TED@IBM
Susan Etlinger: What do we do with all this big data?
Susan Etlinger: Wat doen we met al deze grote datasets?
Filmed:
Readability: 4.7
1,344,301 views
Zorgt een dataset ervoor dat je je prettiger voelt? Succesvoller? Dan interpreteer je de data waarschijnlijk verkeerd. In een bewogen talk legt Susan Etlinger uit waarom we, nu we meer en meer gegevens krijgen, ons vermogen om kritisch te denken moeten verdiepen. De stap van dingen tellen naar ze echt begrijpen, is moeilijk.
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
Technologie heeft ons zoveel gebracht:
00:16
the moon landing, the Internet,
1
4489
2019
naar de Maan gaan, het Internet,
00:18
the ability to sequence the human genome.
2
6508
2625
het menselijk genoom kunnen bepalen.
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
Maar technologie boort ook
onze diepste angsten aan.
onze diepste angsten aan.
00:24
and about 30 years ago,
4
12857
1856
Ongeveer 30 jaar geleden,
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
schreef cultuurcriticus
Neil Postman een boek,
Neil Postman een boek,
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
dat "We amuseren ons kapot!" heet,
00:31
which lays this out really brilliantly.
7
19381
2759
dat dit op briljante wijze uiteenzet.
00:34
And here's what he said,
8
22140
1650
Hij maakte een vergelijking
tussen de dystopische visies
tussen de dystopische visies
00:35
comparing the dystopian visions
9
23790
2263
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
van George Orwell en Aldous Huxley.
00:41
He said, Orwell feared we would become
11
29626
3126
Hij zei: "Orwell was bang dat
we een gevangen cultuur zouden krijgen.
we een gevangen cultuur zouden krijgen.
00:44
a captive culture.
12
32752
2248
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
Huxley was bang dat het
een triviale cultuur zou worden."
een triviale cultuur zou worden."
00:50
Orwell feared the truth would be
14
38752
2145
Orwell was bang dat de waarheid
voor ons verborgen gehouden zou worden.
voor ons verborgen gehouden zou worden.
00:52
concealed from us,
15
40897
1923
00:54
and Huxley feared we would be drowned
16
42820
2190
Huxley was bang dat we zouden verdrinken
in een zee van irrelevantie.
in een zee van irrelevantie.
00:57
in a sea of irrelevance.
17
45010
2693
00:59
In a nutshell, it's a choice between
18
47703
2170
In een notendop
is het de keuze tussen
is het de keuze tussen
01:01
Big Brother watching you
19
49873
2600
Big Brother houdt jou in de gaten
01:04
and you watching Big Brother.
20
52473
2496
en jij houdt Big Brother in de gaten.
01:06
(Laughter)
21
54969
1931
(Gelach)
01:08
But it doesn't have to be this way.
22
56900
1734
Zo hoeft het echter niet te zijn.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
We zijn geen passieve consumenten
van data en technologie.
van data en technologie.
We bepalen zelf de rol
die ze in ons leven spelen,
die ze in ons leven spelen,
01:13
We shape the role it plays in our lives
24
61970
2403
en de manier waarop we er
betekenis aan geven.
betekenis aan geven.
01:16
and the way we make meaning from it,
25
64373
2130
01:18
but to do that,
26
66503
1603
Maar om dat te doen,
moeten we evenveel aandacht geven
aan hoe we denken als aan hoe we coderen.
aan hoe we denken als aan hoe we coderen.
01:20
we have to pay as much attention to how we think
27
68106
3513
01:23
as how we code.
28
71619
2030
01:25
We have to ask questions, and hard questions,
29
73649
3098
We moeten onszelf vragen stellen,
moeilijke vragen,
moeilijke vragen,
01:28
to move past counting things
30
76747
1869
die verder gaan dan dingen tellen
01:30
to understanding them.
31
78616
2602
naar dingen begrijpen.
