TEDxBoston 2011
Jean-Baptiste Michel + Erez Lieberman Aiden: What we learned from 5 million books
เราเรียนรู้อะไรบ้างจากหนังสือ 5 ล้านเล่ม
Filmed:
Readability: 3.9
2,049,453 views
คุณได้ลองเล่น Ngram Viewer ที่พัฒนาโดย Google Lab บ้างแล้วหรือยัง? มันเป็นเครื่องมือที่ทำให้คุณค้นหาคำหรือความคิดต่างๆ จากฐานข้อมูลที่รวบรวมจากหนังสือกว่า 5 ล้านเล่มที่ได้ตีพิมพ์ในหลายร้อยปีที่ผ่านมา เอเรส ลีเบอร์แมน เอเด็น และฌ็อง แบพติสต์ มิเชลจะมาแสดงวิธีใช้และเกร็ดเล็กๆ ที่เราเรียนรู้ได้จาก 5 แสนล้านคำพูด
Jean-Baptiste Michel - Data researcher
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bioErez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ... Full bio
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bioErez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ... Full bio
Double-click the English transcript below to play the video.
00:15
Erez Lieberman Aiden: Everyone knows
0
0
2000
เอเรส ลีเบอร์แมน เอเด็น: ทุกท่านคงคุ้นๆ
00:17
that a picture is worth a thousand words.
1
2000
3000
กับคำกล่าวที่ว่ารูปภาพสื่อคำพูดนับพันใช่ไหมครับ
00:22
But we at Harvard
2
7000
2000
แต่สำหรับพวกเราที่ฮาร์วาร์ด
00:24
were wondering if this was really true.
3
9000
3000
กลับสงสัยว่ามันเป็นอย่างนั้นจริงรึเปล่า
00:27
(Laughter)
4
12000
2000
(หัวเราะ)
00:29
So we assembled a team of experts,
5
14000
4000
พวกเราเลยรวมทีมกลุ่มผู้เชี่ยวชาญ
00:33
spanning Harvard, MIT,
6
18000
2000
จากฮาร์วาร์ด เอ็มไอที
00:35
The American Heritage Dictionary, The Encyclopedia Britannica
7
20000
3000
พจนานุกรมอเมริกันเฮอริเทจ สารานุกรมบริตานิกา
00:38
and even our proud sponsors,
8
23000
2000
รวมไปถึงผู้สนับสนุนที่พวกเราภูมิใจ
00:40
the Google.
9
25000
3000
กูเกิล
00:43
And we cogitated about this
10
28000
2000
หลังจากที่ทีมเราพินิจพิเคราะห์
00:45
for about four years.
11
30000
2000
มาประมาณ 4 ปี
00:47
And we came to a startling conclusion.
12
32000
5000
ทุกท่านครับ พวกเราได้ข้อสรุปมาว่า
00:52
Ladies and gentlemen, a picture is not worth a thousand words.
13
37000
3000
รูปภาพหนึ่งๆ ไม่ได้สื่อคำพูดออกมาแค่หลักพันหรอกครับ
00:55
In fact, we found some pictures
14
40000
2000
เพราะพวกเราเจอบางรูป
00:57
that are worth 500 billion words.
15
42000
5000
ที่สื่อคำพูดออกมาได้เป็น 5 แสนล้านคำเลยล่ะครับ
01:02
Jean-Baptiste Michel: So how did we get to this conclusion?
16
47000
2000
ฌ็อง แบพติสต์ มิเชล: เพื่อแสดงให้ทุกท่านเห็นถึงที่มาของข้อสรุปนี้
01:04
So Erez and I were thinking about ways
17
49000
2000
อีเรสกับผมเลยได้ลองหาวิธี
01:06
to get a big picture of human culture
18
51000
2000
ที่จะศึกษาภาพรวมของวัฒนธรรม
01:08
and human history: change over time.
19
53000
3000
และประวัติศาสตร์มนุษยชาติที่เปลี่ยนแปลงไปตามกาลเวลา
01:11
So many books actually have been written over the years.
20
56000
2000
มีหนังสือไม่น้อยที่เขียนเกี่ยวกับเรื่องนี้
01:13
So we were thinking, well the best way to learn from them
21
58000
2000
พวกเราเลยเชื่อว่า วิธีที่ดีที่สุดที่จะศึกษาจากหนังสือเป็นล้านเหล่านี้
01:15
is to read all of these millions of books.
22
60000
2000
ก็คืออ่านมันทั้งหมด
01:17
Now of course, if there's a scale for how awesome that is,
23
62000
3000
ซึ่งถ้าหากมีหน่วยวัดว่าเครื่องมือนี้เจ๋งแค่ไหน
01:20
that has to rank extremely, extremely high.
24
65000
3000
แน่นอนว่ามันคงจะต้องอยู่ในระดับที่เจ๋งมากแน่ๆ
01:23
Now the problem is there's an X-axis for that,
25
68000
2000
ปัญหาอยู่ที่มันมีแกน x ถ่วงอยู่
01:25
which is the practical axis.
26
70000
2000
ซึ่งเป็นแกนที่วัดการนำไปใช้จริง
01:27
This is very, very low.
27
72000
2000
จะเห็นได้ว่ามันอยู่ต่ำมากครับ
01:29
(Applause)
28
74000
3000
(ปรบมือ)
01:32
Now people tend to use an alternative approach,
29
77000
3000
ผู้คนจึงมักจะใช้ตัวเลือกอื่น
01:35
which is to take a few sources and read them very carefully.
30
80000
2000
เช่น คัดเฉพาะข้อมูลบางแหล่งและอ่านมันอย่างระมัดระวัง
01:37
This is extremely practical, but not so awesome.
31
82000
2000
เป็นวิธีที่อยู่ในระดับนำไปใช้ได้จริงที่สูงมาก แต่ยังไม่เจ๋งพอ
01:39
What you really want to do
32
84000
3000
สิ่งที่คุณต้องการจริงๆคือ
01:42
is to get to the awesome yet practical part of this space.
33
87000
3000
ทางเลือกที่่เจ๋งและนำไปใช้ได้จริง
01:45
So it turns out there was a company across the river called Google
34
90000
3000
ซึ่งบังเอิญมากที่บริษัทตรงฝั่งแม่น้ำที่ชื่อ "กูเกิล"
01:48
who had started a digitization project a few years back
35
93000
2000
ได้ริเริ่มโครงการทำหนังสือให้เป็นรูปแบบดิจิทัลเมื่อไม่กี่ปีมานี้
01:50
that might just enable this approach.
