story.
125
330100
3209
全体像を語ってはいませんでした
05:45
And about a year and a half later,
126
333309
1401
およそ１年半後
05:46
when he was almost four,
127
334710
2102
アイザックがもうすぐ４歳になる頃
05:48
I found him in front of the computer one day
128
336812
2363
私は ある日
彼がコンピュータの前で
彼がコンピュータの前で
05:51
running a Google image search on women,
129
339175
5453
グーグル画像検索で
女性を検索しているのを見つけました
女性を検索しているのを見つけました
05:56
spelled "w-i-m-e-n."
130
344628
3616
「w-i-m-e-n」というつづりで です
06:00
And I did what any obsessed parent would do,
131
348244
2740
過干渉な親がそうするように 私も
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
「前のページに戻る」ボタンをクリックし
06:04
to see what else he'd been searching for.
133
352885
3363
他に何を検索していたのか知ろうとしました
06:08
And they were, in order: men,
134
356248
2171
他の検索は 順番に「男性」
06:10
school, bus and computer.
135
358419
7267
「学校」 「バス」 そして「コンピュータ」でした
06:17
And I was stunned,
136
365686
2070
私は呆気にとられました
06:19
because we didn't know that he could spell,
137
367756
2002
アイザックがスペルを知っているとも
06:21
much less read, and so I asked him,
138
369758
1766
ましてや読めるとも知らなかったのです
06:23
"Isaac, how did you do this?"
139
371524
2193
そこで息子に訊きました
「どうやったの？」
「どうやったの？」
06:25
And he looked at me very seriously and said,
140
373717
2678
アイザックは私を真剣に見て 言いました
06:28
"Typed in the box."
141
376395
3352
「ボックスに文字をタイプしたんだ」
06:31
He was teaching himself to communicate,
142
379747
3734
彼は自分で意思疎通の仕方を
学んでいたのに
学んでいたのに
06:35
but we were looking in the wrong place,
143
383481
3004
私たちは誤った部分に
目を向けていたのです
目を向けていたのです
06:38
and this is what happens when assessments
144
386485
2295
そして こういったことが起こるのは
06:40
and analytics overvalue one metric —
145
388780
2396
査定や分析が ある測定基準―
06:43
in this case, verbal communication —
146
391176
2609
ここでは 言語による意思疎通―
を過大評価して
を過大評価して
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
創造的問題解決能力のような
他の基準を過小評価する場合です
他の基準を過小評価する場合です
06:51
Communication was hard for Isaac,
148
399488
2307
アイザックにとって
他者との意思疎通は難しいので
他者との意思疎通は難しいので
06:53
and so he found a workaround
149
401795
1912
彼は自分に必要なことを知るための
06:55
to find out what he needed to know.
150
403707
2857
別の方法を見つけたのです
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
考えてみれば 合点がいきますね
07:00
because forming a question
152
408454
2081
質問文を構成するのは
07:02
is a really complex process,
153
410535
2565
実に複雑なプロセスですが
07:05
but he could get himself a lot of the way there
154
413100
2522
アイザックは検索ボックスに
単語を入れるだけで
単語を入れるだけで
07:07
by putting a word in a search box.
155
415622
4092
自力で答えにたどり着けるのです
07:11
And so this little moment
156
419714
2936
この些細な瞬間が
07:14
had a really profound impact on me
157
422650
2836
私と家族に
07:17
and our family
158
425486
1309
大きな影響を与えました
07:18
because it helped us change our frame of reference
159
426795
3141
なぜなら これが
アイザックに何が起こっているのかを
アイザックに何が起こっているのかを
07:21
for what was going on with him,
160
429936
2208
把握する方法を変えてくれたからです
07:24
and worry a little bit less and appreciate
161
432144
2976
心配もほんの少し和らぎ
07:27
his resourcefulness more.
162
435120
2182
彼の能力を
より理解できるようになりました
より理解できるようになりました
07:29
Facts are stupid things.
163
437302
2861
事実とは馬鹿げたものなのです
07:32
And they're vulnerable to misuse,
164
440163
2397
また事実は意図的 あるいは無意図的に
07:34
willful or otherwise.
165
442560
1653
誤用されやすいものです
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
私には エミリー・ウィリンガムという
科学者の友人がいますが
科学者の友人がいますが
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
彼女は最近フォーブス誌に
07:42
entitled "The 10 Weirdest Things
168
450040
1980
「自閉症と関連付けられてきた
10のおかしな事」
10のおかしな事」
07:44
Ever Linked to Autism."
169
452020
1810
という記事を書きました
07:45
It's quite a list.
170
453830
3005
これは 結構なリストです
07:48
The Internet, blamed for everything, right?
171
456835
3532
何でもインターネットのせいにされます ねえ？
07:52
And of course mothers, because.