01:33
We're constantly bombarded with stories
32
81218
2446
We worden overstelpt met verhalen
over hoeveel data er in de wereld is,
over hoeveel data er in de wereld is,
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
maar als het om grote datasets gaat
en de uitdaging om deze te interpreteren,
en de uitdaging om deze te interpreteren,
01:39
and the challenges of interpreting it,
35
87720
2596
01:42
size isn't everything.
36
90316
2088
dan is afmeting niet het enige dat telt.
01:44
There's also the speed at which it moves,
37
92404
2903
Ook de snelheid
waarmee het zich ontwikkelt
waarmee het zich ontwikkelt
en de variëteit van de gegevens.
01:47
and the many varieties of data types,
38
95307
1696
Hier zijn wat voorbeelden:
01:49
and here are just a few examples:
39
97003
2498
01:51
images,
40
99501
2198
Beelden,
01:53
text,
41
101699
4007
tekst,
01:57
video,
42
105706
2095
video,
01:59
audio.
43
107801
1830
audio.
02:01
And what unites this disparate types of data
44
109631
3042
Gemeenschappelijk
aan deze verschillende data
aan deze verschillende data
02:04
is that they're created by people
45
112673
2221
is dat ze door mensen gemaakt zijn
02:06
and they require context.
46
114894
2775
en dat ze context nodig hebben.
02:09
Now, there's a group of data scientists
47
117669
2445
Er is een groep datawetenschappers
02:12
out of the University of Illinois-Chicago,
48
120114
2305
van de Universiteit van Illinois-Chicago,
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
het Samenwerkingsverband
Gezondheid & Media,
Gezondheid & Media,
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
en zij werken met de centra
voor ziektebeheersing
voor ziektebeheersing
02:19
to better understand
51
127560
1505
om beter te begrijpen
02:21
how people talk about quitting smoking,
52
129065
2848
hoe mensen praten
over stoppen met roken,
over stoppen met roken,
02:23
how they talk about electronic cigarettes,
53
131913
2680
hoe ze praten over de elektrische sigaret
02:26
and what they can do collectively
54
134593
1985
en wat ze samen kunnen doen
om deze mensen te helpen stoppen.
om deze mensen te helpen stoppen.
02:28
to help them quit.
55
136578
1984
Het is interessant dat je om te begrijpen
02:30
The interesting thing is, if you want to understand
56
138562
2013
02:32
how people talk about smoking,
57
140575
2216
hoe mensen praten over roken
02:34
first you have to understand
58
142791
1901
eerst moet begrijpen
02:36
what they mean when they say "smoking."
59
144692
2565
wat ze bedoelen als ze 'roken' zeggen.
02:39
And on Twitter, there are four main categories:
60
147257
3926
Op Twitter zijn er vier categorieën:
02:43
number one, smoking cigarettes;
61
151183
2997
nummer één, het roken van sigaretten;
02:46
number two, smoking marijuana;
62
154180
2807
nummer twee, het roken van marihuana;
02:48
number three, smoking ribs;
63
156987
2643
nummer drie, het roken van spare ribs
02:51
and number four, smoking hot women.
64
159630
3553
en nummer vier, 'rokend' hete vrouwen.
02:55
(Laughter)
65
163183
2993
(Gelach)
02:58
So then you have to think about, well,
66
166176
2426
Dan moet je je afvragen
03:00
how do people talk about electronic cigarettes?
67
168602
2140
hoe mensen praten
over de elektrische sigaret?
over de elektrische sigaret?
03:02
And there are so many different ways
68
170742
2025
Er zijn zoveel manieren
03:04
that people do this, and you can see from the slide
69
172767
2599
waarop mensen dit doen.
Je kunt op de dia zien
Je kunt op de dia zien
03:07
it's a complex kind of a query.
70
175366
2610
dat het een complexe vraag is.
03:09
And what it reminds us is that
71
177976
3224
Het herinnert ons eraan
03:13
language is created by people,
72
181200
2411
dat taal door mensen gemaakt wordt.
03:15
and people are messy and we're complex
73
183611
2340
Wij zijn slordig en complex,
03:17
and we use metaphors and slang and jargon
74
185951
2767
gebruiken metaforen,
straattaal en jargon
straattaal en jargon
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
en dat 24 uur per dag in heel veel talen,
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
en zodra we iets uitvogelen,
dan veranderen we het.
dan veranderen we het.