36
95000
2000
ถือเป็นการเปิดทางให้กับทางเลือกอย่างว่า
01:52
They have digitized millions of books.
37
97000
2000
พวกเขาทำหนังสือให้เป็นรูปแบบดิจิทัลหลายล้านเล่มแล้ว
01:54
So what that means is, one could use computational methods
38
99000
3000
หมายความว่า เราสามารถใช้วิธีอย่างเดียวกับที่ใช้กับคอมพิวเตอร์
01:57
to read all of the books in a click of a button.
39
102000
2000
กดคลิ๊กที่ปลายนิ้วเพื่ออ่านหนังสือทั้งหมด
01:59
That's very practical and extremely awesome.
40
104000
3000
วิธีนี้จัดว่านำใช้ได้จริงและเจ๋งมากๆด้วย
02:03
ELA: Let me tell you a little bit about where books come from.
41
108000
2000
ELA: ทีนี้ขอผมเล่าหน่อยว่าหนังสือทั้งหลายมาจากไหน
02:05
Since time immemorial, there have been authors.
42
110000
3000
กาลครั้งหนึ่งก่อนที่พวกเราจะจำความได้ ก็มีคนเป็นนักเขียนไม่น้อยเลยทีเดียว
02:08
These authors have been striving to write books.
43
113000
3000
พวกเขาใช้ความเพียรพยายามสูงมากกว่าจะเขียนหนังสือออกมาเป็นเล่มๆ
02:11
And this became considerably easier
44
116000
2000
ทีนี้พอวิทยาการการพิมพ์เริ่มก้าวหน้า
02:13
with the development of the printing press some centuries ago.
45
118000
2000
ในไม่กี่ร้อยปีที่ผ่านมาก็ทำให้ขั้นตอนการทำหนังสือง่ายขึ้น
02:15
Since then, the authors have won
46
120000
3000
แต่นั้นมาก็ทำให้นักเขียนจากทั่วสารทิศ
02:18
on 129 million distinct occasions,
47
123000
2000
สามารถเขียนหนังสือและตีพิมพ์
02:20
publishing books.
48
125000
2000
ในแต่ละสถานที่ทั่วทุกมุมโลกได้
02:22
Now if those books are not lost to history,
49
127000
2000
จนถึงวันนี้ หากหนังสือพวกนั้นยังไม่หายไปจากประวัติศาสตร์
02:24
then they are somewhere in a library,
50
129000
2000
มันจะยังคงวางอยู่ในห้องสมุดแห่งใดแแห่งหนึ่ง
02:26
and many of those books have been getting retrieved from the libraries
51
131000
3000
ซึ่งกูเกิลได้ดำเนินการยืมหนังสือเหล่านั้นมาจากห้องสมุด
02:29
and digitized by Google,
52
134000
2000
เพื่อมาสแกนให้อยู่ในรูปแบบดิจิทัล
02:31
which has scanned 15 million books to date.
53
136000
2000
ซึ่งจนถึงวันนี้เสร็จไปกว่า 15 ล้านเล่มแล้ว
02:33
Now when Google digitizes a book, they put it into a really nice format.
54
138000
3000
โดยทีมงานได้จัดทำหนังสือให้อยู่ในรูปแบบที่ดีมาก
02:36
Now we've got the data, plus we have metadata.
55
141000
2000
ทำให้พวกเรามีข้อมูล รายละเอียดต่างๆ
02:38
We have information about things like where was it published,
56
143000
3000
เช่น ข้อมูลจำพวกสถานที่หรือวันเวลาที่ตีพิมพ์
02:41
who was the author, when was it published.
57
146000
2000
ข้อมูลผู้แต่ง
02:43
And what we do is go through all of those records
58
148000
3000
จากนั้นก็ตรวจสอบมันอย่างละเอียด
02:46
and exclude everything that's not the highest quality data.
59
151000
4000
ทำให้มันสมบูรณ์ที่สุด
02:50
What we're left with
60
155000
2000
และพวกเราก็ได้ผลงาน
02:52
is a collection of five million books,
61
157000
3000
หนังสือห้าล้านกว่่าเล่ม
02:55
500 billion words,
62
160000
3000
หรือคำห้าแสนกว่าล้านคำ
02:58
a string of characters a thousand times longer
63
163000
2000
ตัวอักษรที่เรียงกันเหล่านี้
03:00
than the human genome --
64
165000
3000
ยาวกว่าจีโนมของมนุษย์เราเป็นพันๆเท่า
03:03
a text which, when written out,
65
168000
2000
ตัวหนังสือเหล่านี้เมื่อเรียงกันแล้ว
03:05
would stretch from here to the Moon and back
66
170000
2000
อาจยาวถึงระยะทางไปกลับจากโลกถึงดวงจันทร์
03:07
10 times over --
67
172000
2000
ประมาณ 10 รอบได้
03:09
a veritable shard of our cultural genome.
68
174000
4000
นี่คือเสี้ยวหนึ่งของวัฒนธรรมมนุษย์เรา
03:13
Of course what we did
69
178000
2000
แน่นอนว่าขณะที่พวกเราเจอ
03:15
when faced with such outrageous hyperbole ...
70
180000
3000
สถานการณ์ที่ดูเกินจริงขนาดนี้
03:18
(Laughter)
71
183000
2000
(หัวเราะ)
03:20
was what any self-respecting researchers
72
185000
3000
เป็นสิ่งที่นักวิจัยที่มีความนับถือในตัวเอง
03:23
would have done.
73
188000
3000
เลือกที่จะทำ
03:26
We took a page out of XKCD,
74
191000
2000
พวกเราเหมือนการ์ตูนล้อเลียน
03:28
and we said, "Stand back.
75
193000
2000
และพูดว่า "ถอยไป
03:30
We're going to try science."
76
195000
2000
พวกเราจะใช้วิทยาศาสตร์มาพิสูจน์"
03:32
(Laughter)
77
197000
2000
(หัวเราะ)
03:34
JM: Now of course, we were thinking,
78
199000
2000
JM: ต่อมา พวกเราคิดกันว่า
03:36
well let's just first put the data out there
79
201000
2000
เอาล่ะ พวกเราแยกเรื่องข้อมูล
03:38
for people to do science to it.
80
203000
2000
ให้กับทีมทดลองทางวิทยาศาสตร์ดูแลไปก่อน
03:40
Now we're thinking, what data can we release?
81
205000
2000
และพวกเราก็วางแผนว่า ข้อมูลจำพวกไหนที่เราควรจะนำออกสู่สาธารณะ?