172
460367
3757
もちろん 母親も入っています
07:56
And actually, wait, there's more,
173
464124
1587
実は もっとあります
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
この「母親」のカテゴリーの中に
色々とあるのです
色々とあるのです
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
色々な要素の入った
興味深いリストでしょう？
興味深いリストでしょう？
08:05
I'm a big fan of
176
473956
2193
私が好きなのは
08:08
being pregnant near freeways, personally.
177
476149
3704
「妊娠中 高速道路のそばで
暮らしていた」ですね
暮らしていた」ですね
08:11
The final one is interesting,
178
479853
1539
最後のも興味深いです
08:13
because the term "refrigerator mother"
179
481392
3003
「冷蔵庫のような母親」という言葉は
08:16
was actually the original hypothesis
180
484395
2605
自閉症の原因に関する
08:19
for the cause of autism,
181
487000
1431
元々の仮説からきており
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
冷徹で愛情が薄い人という意味でした
08:23
And at this point, you might be thinking,
183
491166
1562
ここで こう考えるかもしれませんね
08:24
"Okay, Susan, we get it,
184
492728
1657
「わかった データを測定してしまえば
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
どんな意味づけも可能と言うんだろう」
08:28
And this is true, it's absolutely true,
186
496167
4703
確かに 全くその通りですが
08:32
but the challenge is that
187
500870
5610
難しいのは
08:38
we have this opportunity
188
506480
2448
私たちは その意味を作り出す機会を
08:40
to try to make meaning out of it ourselves,
189
508928
2284
自らに与えられていることです
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
データ自身ではなく
私たちが意味を作るのです
私たちが意味を作るのです
08:48
So as businesspeople, as consumers,
191
516564
3256
ビジネスパーソンとして
消費者として
消費者として
08:51
as patients, as citizens,
192
519820
2539
患者として 市民として
08:54
we have a responsibility, I think,
193
522359
2396
私たちには より多くの時間を使って
08:56
to spend more time
194
524755
2194
批判的に考える能力を
08:58
focusing on our critical thinking skills.
195
526949
2870
鍛える責任があります
09:01
Why?
196
529819
1078
なぜかって？
09:02
Because at this point in our history, as we've heard
197
530897
3178
なぜなら 何度も耳にしてきたように
09:06
many times over,
198
534075
1706
有史以来 今やものすごい速さで
09:07
we can process exabytes of data
199
535781
1981
何エクサバイトものデータを
09:09
at lightning speed,
200
537762
2153
私たちは処理することができるからです
09:11
and we have the potential to make bad decisions
201
539915
3515
そして 間違った判断を
09:15
far more quickly, efficiently,
202
543430
1834
より速く 効率的に下し
09:17
and with far greater impact than we did in the past.
203
545264
5028
これまでにないほどの影響を及ぼす
可能性があるからです
可能性があるからです
09:22
Great, right?
204
550292
1388
すごいと思いませんか？
09:23
And so what we need to do instead
205
551680
3030
ですから 私たちがすべきなのは
09:26
is spend a little bit more time
206
554710
2330
時間をもう少し
09:29
on things like the humanities
207
557040
2746
人文学や
09:31
and sociology, and the social sciences,
208
559786
3464
社会学 社会科学―
09:35
rhetoric, philosophy, ethics,
209
563250
2308
修辞学や哲学 倫理学などに費やすことです
09:37
because they give us context that is so important
210
565558
2856
これらがビッグデータに
重要な文脈を与えてくれ
重要な文脈を与えてくれ
09:40
for big data, and because
211
568414
2576
より批判的な考え方が
09:42
they help us become better critical thinkers.
212
570990
2418
できるようにしてくれるからです
09:45
Because after all, if I can spot
213
573408
4207
結局のところ
特定の議論の中に存在する問題を
特定の議論の中に存在する問題を
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
見つけることができれば
09:52
whether it's expressed in words or in numbers.
215
580101
2759
それが言葉で表されようと
数字で表されようと関係ないのですから
数字で表されようと関係ないのですから
09:54
And this means
216
582860
2719
つまり
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
確証バイアスや誤った相関関係を
10:02
and false correlations
218
590000
1822
自ら見つけ出し
10:03
and being able to spot a naked emotional appeal
219
591822
2138
感情に露骨に訴えるようなやり方を
10:05
from 30 yards,
220
593960
1662
30m手前で見抜けるようにするのです
10:07
because something that happens after something
221
595622
2522
なぜなら 何かがある出来事の後に
起こったからといって
起こったからといって
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
必ずしも関連があるとは限らないからです
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
ちょっと 小難しいことを言えば
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
ローマ人はこう言い表しました
「post hoc ergo propter hoc」
「post hoc ergo propter hoc」
10:19
after which therefore because of which.