03:27
So did these ads that the CDC put on,
77
195221
5118
Zo ook met de advertenties
van de Amerikaanse Gezondheidsraad.
van de Amerikaanse Gezondheidsraad.
Die advertenties waren erg grafisch,
03:32
these television ads that featured a woman
78
200339
2430
met een vrouw met een gat
in haar keel in de hoofdrol.
in haar keel in de hoofdrol.
03:34
with a hole in her throat and that were very graphic
79
202769
2021
03:36
and very disturbing,
80
204790
1904
Erg beangstigend.
03:38
did they actually have an impact
81
206694
1885
Hadden deze advertenties echt invloed
op de keuze om te stoppen?
op de keuze om te stoppen?
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
Het Samenwerkingsverband
respecteerde de grenzen van hun data,
respecteerde de grenzen van hun data,
03:46
but they were able to conclude
84
214557
2005
maar kon wel concluderen
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
dat deze advertenties --
jullie hebben ze misschien gezien --
jullie hebben ze misschien gezien --
03:51
that they had the effect of jolting people
86
219874
2591
ervoor zorgden dat mensen
erover gingen nadenken.
erover gingen nadenken.
03:54
into a thought process
87
222465
1822
03:56
that may have an impact on future behavior.
88
224287
3667
Wat invloed kan hebben
op toekomstig gedrag.
op toekomstig gedrag.
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
Ik bewonder en waardeer
aan dit project
aan dit project
04:03
aside from the fact, including the fact
90
231845
1489
dat het het gebaseerd is
op een werkelijk menselijke behoefte,
op een werkelijk menselijke behoefte,
04:05
that it's based on real human need,
91
233334
4057
04:09
is that it's a fantastic example of courage
92
237391
2846
én een mooi voorbeeld van moed is
in een zee van irrelevante zaken.
in een zee van irrelevante zaken.
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
Het zijn niet alleen
die grote hoeveelheden data
die grote hoeveelheden data
04:19
challenges of interpretation, because let's face it,
95
247985
2601
die verschillen in interpretatie
aan de kaak stellen.
aan de kaak stellen.
04:22
we human beings have a very rich history
96
250586
2594
Wij mensen hebben een rijke historie
04:25
of taking any amount of data, no matter how small,
97
253180
2693
om iedere hoeveelheid gegevens,
hoe klein ook, te verdraaien.
hoe klein ook, te verdraaien.
04:27
and screwing it up.
98
255873
1617
04:29
So many years ago, you may remember
99
257490
3737
Misschien herinneren jullie je
dat voormalig president Ronald Reagan
04:33
that former President Ronald Reagan
100
261227
2273
04:35
was very criticized for making a statement
101
263500
1991
bekritiseerd werd vanwege een verklaring
04:37
that facts are stupid things.
102
265491
3010
dat feiten stomme dingen zijn.
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
Het was een verspreking,
laten we eerlijk zijn.
laten we eerlijk zijn.
04:43
He actually meant to quote John Adams' defense
104
271295
2430
Hij wilde John Adams citeren,
in zijn verdediging
in zijn verdediging
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
in de rechtszaken
rondom het bloedbad van Boston,
rondom het bloedbad van Boston,
04:48
that facts are stubborn things.
106
276476
3150
dat 'feiten koppige dingen zijn'.
04:51
But I actually think there's
107
279626
2624
Toch denk ik dat er een toevallige
wijsheid zit in wat hij zei,
wijsheid zit in wat hij zei,
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
04:57
because facts are stubborn things,
109
285668
2776
want feiten zijn koppige dingen
05:00
but sometimes they're stupid, too.
110
288444
2923
en soms zijn ze ook stom.
05:03
I want to tell you a personal story
111
291367
1888
Ik wil wat persoonlijks vertellen
over waarom dit mij kan schelen.
over waarom dit mij kan schelen.
05:05
about why this matters a lot to me.
112
293255
3548
05:08
I need to take a breath.
113
296803
2437
Ik moet even adem halen.