03:42
Well of course, you want to take the books
82
207000
2000
แน่นอนว่า เราอยากจะทำให้ทุกๆคนเข้าถึง
03:44
and release the full text of these five million books.
83
209000
2000
เนื้อหาในหนังสือทั้งหมด
03:46
Now Google, and Jon Orwant in particular,
84
211000
2000
แต่กูเกิล โดยเฉพาะจอน ออร์วอนท์
03:48
told us a little equation that we should learn.
85
213000
2000
ทำให้พวกเราเรียนรู้ว่า
03:50
So you have five million, that is, five million authors
86
215000
3000
ในหนังสือห้าล้านเล่ม หมายถึง นักเขียนห้าล้านคน
03:53
and five million plaintiffs is a massive lawsuit.
87
218000
3000
หรือก็คือโจทก์ที่สามารถฟ้องเราได้ห้าล้านคนเช่นกัน
03:56
So, although that would be really, really awesome,
88
221000
2000
ดังนั้นถึงแม้ว่าสิ่งนี้จะเจ๋งมากถึงมากที่สุด
03:58
again, that's extremely, extremely impractical.
89
223000
3000
แต่มันก็ไม่น่าใช้มากถึงมากที่สุดอยู่ดี
04:01
(Laughter)
90
226000
2000
(หัวเราะ)
04:03
Now again, we kind of caved in,
91
228000
2000
ด้วยเหตุนี้ พวกเราเลยกลับมาคิดทบทวน
04:05
and we did the very practical approach, which was a bit less awesome.
92
230000
3000
แล้วริเริ่มโครงการที่เน้นเรื่องการใช้งาน แต่ลดความเจ๋งลงไปหน่อย
04:08
We said, well instead of releasing the full text,
93
233000
2000
พวกเราคิดว่า แทนที่จะปล่อยตัวหนังสือทั้งหมดออกไป
04:10
we're going to release statistics about the books.
94
235000
2000
ก็ปล่อยเฉพาะสถิติของเนื้อหาที่อยู่หนังสือเหล่านั้น
04:12
So take for instance "A gleam of happiness."
95
237000
2000
ตัวอย่างเช่น "ความ สุข แวว วับ"
04:14
It's four words; we call that a four-gram.
96
239000
2000
4 คำนี้ พวกเราขอเรียกมันว่า "4 gram" นะครับ
04:16
We're going to tell you how many times a particular four-gram
97
241000
2000
พวกเราสามารถบอกคุณได้ว่า คำ 4 gram นี้ปรากฏในหนังสือที่ตีพิมพ์
04:18
appeared in books in 1801, 1802, 1803,
98
243000
2000
ระหว่างปี ค.ศ. 1801, 1802, 1802 จนถึงปีค.ศ 2008
04:20
all the way up to 2008.
99
245000
2000
ทั้งหมดกี่ครั้ง
04:22
That gives us a time series
100
247000
2000
พวกเราสามารถทำความเข้าใจคำๆนั้น
04:24
of how frequently this particular sentence was used over time.
101
249000
2000
จากความถี่ที่ถูกหยิบยกมาใช้ตั้งแต่อดีตจนถึงปัจจุบัน
04:26
We do that for all the words and phrases that appear in those books,
102
251000
3000
พวกเราทำแบบนี้กับคำและวลีทุกๆคำที่ปรากฏอยู่ในหนังสือ
04:29
and that gives us a big table of two billion lines
103
254000
3000
ซึ่งทำให้เราได้ตารางที่ยาวประมาณสองพันล้านบรรทัด
04:32
that tell us about the way culture has been changing.
104
257000
2000
สิ่งเหล่านี้แสดงถึงความเปลี่ยนแปลงทางวัฒนธรรมของมนุษย์
04:34
ELA: So those two billion lines,
105
259000
2000
ELA: สำหรับสองพันล้านบรรทัดเหล่านั้น
04:36
we call them two billion n-grams.
106
261000
2000
เราขอเรียกมันว่าสองพันล้าน n-gram นะครับ
04:38
What do they tell us?
107
263000
2000
มันบอกอะไรเราบ้าง?
04:40
Well the individual n-grams measure cultural trends.
108
265000
2000
เอาล่ะ n-gram ของวลีหนึ่งๆสามารถวัดกระแสทางวัฒนธรรมได้
04:42
Let me give you an example.
109
267000
2000
ขอผมลองยกตัวอย่างให้เห็นภาพนะครับ
04:44
Let's suppose that I am thriving,
110
269000
2000
สมมติว่าผมกำลังประสบความสำเร็จ
04:46
then tomorrow I want to tell you about how well I did.
111
271000
2000
ในวันต่อมาผมอยากเล่าให้่คุณฟังว่าผมทำได้ดีแค่ไหน
04:48
And so I might say, "Yesterday, I throve."
112
273000
3000
ผมจะต้องพูดว่า "Yesterday, I throve"
04:51
Alternatively, I could say, "Yesterday, I thrived."
113
276000
3000
หรือพูดว่า "Yesterday, I thrived"
04:54
Well which one should I use?
114
279000
3000
ทีนี้ผมควรจะใช้คำไหนดีล่ะ?
04:57
How to know?
115
282000
2000
จะรู้ได้อย่างไร?
04:59
As of about six months ago,
116
284000
2000
ถ้าเป็นเมื่อหกเดือนที่แล้ว
05:01
the state of the art in this field
117
286000
2000
หากต้องการทราบข้อมูลเชิงลึกทางด้านนี้
05:03
is that you would, for instance,
118
288000
2000
คุณอาจจะต้องสอบถามผู้เชี่ยวชาญ
05:05
go up to the following psychologist with fabulous hair,
119
290000
2000
ซึ่งก็คือ นักจิตวิทยาที่ทรงผมสวยงามท่านนี้นี่เอง
05:07
and you'd say,
120
292000
2000
คุณอาจถามว่า
05:09
"Steve, you're an expert on the irregular verbs.
121
294000
3000
"คุณสตีฟครับ คุณเป็นผู้เชี่ยวชาญทางด้านกริยา 3 ช่อง
05:12
What should I do?"
122
297000
2000
บอกผมหน่อยว่าควรใช้คำไหน?"
05:14
And he'd tell you, "Well most people say thrived,
123
299000
2000
และเขาอาจจะบอกคุณว่า "อืม คนส่วนใหญ่ใช้ thrived"
05:16
but some people say throve."
