TEDxBoston 2011
Jean-Baptiste Michel + Erez Lieberman Aiden: What we learned from 5 million books
Ce que nous avons appris de 5 millions de livres.
Filmed:
Readability: 3.9
2,049,453 views
Avez-vous joué avec Google Lab’sNgram Viewer ? C’est un outil qui est comme une drogue qui vous permet de chercher des mots et des idées dans une base de données de 5 millions de livres sur plusieurs siècles. Erez Lieberman Aiden et Jean-Baptiste Michel nous montrent comment ça marche, et quelques-unes des choses surprenantes que nous pouvons apprendre de 500 milliards de mots.
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
Erez Lieberman Aiden: Tout le monde sait
00:17
that a picture is worth a thousand words.
1
2000
3000
qu’une image vaut un millier de mots.
00:22
But we at Harvard
2
7000
2000
Mais à Harvard
00:24
were wondering if this was really true.
3
9000
3000
nous nous sommes demandé si c’était vrai.
00:27
(Laughter)
4
12000
2000
(Rires)
00:29
So we assembled a team of experts,
5
14000
4000
Nous avons donc rassemblé un groupe d’experts,
00:33
spanning Harvard, MIT,
6
18000
2000
qui viennent d’Harvard, du MIT,
00:35
The American Heritage Dictionary, The Encyclopedia Britannica
7
20000
3000
de The American Heritage Dictionary, The Encyclopedia Britannica
00:38
and even our proud sponsors,
8
23000
2000
et même notre heureux sponsor,
00:40
the Google.
9
25000
3000
Google.
00:43
And we cogitated about this
10
28000
2000
Et nous y avons réfléchi
00:45
for about four years.
11
30000
2000
pendant quatre ans.
00:47
And we came to a startling conclusion.
12
32000
5000
Et nous sommes arrivés à une conclusion surprenante.
00:52
Ladies and gentlemen, a picture is not worth a thousand words.
13
37000
3000
Mesdames et messieurs, une image ne vaut pas un millier de mots.
00:55
In fact, we found some pictures
14
40000
2000
En fait, nous avons trouvé des images
00:57
that are worth 500 billion words.
15
42000
5000
qui valent 500 milliards de mots.
01:02
Jean-Baptiste Michel: So how did we get to this conclusion?
16
47000
2000
Jean-Baptiste Michel : Comment sommes-nous arrivés à cette conclusion ?
01:04
So Erez and I were thinking about ways
17
49000
2000
Donc Erez et moi nous étions en train de penser à des moyens
01:06
to get a big picture of human culture
18
51000
2000
d’avoir une image complète de la culture humaine
01:08
and human history: change over time.
19
53000
3000
et de l‘histoire humaine : les changements dans le temps.
01:11
So many books actually have been written over the years.
20
56000
2000
Beaucoup de livres ont été écrits au fil des ans.
01:13
So we were thinking, well the best way to learn from them
21
58000
2000
Nous avons donc pensé, le meilleur moyen d’apprendre des livres
01:15
is to read all of these millions of books.
22
60000
2000
est de lire tous ces millions de livres.
01:17
Now of course, if there's a scale for how awesome that is,
23
62000
3000
Bien sur, s’il existe une échelle pour voir à quel point c’est impressionnant,
01:20
that has to rank extremely, extremely high.
24
65000
3000
ça doit être classé très très haut.
01:23
Now the problem is there's an X-axis for that,
25
68000
2000
Le problème est qu’il y a un axe X pour cela,
01:25
which is the practical axis.
26
70000
2000
qui est l’axe de la praticité.
01:27
This is very, very low.
27
72000
2000
Ce qui le classe très très bas.
01:29
(Applause)
28
74000
3000
(Applaudissements)
01:32
Now people tend to use an alternative approach,
29
77000
3000
Les gens ont tendance à utiliser une approche alternative,
01:35
which is to take a few sources and read them very carefully.
30
80000
2000
qui est de prendre quelques sources et les lire très attentivement.
01:37
This is extremely practical, but not so awesome.
31
82000
2000
Ce qui est extrêmement pratique, mais pas si impressionnant.
01:39
What you really want to do
32
84000
3000
Ce que vous voulez vraiment faire
01:42
is to get to the awesome yet practical part of this space.
33
87000
3000
c’est arriver à l’impressionnant et pratique en même temps de ce côté-là.
01:45
So it turns out there was a company across the river called Google
34
90000
3000
Il s’avère qu’il y avait une compagnie au-delà du fleuve qui s’appelle Google
01:48
who had started a digitization project a few years back
35
93000
2000
qui avait commencé un projet de numérisation quelques années auparavant
01:50
that might just enable this approach.
36
95000
2000
qui aurait pu faciliter cette approche.
01:52
They have digitized millions of books.
37
97000
2000
Ils ont numérisé des millions de livres.
01:54
So what that means is, one could use computational methods
38
99000
3000
Cela signifie qu’on peut utiliser des méthodes de calcul
01:57
to read all of the books in a click of a button.