225
607642
3296
「後に起きた ゆえにそれが原因なり」
という前後即因果の誤謬です
という前後即因果の誤謬です
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
つまり 人口統計学のような
学問を疑問に付すことになります
学問を疑問に付すことになります
10:26
Why? Because they're based on assumptions
227
614695
2520
なぜかって？
なぜなら 人口統計学は
なぜなら 人口統計学は
10:29
about who we all are based on our gender
228
617215
2306
私たちの実際の考えや行動ではなく
10:31
and our age and where we live
229
619521
1462
性別や年齢
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
住む場所による推定に基づいているからです
10:36
And since we have this data,
231
624461
1663
それから データを取得した以上は
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
適切な個人情報保護や
10:41
and consumer opt-in,
233
629263
3576
消費者の意思を汲んで
これを扱わねばなりません
これを扱わねばなりません
10:44
and beyond that, we need to be clear
234
632839
2993
さらには 私たちは
10:47
about our hypotheses,
235
635832
2103
自身の仮説や用いる方法論
10:49
the methodologies that we use,
236
637935
2596
そして結果の確実性について
10:52
and our confidence in the result.
237
640531
2804
明確でなければなりません
10:55
As my high school algebra teacher used to say,
238
643335
2474
私の高校の代数の先生は
よくこう言っていました
よくこう言っていました
10:57
show your math,
239
645809
1531
「計算過程を明らかにしなさい
10:59
because if I don't know what steps you took,
240
647340
3441
君が踏んだ過程がわからなければ
11:02
I don't know what steps you didn't take,
241
650781
1991
どの手順を
踏まなかったのかわからないし
踏まなかったのかわからないし
11:04
and if I don't know what questions you asked,
242
652772
2438
君がどんな問いを立てたのかが
わからなければ
わからなければ
11:07
I don't know what questions you didn't ask.
243
655210
3197
どんな問いを
立てなかったかがわからないからね」
立てなかったかがわからないからね」
11:10
And it means asking ourselves, really,
244
658407
1523
それは最も難しい問いを
11:11
the hardest question of all:
245
659930
1479
自らに投げかけることなのです
11:13
Did the data really show us this,
246
661409
3500
このデータは本当に
このことを示しているのか？
このことを示しているのか？
11:16
or does the result make us feel
247
664909
2311
それともこの結果が 私たちをもっと
11:19
more successful and more comfortable?
248
667220
3878
成功しているとか 心地よく
感じさせてくれるだけなのか？ と
感じさせてくれるだけなのか？ と
11:23
So the Health Media Collaboratory,
249
671098
2584
ヘルス・メディア・コラボラトリーは
11:25
at the end of their project, they were able
250
673682
1699
プロジェクトの終わりに
11:27
to find that 87 percent of tweets
251
675381
3408
あの非常に露骨で不快な
禁煙推奨広告に関する
禁煙推奨広告に関する
11:30
about those very graphic and disturbing
252
678789
2144
ツイートの87パーセントが
11:32
anti-smoking ads expressed fear,
253
680933
4038
恐れを表していたことが
わかったといいます
わかったといいます
11:36
but did they conclude
254
684971
1856
しかし 彼らは
11:38
that they actually made people stop smoking?
255
686827
3161
「広告が実際に人々を禁煙に導いた」
と結論付けていましたか？
と結論付けていましたか？
11:41
No. It's science, not magic.
256
689988
2542
答えはノーです
これは科学であり 魔法ではないのです
これは科学であり 魔法ではないのです
11:44
So if we are to unlock
257
692530
3190
ですから データの力を
11:47
the power of data,
258
695720
2862
解き放つのであれば
11:50
we don't have to go blindly into
259
698582
3448
私たちは必ずしも
オーウェルの思い描いたような
オーウェルの思い描いたような
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
全体主義的な未来や
11:57
or Huxley's vision of a trivial one,
261
705466
3117
ハクスリーの描いたような
些末な事柄に溺れる未来 あるいは
些末な事柄に溺れる未来 あるいは
12:00
or some horrible cocktail of both.
262
708583
3020
両者を折衷したおぞましい未来に
盲目的に突き進まずに済むのです
盲目的に突き進まずに済むのです
12:03
What we have to do
263
711603
2379
私たちがすべきなのは
12:05
is treat critical thinking with respect
264
713982
2718
批判的な思考に敬意を払い
12:08
and be inspired by examples
265
716700
2029
ヘルス・メディア・コラボラトリーのような
前例からインスピレーションを得ることです
前例からインスピレーションを得ることです
12:10
like the Health Media Collaboratory,
266
718729
2610
ヘルス・メディア・コラボラトリーのような
前例からインスピレーションを得ることです
前例からインスピレーションを得ることです
12:13
and as they say in the superhero movies,
267
721339
2328
そして ヒーローものの映画に
よくあるように
よくあるように
12:15
let's use our powers for good.
268
723667
1822
私たちの力を善きものに使いましょう
12:17
Thank you.
269
725489
2351
ありがとうございました
12:19
(Applause)
270
727840
2334
(拍手)
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