124
301000
3000
แต่บางคนก็ใช้ throve"
05:19
And you also knew, more or less,
125
304000
2000
และคุณก็อาจรู้อยู่แล้วว่า
05:21
that if you were to go back in time 200 years
126
306000
3000
หากคุณย้อนกลับไปเมื่อ 200 ปีที่แล้ว
05:24
and ask the following statesman with equally fabulous hair,
127
309000
3000
และถามรัฐบุรุษอีกท่านที่ทรงผมสวยไม่แพ้กัน
05:27
(Laughter)
128
312000
3000
(หัวเราะ)
05:30
"Tom, what should I say?"
129
315000
2000
"คุณทอมครับ ผมควรใช้คำไหนดี?"
05:32
He'd say, "Well, in my day, most people throve,
130
317000
2000
เขาอาจจะบอกว่า "อืม ในยุคที่ผมอยู่ ส่วนใหญ่ใช้ throve
05:34
but some thrived."
131
319000
3000
บางคนใช้ thrived"
05:37
So now what I'm just going to show you is raw data.
132
322000
2000
ทีนี้สิ่งที่ผมจะนำเสนอให้ทุกท่านเห็นก็คือข้อมูลดิบ
05:39
Two rows from this table of two billion entries.
133
324000
4000
กราฟสองเส้นที่เป็นสถิติจากตารางสองพันล้านบรรทัด
05:43
What you're seeing is year by year frequency
134
328000
2000
สิ่งที่คุณเห็นก็คือความถี่ของการใช้คำว่า
05:45
of "thrived" and "throve" over time.
135
330000
3000
"thrived" และ "throve" ที่ผ่านมาปีต่อปี
05:49
Now this is just two
136
334000
2000
ซึ่งนี่เป็นเพียงสอง
05:51
out of two billion rows.
137
336000
3000
ในสองพันล้านบรรทัด
05:54
So the entire data set
138
339000
2000
หมายความว่าข้อมูลทั้งหมด
05:56
is a billion times more awesome than this slide.
139
341000
3000
ก็จะเจ๋งกว่าในสไลด์นี้อีกเป็นพันล้่านเท่า
05:59
(Laughter)
140
344000
2000
(หัวเราะ)
06:01
(Applause)
141
346000
4000
(ปรบมือ)
06:05
JM: Now there are many other pictures that are worth 500 billion words.
142
350000
2000
JM: ตอนนี้ก็จะมีรูปภาพหลายรูปที่สื่อคำกว่าห้าแสนล้านคำ
06:07
For instance, this one.
143
352000
2000
เช่น คำนี้
06:09
If you just take influenza,
144
354000
2000
หากคุณพูดถึงไข้หวัดใหญ่
06:11
you will see peaks at the time where you knew
145
356000
2000
จากจุดสูงสุดในรูปนี้คุณจะสรุปได้ว่า
06:13
big flu epidemics were killing people around the globe.
146
358000
3000
การระบาดได้คร่าชีวิตผู้คนทั่วทุกมุมโลก
06:16
ELA: If you were not yet convinced,
147
361000
3000
ELA: เผื่อคุณยังไม่เชื่อนะครับ
06:19
sea levels are rising,
148
364000
2000
ระดับน้ำทะเลกำลังสูงขึ้น
06:21
so is atmospheric CO2 and global temperature.
149
366000
3000
เช่นเดียวกับก๊่าซคาร์บอนไดออกไซต์และอุณหภูมิของโลก
06:24
JM: You might also want to have a look at this particular n-gram,
150
369000
3000
JM: คุณอาจอยากดู n-gram นี้ประกอบ
06:27
and that's to tell Nietzsche that God is not dead,
151
372000
3000
เพื่อบอก "นิตเช่" ว่าพระเจ้ายังไม่ตาย
06:30
although you might agree that he might need a better publicist.
152
375000
3000
ถึงแม้คุณจะคิดว่าเขาควรมีนักประชาสัมพันธ์ที่ดีกว่านี้
06:33
(Laughter)
153
378000
2000
(หัวเราะ)
06:35
ELA: You can get at some pretty abstract concepts with this sort of thing.
154
380000
3000
ELA: ทุกท่านสามารถได้แนวคิดสรุปได้จากข้อมูลเหล่านี้
06:38
For instance, let me tell you the history
155
383000
2000
เช่น ขอผมเล่าประวัติศาสตร์
06:40
of the year 1950.
156
385000
2000
ของปี ค.ศ. 1950 ก่อน
06:42
Pretty much for the vast majority of history,
157
387000
2000
ปีนี้เป็นปีประวัติศาสตร์ที่คนพูดถึงมากที่สุด
06:44
no one gave a damn about 1950.
158
389000
2000
ทั้งที่ก่อนหน้านั้นไม่มีใครพูดถึงปี ค.ศ.1950 นี้เลย
06:46
In 1700, in 1800, in 1900,
159
391000
2000
ตั้งแต่ปี 1700, 1800, 1900
06:48
no one cared.
160
393000
3000
ไม่มีเลย
06:52
Through the 30s and 40s,
161
397000
2000
ย้อนไปยังปี 1930-1940
06:54
no one cared.
162
399000
2000
ก็ยังไม่เป็นที่กล่าวถึงเช่นกัน
06:56
Suddenly, in the mid-40s,
163
401000
2000
จนกระทั่งในช่วงกลางศตวรรษ 1940
06:58
there started to be a buzz.
164
403000
2000
ทุกคนเริ่มเอ่ยถึงปีนี้
07:00
People realized that 1950 was going to happen,
165
405000
2000
ผู้คนเริ่มตระหนักว่าปี 1950 กำลังจะมา
07:02
and it could be big.
166
407000
2000
และมันจะยิ่งใหญ่มาก
07:04
(Laughter)
167
409000
3000
(หัวเราะ)
07:07
But nothing got people interested in 1950
168
412000
3000
แต่ไม่มีอะไรทำให้ผู้คนสนใจปี 1950
07:10
like the year 1950.
169
415000
3000
เหมือนปี 1950
07:13
(Laughter)
170
418000
3000
(หัวเราะ)
07:16
People were walking around obsessed.
171
421000
2000
ตั้งแต่นั้นมาผู้คนเริ่มหมกหมุ่น
07:18
They couldn't stop talking
172
423000
2000
พวกเขาไม่หยุดเอ่ยถึง
07:20
about all the things they did in 1950,
173
425000
3000
สิ่งที่เกิดขึ้นทั้งหมดในปี 1950
07:23
all the things they were planning to do in 1950,
174
428000
3000
แผนทั้งหมดที่พวกเขาจะทำในปี 1950
07:26
all the dreams of what they wanted to accomplish in 1950.