05:11
My son Isaac, when he was two,
114
299240
2754
Toen mijn zoon Isaac twee was,
werd er autisme geconstateerd.
werd er autisme geconstateerd.
05:13
was diagnosed with autism,
115
301994
2417
05:16
and he was this happy, hilarious,
116
304411
2161
Hij was een blij, grappig
liefhebbend, aanhalig jongetje,
liefhebbend, aanhalig jongetje,
05:18
loving, affectionate little guy,
117
306572
2035
05:20
but the metrics on his developmental evaluations,
118
308607
2902
maar gemeten op de ontwikkelingsschaal
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
die keek naar het aantal woorden --
op dat moment geen --
op dat moment geen --
05:25
at that point, none —
120
313579
3657
05:29
communicative gestures and minimal eye contact,
121
317236
3940
naar communicatieve gebaren
en het minimale oogcontact,
en het minimale oogcontact,
05:33
put his developmental level
122
321176
2003
scoorde hij op ontwikkelingsniveau
als een baby van negen maanden oud.
als een baby van negen maanden oud.
05:35
at that of a nine-month-old baby.
123
323179
3961
05:39
And the diagnosis was factually correct,
124
327140
2960
De diagnose was feitelijk correct,
05:42
but it didn't tell the whole story.
125
330100
3209
maar vertelde niet het hele verhaal.
05:45
And about a year and a half later,
126
333309
1401
Anderhalf jaar later,
toen hij bijna vier was,
toen hij bijna vier was,
05:46
when he was almost four,
127
334710
2102
05:48
I found him in front of the computer one day
128
336812
2363
vond ik hem op een dag achter de computer
05:51
running a Google image search on women,
129
339175
5453
waar hij via Google
afbeeldingen zocht van vrouwen,
afbeeldingen zocht van vrouwen,
05:56
spelled "w-i-m-e-n."
130
344628
3616
dat hij als "w-i-m-e-n" spelde.
06:00
And I did what any obsessed parent would do,
131
348244
2740
Ik deed wat
iedere geobsedeerde ouder doet,
iedere geobsedeerde ouder doet,
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
op 'vorige' klikken
06:04
to see what else he'd been searching for.
133
352885
3363
om te zien wat hij
nog meer gezocht had.
nog meer gezocht had.
06:08
And they were, in order: men,
134
356248
2171
Dat waren in deze volgorde: mannen,
06:10
school, bus and computer.
135
358419
7267
school, bus en computer.
06:17
And I was stunned,
136
365686
2070
Ik was verbijsterd,
06:19
because we didn't know that he could spell,
137
367756
2002
want we wisten niet dat hij kon spellen,
06:21
much less read, and so I asked him,
138
369758
1766
laat staan lezen, dus ik vroeg hem:
06:23
"Isaac, how did you do this?"
139
371524
2193
"Isaac, hoe heb je dat gedaan?"
06:25
And he looked at me very seriously and said,
140
373717
2678
Hij keek me heel serieus aan en zei:
06:28
"Typed in the box."
141
376395
3352
"Ik heb het ingetypt."
06:31
He was teaching himself to communicate,
142
379747
3734
Hij leerde zichzelf communiceren,
06:35
but we were looking in the wrong place,
143
383481
3004
maar wij zochten op de verkeerde plek,
06:38
and this is what happens when assessments
144
386485
2295
en dit gebeurt er wanneer testen
06:40
and analytics overvalue one metric —
145
388780
2396
en analyses één aspect overwaarderen --
06:43
in this case, verbal communication —
146
391176
2609
in dit geval verbale communicatie --
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
en andere aspecten onderwaarderen,
zoals creatieve probleemoplossing.
zoals creatieve probleemoplossing.
06:51
Communication was hard for Isaac,
148
399488
2307
Communicatie was moeilijk voor Isaac,
06:53
and so he found a workaround
149
401795
1912
dus vond hij een manier eromheen
om te leren wat hij nodig had.
om te leren wat hij nodig had.
06:55
to find out what he needed to know.