175
431000
5000
ความฝันทั้งหมดที่พวกเขาอยากทำให้สำเร็จในปี 1950
07:31
In fact, 1950 was so fascinating
176
436000
2000
จริงๆแล้ว ปี 1950 น่าสนใจมาก
07:33
that for years thereafter,
177
438000
2000
หลังจากปีนั้น
07:35
people just kept talking about all the amazing things that happened,
178
440000
3000
ผู้คนก็พูดถึงแต่สิ่งอัศจรรย์ที่เกิดขึ้น
07:38
in '51, '52, '53.
179
443000
2000
ในปี 51 52 53
07:40
Finally in 1954,
180
445000
2000
และสุดท้ายปี 1954
07:42
someone woke up and realized
181
447000
2000
อยู่ๆก็มีใครซักคนตื่นขึ้นมาและตระหนักว่า
07:44
that 1950 had gotten somewhat passé.
182
449000
4000
เหตุการณ์ 1950 ได้ผ่านพ้นไปแล้ว
07:48
(Laughter)
183
453000
2000
(หัวเราะ)
07:50
And just like that, the bubble burst.
184
455000
2000
และฟองสบู่่ก็แตก ณ ปีนั้นเอง
07:52
(Laughter)
185
457000
2000
(หัวเราะ)
07:54
And the story of 1950
186
459000
2000
และเรื่องราวของปี 1950
07:56
is the story of every year that we have on record,
187
461000
2000
ก็เป็นเรื่องราวที่ได้รับการบันทึกเพิ่มเข้าไปทุกๆปี
07:58
with a little twist, because now we've got these nice charts.
188
463000
3000
แม้จะมีหักมุมเล็กน้อย แต่ตารางก็ดูดีทีเดียว
08:01
And because we have these nice charts, we can measure things.
189
466000
3000
และเพราะพวกเรามีกราฟที่สวยแบบนี้ เราถึงสามารถคำนวนเรื่องราวได้
08:04
We can say, "Well how fast does the bubble burst?"
190
469000
2000
เราบอกได้ว่า "ฟองสบู่แตกเร็วแค่ไหน?"
08:06
And it turns out that we can measure that very precisely.
191
471000
3000
กลายเป็นว่าพวกเราสามารถวัดมันได้อย่างแม่นยำ
08:09
Equations were derived, graphs were produced,
192
474000
3000
แก้ปัญหาได้ตรงจุด สร้างกราฟขึ้นมา
08:12
and the net result
193
477000
2000
และผลลัพธ์ก็คือ
08:14
is that we find that the bubble bursts faster and faster
194
479000
3000
พวกเราเรียนรู้ว่ายิ่งนานวันฟองสบู่
08:17
with each passing year.
195
482000
2000
ก็ยิ่งแตกเร็วขึ้น
08:19
We are losing interest in the past more rapidly.
196
484000
5000
พวกเราหยุดสนใจในประเด็นต่างๆเร็วกว่าเมื่อก่อน
08:24
JM: Now a little piece of career advice.
197
489000
2000
JM: ต่อมา ผมขอแนะนำเรื่องการงานซักหน่อย
08:26
So for those of you who seek to be famous,
198
491000
2000
สำหรับคนที่อยากมีชื่อเสียงนะครับ
08:28
we can learn from the 25 most famous political figures,
199
493000
2000
ผมได้แนวคิดนี้มาจากข้อมูลของนักการเมือง นักเขียน นักแสดงและอาชีพอื่นๆ
08:30
authors, actors and so on.
200
495000
2000
ที่มีชื่อเสียงทั้ง 25 ท่านนี้นะครับ
08:32
So if you want to become famous early on, you should be an actor,
201
497000
3000
หากคุณอยากดังตอนอายุน้อย คุณควรจะเป็นนักแสดง
08:35
because then fame starts rising by the end of your 20s --
202
500000
2000
เพราะความดังจะเพิ่มขึ้นช่วงปลายอายุ 20
08:37
you're still young, it's really great.
203
502000
2000
เพราะคุณยังหนุ่มยังสาวอยู่
08:39
Now if you can wait a little bit, you should be an author,
204
504000
2000
หากคุณรออีกหน่อย คุณก็ยังเป็นนักเขียนได้
08:41
because then you rise to very great heights,
205
506000
2000
เพราะคุณสามารถไต่เต้าไปได้อีกเยอะ
08:43
like Mark Twain, for instance: extremely famous.
206
508000
2000
อย่างคุณ มาร์ค ทเวน ดังมากเลยครับ
08:45
But if you want to reach the very top,
207
510000
2000
แต่่หากคุณอยากไต่เต้าไปถึงจุดสูงสุด
08:47
you should delay gratification
208
512000
2000
คุณควรจะยืดเวลานานอีกซักช่วงหนึ่ง
08:49
and, of course, become a politician.
209
514000
2000
เพื่อก้าวไปเป็นนักการเมือง
08:51
So here you will become famous by the end of your 50s,
210
516000
2000
ฉะนั้น คุณก็จะมีชื่อเสียงมากในช่วงปลายอายุ 50
08:53
and become very, very famous afterward.
211
518000
2000
และจะโด่งดังมากหลังจากนั้น
08:55
So scientists also tend to get famous when they're much older.
212
520000
3000
เช่นเดียวกับนักวิทยาศาสตร์ที่มีแนวโน้มจะมีชื่อเสียงตอนอายุมากแล้ว
08:58
Like for instance, biologists and physics
213
523000
2000
ส่วนนักชีววิทยา นักฟิสิกส์
09:00
tend to be almost as famous as actors.
214
525000
2000
แนวโน้มที่จะโด่งดังเทียบเท่ากับนักแสดง
09:02
One mistake you should not do is become a mathematician.
215
527000
3000
หนึ่งในอาชีพที่ไม่ควรทำก็คือ นักคณิตศาสตร์
09:05
(Laughter)
216
530000
2000
(หัวเราะ)
09:07
If you do that,
217
532000
2000
คุณอาจจะมุ่งมั่น
09:09
you might think, "Oh great. I'm going to do my best work when I'm in my 20s."
218
534000
3000
และคิดในใจว่า "ฉันจะทำให้ดีที่สุดตอนอายุ 20 ต้นๆ"
09:12
But guess what, nobody will really care.
219
537000
2000
แต่เชื่อเถอะ ไม่มีใครสนใจหรอก
09:14
(Laughter)
220
539000
3000
(หัวเราะ)
09:17
ELA: There are more sobering notes
221
542000
2000
ELA: ในข้อมูลของเรา
09:19
among the n-grams.
222
544000
2000
ยังมี n-gram ที่น่าสนใจกว่านั้น
09:21
For instance, here's the trajectory of Marc Chagall,
223
546000
2000
เช่น กรณีของ มาร์ค ชาร์กาล
09:23
an artist born in 1887.
224
548000
2000
นักศิลปะที่เกิดในปี 1887
09:25
And this looks like the normal trajectory of a famous person.
225
550000
3000
ดูเผินๆเขาก็เหมือนกับคนดังทั่วๆไป
09:28
He gets more and more and more famous,
226
553000
4000
เขาโด่งดังขึ้นมาเรื่อยๆเลยครับ
09:32
except if you look in German.
227
557000
2000
ยกเว้นในเยอรมัน
09:34
If you look in German, you see something completely bizarre,
228
559000
2000
หากคุณดูข้อมูลในเยอรมัน คุณจะสังเกตเห็นอะไรบางอย่าง
09:36
something you pretty much never see,
229
561000
2000
บางอย่างที่คุณไม่เคยเห็น
09:38
which is he becomes extremely famous
230
563000
2000
นั่นคือ เขาโด่งดัังมาก
09:40
and then all of a sudden plummets,
231
565000
2000
แล้วความโด่งดังก็ฮวบตกลงอย่างรวดเร็ว
09:42
going through a nadir between 1933 and 1945,
232
567000
3000
โดยจุดต่ำสุดอยู่ระหว่างปี 1933 ถึง 1945
09:45
before rebounding afterward.
233
570000
3000
และหลังจากนั้นก็กลับขึ้นมาใหม่
09:48
And of course, what we're seeing
234
573000
2000
และสิ่งที่พวกเราพบก็คือ
09:50
is the fact Marc Chagall was a Jewish artist
235
575000
3000
จริงๆแล้ว มาร์ค ชาร์กาล เป็นนักศิลปะชาวยิว
09:53
in Nazi Germany.
236
578000
2000
ในนาซีเยอรมัน
09:55
Now these signals
237
580000
2000
ความผิดปกติเหล่านี้
09:57
are actually so strong
238
582000
2000
ค่อนข้างเห็นได้ชัด
09:59
that we don't need to know that someone was censored.
239
584000
3000
พวกเราไม่จำเป็นต้องรู้มาก่อนว่าใครถูกเซ็นเซอร์
10:02
We can actually figure it out
240
587000
2000
เราสามารถสรุปได้จาก
10:04
using really basic signal processing.
241
589000
2000
ความผิดปกติพื้นฐานเหล่านี้
10:06
Here's a simple way to do it.
242
591000
2000
ซึ่งก็เป็นวิธีที่ง่ายมาก
10:08
Well, a reasonable expectation
243
593000
2000
เอาล่ะครับ ความคาดหวังที่เป็นเหตุเป็นผล
10:10
is that somebody's fame in a given period of time
244
595000
2000
ก็คือชื่อเสียงของใครบางคนในช่วงเวลาหนึ่งๆ
10:12
should be roughly the average of their fame before
245
597000
2000
ไม่ควรจะต่างจากช่วงก่อนหน้าหรือ
10:14
and their fame after.
246
599000
2000
หลังจากนั้นมาก
10:16
So that's sort of what we expect.
247
601000
2000
และนั่นเป็นสิ่งที่พวกเราหวังไว้
10:18
And we compare that to the fame that we observe.
248
603000
3000
และเราได้ลองเปรียบเทียบคนที่พวกเราเฝ้าสังเกตการณ์
10:21
And we just divide one by the other
249
606000
2000
ลองแยกแยะข้อมูลอย่างละเอียด
10:23
to produce something we call a suppression index.
250
608000
2000
เพื่อยกประเด็นที่เราเรียกว่า "ดัชนีความต่าง"
10:25
If the suppression index is very, very, very small,
251
610000
3000
เมื่อไหร่ที่ดัชนีตัวนั้นอยู่ต่ำมากๆ
10:28
then you very well might be being suppressed.
252
613000
2000
หมายความว่าคุณอาจถูกเซ็นเซอร์ไว้
10:30
If it's very large, maybe you're benefiting from propaganda.
253
615000
3000
และเมื่อไหร่ที่มันสูงเกิน หมายถึงคุณอาจได้รับการประชาสัมพันธ์
10:34
JM: Now you can actually look at
254
619000
2000
JM: จนถึงขณะนี้เชื่อว่่าคุณอาจรู้แล้ว
10:36
the distribution of suppression indexes over whole populations.
255
621000
3000
การกระจายอยู่ของดัชนีความต่างของประชากร
10:39
So for instance, here --
256
624000
2000
ตัวอย่างเช่น ในนี้
10:41
this suppression index is for 5,000 people
257
626000
2000
ดัชนีนี้เป็นความต่างของผู้คน 5,000 คน
10:43
picked in English books where there's no known suppression --
258
628000
2000
ที่หยิบยกมาจากหนังสืออังกฤษที่ไม่ได้ถูกเซ็นเซอร์ใดๆ
10:45
it would be like this, basically tightly centered on one.
259
630000
2000
จะอยู่ในแบบที่เกาะกลุ่มเหนียวแน่นตรงกลาง
10:47
What you expect is basically what you observe.
260
632000
2000
สิ่งที่ึคุณคาดหวังไว้จะเป็นสิ่งที่คุณสังเกตการณ์
10:49
This is distribution as seen in Germany --
261
634000
2000
นี่เป็นการกระจายตัวในหนังสือเยอรมัน
10:51
very different, it's shifted to the left.
262
636000
2000
ต่างกันมาก มันโอนเอียงไปทางซ้าย
10:53
People talked about it twice less as it should have been.
263
638000
3000
ผู้คนเอ่ยถึงมันน้้อยกว่าที่เป็นอยู่ประมาณ 2 เท่า
10:56
But much more importantly, the distribution is much wider.
264
641000
2000
แต่ที่สำคัญกว่านั้นคือ การกระจายออกเป็นวงกว้าง
10:58
There are many people who end up on the far left on this distribution
265
643000
3000
มีผู้คนจำนวนไม่น้อยที่ประจำอยู่ฝั่งซ้ายมือ
11:01
who are talked about 10 times fewer than they should have been.