150
403707
2857
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
Het is eigenlijk heel zinnig,
07:00
because forming a question
152
408454
2081
want een vraag formuleren
is een heel complex proces,
is een heel complex proces,
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
maar hij kon eromheen werken
door een woord in een zoekvak te typen.
door een woord in een zoekvak te typen.
07:07
by putting a word in a search box.
155
415622
4092
07:11
And so this little moment
156
419714
2936
Dit momentje...
had veel invloed op mij
07:14
had a really profound impact on me
157
422650
2836
en op ons gezin
07:17
and our family
158
425486
1309
07:18
because it helped us change our frame of reference
159
426795
3141
omdat het ons hielp
ons referentiekader te veranderen
ons referentiekader te veranderen
07:21
for what was going on with him,
160
429936
2208
over wat er met hem gebeurde,
07:24
and worry a little bit less and appreciate
161
432144
2976
en ons minder zorgen maken
en zijn vindingrijkheid meer waarderen.
en zijn vindingrijkheid meer waarderen.
07:27
his resourcefulness more.
162
435120
2182
07:29
Facts are stupid things.
163
437302
2861
Feiten zijn stomme dingen.
07:32
And they're vulnerable to misuse,
164
440163
2397
En ze zijn kwetsbaar voor misbruik,
met opzet of anderzins.
met opzet of anderzins.
07:34
willful or otherwise.
165
442560
1653
Een vriendin die wetenschapper is,
Emily Willingham,
Emily Willingham,
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
schreef kort geleden
een stuk voor Forbes,
een stuk voor Forbes,
07:42
entitled "The 10 Weirdest Things
168
450040
1980
Het heette: "De 10 Raarste Dingen
die Ooit aan Autisme Gelinkt zijn."
die Ooit aan Autisme Gelinkt zijn."
07:44
Ever Linked to Autism."
169
452020
1810
07:45
It's quite a list.
170
453830
3005
Het is nogal een lijst.
07:48
The Internet, blamed for everything, right?
171
456835
3532
Het Internet,
krijgt overal de schuld van, toch?
krijgt overal de schuld van, toch?
07:52
And of course mothers, because.
172
460367
3757
En moeders natuurlijk, omdat.
07:56
And actually, wait, there's more,
173
464124
1587
Wacht, er is meer,
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
er is een heleboel
in de categorie 'moeders'.
in de categorie 'moeders'.
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
Het is een behoorlijk
rijke en interessante lijst.
rijke en interessante lijst.
08:05
I'm a big fan of
176
473956
2193
Ik ben persoonlijk een fan
08:08
being pregnant near freeways, personally.
177
476149
3704
van ‘zwanger zijn
in de buurt van snelwegen’.
in de buurt van snelwegen’.
08:11
The final one is interesting,
178
479853
1539
De laatste is interessant,
08:13
because the term "refrigerator mother"
179
481392
3003
want de term 'koelkastmoeder'
08:16
was actually the original hypothesis
180
484395
2605
was de originele hypothese
08:19
for the cause of autism,
181
487000
1431
als oorzaak van autisme
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
en het betekende iemand
die koud en afstandelijk was.
die koud en afstandelijk was.
08:23
And at this point, you might be thinking,
183
491166
1562
Nu denken jullie misschien,
08:24
"Okay, Susan, we get it,
184
492728
1657
"Ok, Susan, we snappen het,
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
je kunt data alles laten zeggen."
08:28
And this is true, it's absolutely true,
186
496167
4703
En dat is waar, echt waar,
08:32
but the challenge is that
187
500870
5610
maar de uitdaging is
08:38
we have this opportunity
188
506480
2448
dat we de kans hebben
08:40
to try to make meaning out of it ourselves,
189
508928
2284
om er zelf betekenis aan te geven,
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
omdat de data zelf geen betekenis geeft.
Dat doen wij.
Dat doen wij.
Dus als zakenman, als consument,
als patiënt, als burger,
als patiënt, als burger,
08:48
So as businesspeople, as consumers,
191
516564
3256
08:51
as patients, as citizens,
192
519820
2539
08:54
we have a responsibility, I think,
193
522359
2396
hebben wij, denk ik,
een verantwoordelijkheid,
een verantwoordelijkheid,
08:56
to spend more time
194
524755
2194
om meer tijd te besteden aan
08:58
focusing on our critical thinking skills.