266
646000
3000
ถูกพูดถึงน้อยกว่าที่ควรจะเป็นกว่าสิบเท่า
11:04
But then also many people on the far right
267
649000
2000
แต่ผู้คนทางฝั่งขวามือ
11:06
who seem to benefit from propaganda.
268
651000
2000
มีแนวโน้มจะได้ประโยชน์จากการประชาสัมพันธ์
11:08
This picture is the hallmark of censorship in the book record.
269
653000
3000
ภาพนี้เป็นรูปแบบเซ็นเซอร์มาตรฐานในสถิติเรา
11:11
ELA: So culturomics
270
656000
2000
ELA: ฉะนั้นวัฒนธรรมศาสตร์
11:13
is what we call this method.
271
658000
2000
ก็คือชื่อที่เราใช้เรียกวิธีนี้
11:15
It's kind of like genomics.
272
660000
2000
คล้ายๆกับจีโนมศาสตร์
11:17
Except genomics is a lens on biology
273
662000
2000
ต่างกันแค่จีโนมศาสตร์เป็นมุมมองของศาสตร์ชีววิทยา
11:19
through the window of the sequence of bases in the human genome.
274
664000
3000
ในโลกที่เป็นผลจากพื้นฐานของจีโนมมนุษย์
11:22
Culturomics is similar.
275
667000
2000
วัฒนธรรมศาสตร์ก็คล้ายๆกัน
11:24
It's the application of massive-scale data collection analysis
276
669000
3000
มันเป็นโปรแกรมวิเคราะห์ชุดข้อมูลขนาดใหญ่
11:27
to the study of human culture.
277
672000
2000
ที่ใช้ศึกษาวัฒนธรรมมนุษย์
11:29
Here, instead of through the lens of a genome,
278
674000
2000
แทนที่จะเป็นมุมมองทางฝั่งจีโนม
11:31
through the lens of digitized pieces of the historical record.
279
676000
3000
แต่เป็นมุมมองจากข้อมูลบันทึกประวัติศาสตร์ดิจิทัล
11:34
The great thing about culturomics
280
679000
2000
วัฒนธรรมศาสตร์ดีตรงที่
11:36
is that everyone can do it.
281
681000
2000
ทุกๆคนสามารถลงมือทำได้เอง
11:38
Why can everyone do it?
282
683000
2000
ทำไมทุกคนถึงทำได้น่ะหรือ?
11:40
Everyone can do it because three guys,
283
685000
2000
ก็เพราะชายสามคนนี้
11:42
Jon Orwant, Matt Gray and Will Brockman over at Google,
284
687000
3000
"จอน ออร์วอนท์" "แมต เกรย์" และ "วิลล์ บร๊อคแมน" จากกูเกิล
11:45
saw the prototype of the Ngram Viewer,
285
690000
2000
ได้เล็งเห็นประโยชน์ของตัวช่วย Ngram Viewer
11:47
and they said, "This is so fun.
286
692000
2000
และพวกเขาเห็นตรงกันว่า "มันสนุกสุดยอด
11:49
We have to make this available for people."
287
694000
3000
พวกเราต้องทำให้ทุกคนได้ลองใช้บ้าง"
11:52
So in two weeks flat -- the two weeks before our paper came out --
288
697000
2000
จากนั้นมาสองอาทิตย์ ก่อนที่จะทำรายงานเสร็จ
11:54
they coded up a version of the Ngram Viewer for the general public.
289
699000
3000
พวกเขาเขียนเว็ป Ngram Viewer ในแบบที่ใครก็เข้าใช้ได้
11:57
And so you too can type in any word or phrase that you're interested in
290
702000
3000
ฉะนั้นคุณสามารถพิมพ์คำหรือวลีใดๆก็ได้ที่คุณสนใจ
12:00
and see its n-gram immediately --
291
705000
2000
และสำรวจ N-gram ของมันได้ทันที
12:02
also browse examples of all the various books
292
707000
2000
และสามารถเปิดตัวอย่างของหนังสือทั้งหลาย
12:04
in which your n-gram appears.
293
709000
2000
ที่มี n-gram ปรากฏอยู่
12:06
JM: Now this was used over a million times on the first day,
294
711000
2000
JM: ฟังค์ชั่นนี้ถูกใช้เป็นล้านครั้งในวันเปิดตัว
12:08
and this is really the best of all the queries.
295
713000
2000
และตัวอย่างนี้ถือเป็นหนึ่งในจำนวนคำค้นที่ดีที่สุด
12:10
So people want to be their best, put their best foot forward.
296
715000
3000
ผู้คนอยากทำตัวเองให้ดีที่สุด เริ่มต้นจากสิ่งดีที่สุด
12:13
But it turns out in the 18th century, people didn't really care about that at all.
297
718000
3000
แต่สำหรับศตวรรษที่ 18 กลับไม่มีใครสนใจคำๆนี้เท่าไหร่
12:16
They didn't want to be their best, they wanted to be their beft.
298
721000
3000
พวกเขาไม่ได้อยาก "Best" ที่สุด พวกเขาอยาก "Beft" ที่สุด
12:19
So what happened is, of course, this is just a mistake.
299
724000
3000
สิ่งที่เกิดขึ้นก็คือ แน่นอนว่ามันเป็นเพียงแค่ความผิดเล็กๆน้อยๆ
12:22
It's not that strove for mediocrity,
300
727000
2000
ไม่ใช่ความอยากโดดเด่น
12:24
it's just that the S used to be written differently, kind of like an F.
301
729000
3000
เป็นแค่การเขียนตัว S อีกแบบที่คล้ายกับตัว F
12:27
Now of course, Google didn't pick this up at the time,
302
732000
3000
แต่สำหรับตอนนี้ กูเกิลยังไม่หยิบยกตัวนี้ขึ้นมาจริงจัง
12:30
so we reported this in the science article that we wrote.
303
735000
3000
แต่พวกเราได้รายงานเรื่องนี้ในบทความที่พวกเราเขียนขึ้น
12:33
But it turns out this is just a reminder
304
738000
2000
เพื่อเตือนตัวเองเท่านั้น
12:35
that, although this is a lot of fun,
305
740000
2000
ถึงแม้ว่ามันจะสนุกมากก็ตาม
12:37
when you interpret these graphs, you have to be very careful,
306
742000
2000
แต่ตอนที่คุณแปลกราฟเหล่านี้ออกมา คุณต้องระวังให้มาก
12:39
and you have to adopt the base standards in the sciences.
307
744000
3000
และใช้วิทยาศาสตร์เป็นพื้นฐาน
12:42
ELA: People have been using this for all kinds of fun purposes.
308
747000
3000
ELA: ผู้คนใช้สิ่งนี้เล่นสนุกในรูปแบบต่างๆ
12:45
(Laughter)
309
750000
7000
(หัวเราะ)
12:52
Actually, we're not going to have to talk,
310
757000
2000
จริงๆแล้วพวกเราแทบไม่ต้องพูดเลย
12:54
we're just going to show you all the slides and remain silent.
311
759000
3000
แค่โชว์สไลด์เหล่านี้แล้วอยู่กันเงียบๆ
12:57
This person was interested in the history of frustration.
312
762000
3000
คนๆนี้สนใจเรื่องประวัติศาสตร์ของความไม่พอใจ
13:00
There's various types of frustration.
313
765000
3000
ความไม่พอใจมีหลากหลายประเภท
13:03
If you stub your toe, that's a one A "argh."
314
768000
3000
หากคุณเดินสะดุด จะอุทานออกมาเป็น "อา" สระ "า" ตัวเดียว
13:06
If the planet Earth is annihilated by the Vogons
315
771000
2000
แต่ถ้าโลกกำลังจะถูกเอเลี่ยนโวกอนทำลาย
13:08
to make room for an interstellar bypass,
316
773000
2000
เพื่อเว้นความห่างระหว่างดวงดาว
13:10
that's an eight A "aaaaaaaargh."
317
775000
2000
คุณจะอุทานเป็น "อาาาาาาาา" สระ "า" 8 ตัว
13:12
This person studies all the "arghs,"
318
777000
2000
คนๆนี้ศึกษาเกี่ยวกับ "อา" ทั้งหลาย
13:14
from one through eight A's.
319
779000
2000
ตั้งแต่ "า" หนึ่งตัวจนถึงแปดตัว
13:16
And it turns out
320
781000
2000
ได้ความว่า
13:18
that the less-frequent "arghs"
321
783000
2000
"อา" ที่ความถี่ที่น้อยกว่า
13:20
are, of course, the ones that correspond to things that are more frustrating --
322
785000
3000
จะเป็นเหตุการณ์ที่กดดันกว่า
13:23
except, oddly, in the early 80s.
323
788000
3000
ยกเว้นในช่วงต้นศตวรรษ 1980
13:26
We think that might have something to do with Reagan.
324
791000
2000
พวกเราคิดว่าเรแกนจะต้องมีเอี่ยวกับข้อมูลนี้แน่ๆ
13:28
(Laughter)
325
793000
2000
(หัวเราะ)
13:30
JM: There are many usages of this data,
326
795000
3000
JM: มีการใช้ข้อมูลนี้ไม่น้อยทีเดียว
13:33
but the bottom line is that the historical record is being digitized.
327
798000
3000
สรุปแล้วตอนนี้ประวัติศาสตร์ได้บันทึกอยู่ในโลกดิจิทัลแล้ว
13:36
Google has started to digitize 15 million books.
328
801000
2000
กูเกิลได้เริ่มทำหนังสือเป็นดิจิทัลประมาณ 15 ล้านเล่ม
13:38
That's 12 percent of all the books that have ever been published.
329
803000
2000
ซึ่งเป็นเพียง 12 เปอร์เซนต์ของหนังสือทั้งหมดที่เคยตีพิมพ์
13:40
It's a sizable chunk of human culture.
330
805000
3000
เป็นเพียงเสี้ยวหนึ่งของวัฒนธรรมมนุษย์เท่านั้น
13:43
There's much more in culture: there's manuscripts, there newspapers,
331
808000
3000
ในวัฒนธรรมเรายังมีอีกมากมายกว่านี้ ไหนจะมีหนังสือที่เขียนด้วยลายมืออีก ไหนจะหนังสือพิมพ์
13:46
there's things that are not text, like art and paintings.
332
811000
2000
หรือพวกที่ไม่ได้อยู่ในรูปแบบตัวหนังสือ เช่น ศิลปะและรูปภาพต่างๆ
13:48
These all happen to be on our computers,
333
813000
2000
สิ่งเหล่านี้จะเกิดขึ้นบนคอมพิวเตอร์ของพวกเรา
13:50
on computers across the world.
334
815000
2000
คอมพิวเตอร์จากทั่วทุกมุมโลก
13:52
And when that happens, that will transform the way we have
335
817000
3000
และเมื่อมันเกิดขึ้นแล้ว มันจะเปลี่ยนแปลงรูปแบบที่เราเคย
13:55
to understand our past, our present and human culture.
336
820000
2000
ทำความเข้าใจวัฒนธรรมมนุษย์ในอดีต ปัจจุบัน และอนาคต
13:57
Thank you very much.
337
822000
2000
ขอบคุณมากครับ
13:59
(Applause)
338
824000
3000
(ปรบมือ)
ABOUT THE SPEAKERS
Jean-Baptiste Michel - Data researcherJean-Baptiste Michel looks at how we can use large volumes of data to better understand our world.
Why you should listen
Jean-Baptiste Michel holds joint academic appointments at Harvard (FQEB Fellow) and Google (Visiting Faculty). His research focusses on using large volumes of data as tools that help better understand the world around us -- from the way diseases progress in patients over years, to the way cultures change in human societies over centuries. With his colleague Erez Lieberman Aiden, Jean-Baptiste is a Founding Director of Harvard's Cultural Observatory, where their research team pioneers the use of quantitative methods for the study of human culture, language and history. His research was featured on the covers of Science and Nature, on the front pages of the New York Times and the Boston Globe, in The Economist, Wired and many other venues. The online tool he helped create -- ngrams.googlelabs.com -- was used millions of times to browse cultural trends. Jean-Baptiste is an Engineer from Ecole Polytechnique (Paris), and holds an MS in Applied Mathematics and a PhD in Systems Biology from Harvard.
Jean-Baptiste Michel | Speaker | TED.com
Erez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ...
Why you should listen
Erez Lieberman Aiden is a fellow at the Harvard Society of Fellows and Visiting Faculty at Google. His research spans many disciplines and has won numerous awards, including recognition for one of the top 20 "Biotech Breakthroughs that will Change Medicine", by Popular Mechanics; the Lemelson-MIT prize for the best student inventor at MIT; the American Physical Society's Award for the Best Doctoral Dissertation in Biological Physics; and membership in Technology Review's 2009 TR35, recognizing the top 35 innovators under 35. His last three papers -- two with JB Michel -- have all appeared on the cover of Nature and Science.
Erez Lieberman Aiden | Speaker | TED.com