195
526949
2870
ons kritisch denkvermogen.
09:01
Why?
196
529819
1078
Waarom?
09:02
Because at this point in our history, as we've heard
197
530897
3178
Omdat we, zoals we al zo vaak
gehoord hebben,
gehoord hebben,
09:06
many times over,
198
534075
1706
we kunnen met lichtsnelheid
exabytes aan data verwerken,
exabytes aan data verwerken,
09:07
we can process exabytes of data
199
535781
1981
09:09
at lightning speed,
200
537762
2153
09:11
and we have the potential to make bad decisions
201
539915
3515
we kunnen veel sneller en efficiënter
slechte keuzes maken
slechte keuzes maken
09:15
far more quickly, efficiently,
202
543430
1834
09:17
and with far greater impact than we did in the past.
203
545264
5028
en met veel grotere gevolgen
dat in het verleden.
dat in het verleden.
09:22
Great, right?
204
550292
1388
Geweldig, toch?
09:23
And so what we need to do instead
205
551680
3030
In plaats daarvan moeten we
09:26
is spend a little bit more time
206
554710
2330
wat meer tijd besteden
09:29
on things like the humanities
207
557040
2746
aan zaken zoals geesteswetenschappen,
09:31
and sociology, and the social sciences,
208
559786
3464
sociologie en sociale wetenschappen,
09:35
rhetoric, philosophy, ethics,
209
563250
2308
retoriek, filosofie, ethiek,
09:37
because they give us context that is so important
210
565558
2856
omdat ze ons
hele belangrijke context verschaffen
hele belangrijke context verschaffen
09:40
for big data, and because
211
568414
2576
voor die grote datasets
en omdat ze ons helpen
betere kritische denkers te worden.
betere kritische denkers te worden.
09:42
they help us become better critical thinkers.
212
570990
2418
09:45
Because after all, if I can spot
213
573408
4207
Want als ik een probleem
in een discussie kan ontdekken,
in een discussie kan ontdekken,
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
dan maakt het niet uit of dat
in woorden of in getallen is.
in woorden of in getallen is.
09:52
whether it's expressed in words or in numbers.
215
580101
2759
09:54
And this means
216
582860
2719
Dit betekent
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
dat we onszelf moeten leren
om onze eigen vertekening te herkennen
om onze eigen vertekening te herkennen
10:02
and false correlations
218
590000
1822
en de valse correlaties
10:03
and being able to spot a naked emotional appeal
219
591822
2138
en een emotioneel argument
vanop 50 meter te herkennen.
vanop 50 meter te herkennen.
10:05
from 30 yards,
220
593960
1662
10:07
because something that happens after something
221
595622
2522
Omdat als iets na iets anders gebeurt,
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
betekent dat niet dat
het erdoor veroorzaakt is.
het erdoor veroorzaakt is.
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
Als ik even mag,
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
de Romeinen noemden dit
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
10:19
after which therefore because of which.
225
607642
3296
of “nadat, dus doordat”.
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
Het betekent bijvoorbeeld
kritisch zijn over demografie.
kritisch zijn over demografie.
10:26
Why? Because they're based on assumptions
227
614695
2520
Waarom? Omdat het is
gebaseerd op aannames
gebaseerd op aannames
10:29
about who we all are based on our gender
228
617215
2306
over wie we zijn,
gebaseerd op geslacht,
gebaseerd op geslacht,
10:31
and our age and where we live
229
619521
1462
onze leeftijd en waar we wonen
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
en niet op gegevens over
wat we echt denken en doen.
wat we echt denken en doen.
10:36
And since we have this data,
231
624461
1663
Omdat we deze gegevens hebben,
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
moeten we het behandelen
met de nodige privacy-waarborgen
met de nodige privacy-waarborgen
10:41
and consumer opt-in,
233
629263
3576
waarin je kunt kiezen om mee te doen.
10:44
and beyond that, we need to be clear
234
632839
2993
Daarbuiten moeten we duidelijk zijn
10:47
about our hypotheses,
235
635832
2103
over onze hypotheses
10:49
the methodologies that we use,
236
637935
2596
en de methodes die we gebruiken
10:52
and our confidence in the result.
237
640531
2804
en over het vertrouwen
dat we in het resultaat hebben.
dat we in het resultaat hebben.
10:55
As my high school algebra teacher used to say,
238
643335
2474
Zoals mijn wiskundeleraar vroeger zei:
10:57
show your math,
239
645809
1531
“Laat je berekening zien.”,
10:59
because if I don't know what steps you took,
240
647340
3441
want als ik niet weet
welke stappen je gezet hebt,
welke stappen je gezet hebt,
11:02
I don't know what steps you didn't take,
241
650781
1991
dan weet ik niet
welke je niet gezet hebt.
welke je niet gezet hebt.
11:04
and if I don't know what questions you asked,
242
652772
2438
Als ik niet weet
welke vragen je gesteld hebt,
welke vragen je gesteld hebt,
11:07
I don't know what questions you didn't ask.
243
655210
3197
dan weet ik niet
welke vragen je niet gesteld hebt.
welke vragen je niet gesteld hebt.
11:10
And it means asking ourselves, really,
244
658407
1523
Dit betekent dat we onszelf
11:11
the hardest question of all:
245
659930
1479
het moeilijkste moeten vragen:
11:13
Did the data really show us this,
246
661409
3500
“Blijkt dit echt uit de gegevens,
11:16
or does the result make us feel
247
664909
2311
of zorgt het resultaat ervoor
11:19
more successful and more comfortable?
248
667220
3878
dat we ons succesvoller
en geruster voelen?”
en geruster voelen?”
11:23
So the Health Media Collaboratory,
249
671098
2584
De Samenwerking van Gezondheid & Media,
kon aan het eind van hun project zeggen
kon aan het eind van hun project zeggen
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
dat 87% van de tweets angst weergaven,
11:30
about those very graphic and disturbing
252
678789
2144
over die hele grafische en
confronterende anti-rookreclames.
confronterende anti-rookreclames.
11:32
anti-smoking ads expressed fear,
253
680933
4038
11:36
but did they conclude
254
684971
1856
Maar concludeerden ze ook
11:38
that they actually made people stop smoking?
255
686827
3161
dat ze mensen lieten stoppen met roken?
11:41
No. It's science, not magic.
256
689988
2542
Nee. Het is wetenschap, geen magie.
11:44
So if we are to unlock
257
692530
3190
Als we de kracht van de data
kunnen vrijmaken,
kunnen vrijmaken,
11:47
the power of data,
258
695720
2862
11:50
we don't have to go blindly into
259
698582
3448
dan hoeven we Orwell
niet blind te volgen
niet blind te volgen
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
in zijn totalitaire toekomstvisie,
noch Huxley in zijn triviale visie,
noch Huxley in zijn triviale visie,
11:57
or Huxley's vision of a trivial one,
261
705466
3117
12:00
or some horrible cocktail of both.
262
708583
3020
noch een verschrikkelijke cocktail
van beide.
van beide.
12:03
What we have to do
263
711603
2379
Wat we moeten doen,
is kritisch denken met respect bejegenen
is kritisch denken met respect bejegenen
12:05
is treat critical thinking with respect
264
713982
2718
12:08
and be inspired by examples
265
716700
2029
en geïnspireerd raken door voorbeelden
12:10
like the Health Media Collaboratory,
266
718729
2610
zoals de Samenwerking
van Gezondheid en Media.
van Gezondheid en Media.
12:13
and as they say in the superhero movies,
267
721339
2328
Zoals ze in films met superhelden zeggen:
“Gebruik die macht
om iets goeds te doen.”
om iets goeds te doen.”
12:15
let's use our powers for good.
268
723667
1822
12:17
Thank you.
269
725489
2351
Dank je wel.
12:19
(Applause)
270
727840
2334
(Applaus)
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