39
102000
2000
pour lire tous les livres avec un clic.
01:59
That's very practical and extremely awesome.
40
104000
3000
C’est très pratique et extrêmement impressionnant.
02:03
ELA: Let me tell you a little bit about where books come from.
41
108000
2000
ELA : Laissez-moi vous raconter d’où viennent les livres.
02:05
Since time immemorial, there have been authors.
42
110000
3000
Depuis des temps immémoriaux il y a eu des auteurs.
02:08
These authors have been striving to write books.
43
113000
3000
Ces auteurs se sont efforcé d’écrire des livres.
02:11
And this became considerably easier
44
116000
2000
Et c’est devenu considérablement plus facile
02:13
with the development of the printing press some centuries ago.
45
118000
2000
avec le développement de l’imprimerie il y a quelques siècles.
02:15
Since then, the authors have won
46
120000
3000
Depuis, les auteurs ont eu
02:18
on 129 million distinct occasions,
47
123000
2000
129 millions différentes occasions,
02:20
publishing books.
48
125000
2000
de publier des livres.
02:22
Now if those books are not lost to history,
49
127000
2000
Si ces livres ne sont pas perdus dans l’histoire,
02:24
then they are somewhere in a library,
50
129000
2000
alors ils sont quelque part dans une bibliothèque,
02:26
and many of those books have been getting retrieved from the libraries
51
131000
3000
et beaucoup de ces livres ont été récupérés des bibliothèques
02:29
and digitized by Google,
52
134000
2000
et numérisés par Google,
02:31
which has scanned 15 million books to date.
53
136000
2000
qui a scanné 15 millions de livres à ce jour.
02:33
Now when Google digitizes a book, they put it into a really nice format.
54
138000
3000
Quand Google numérise un livre, il le transforme en un très beau format.
02:36
Now we've got the data, plus we have metadata.
55
141000
2000
Nous avons maintenant les données, et nous avons les métadonnées.
02:38
We have information about things like where was it published,
56
143000
3000
Nous avons les informations sur des choses comme où il a été publié,
02:41
who was the author, when was it published.
57
146000
2000
qui était l’auteur, la date de publication.
02:43
And what we do is go through all of those records
58
148000
3000
Ce que nous faisons c’est parcourir tous ces archives
02:46
and exclude everything that's not the highest quality data.
59
151000
4000
et exclure tout ce qui n’est pas de très haute qualité.
02:50
What we're left with
60
155000
2000
Ce qui nous reste
02:52
is a collection of five million books,
61
157000
3000
c’est une collection de cinq millions de livres,
02:55
500 billion words,
62
160000
3000
500 milliards de mots,
02:58
a string of characters a thousand times longer
63
163000
2000
une série de caractères mille fois plus longs
03:00
than the human genome --
64
165000
3000
que le génome humain --
03:03
a text which, when written out,
65
168000
2000
un texte qui, écrit,
03:05
would stretch from here to the Moon and back
66
170000
2000
un aller et un retour d'ici jusqu'à la lune
03:07
10 times over --
67
172000
2000
plus de 10 fois --
03:09
a veritable shard of our cultural genome.
68
174000
4000
un véritable fragment de notre génome culturel.
03:13
Of course what we did
69
178000
2000
Bien sur ce que nous avons fait
03:15
when faced with such outrageous hyperbole ...
70
180000
3000
en faisant face à cette hyperbole outrageuse…
03:18
(Laughter)
71
183000
2000
(Rires)
03:20
was what any self-respecting researchers
72
185000
3000
est ce que n’importe quel chercheur respectable
03:23
would have done.
73
188000
3000
aurait fait.
03:26
We took a page out of XKCD,
74
191000
2000
Nous avons pris une page de XKCD,
03:28
and we said, "Stand back.
75
193000
2000
et nous avons dit, « Marche arrière.
03:30
We're going to try science."
76
195000
2000
Nous allons essayer la science. »
03:32
(Laughter)
77
197000
2000
(Rires)
03:34
JM: Now of course, we were thinking,
78
199000
2000
JM : Bien sur, nous avons pensé,
03:36
well let's just first put the data out there
79
201000
2000
commençons par sortir les données
03:38
for people to do science to it.
80
203000
2000
pour que les gens puissent faire de la science.
03:40
Now we're thinking, what data can we release?
81
205000
2000
Nous avons réfléchi, quelles données pouvons-nous sortir?
03:42
Well of course, you want to take the books
82
207000
2000
Bien sûr, on veut prendre les livres
03:44
and release the full text of these five million books.
83
209000
2000
et sortir le texte complet de ces cinq millions de livres.
03:46
Now Google, and Jon Orwant in particular,
84
211000
2000
Google, et en particulier Jon Orwant,
03:48
told us a little equation that we should learn.
85
213000
2000
nous a expliqué une équation qu’il nous faudrait apprendre.
03:50
So you have five million, that is, five million authors
86
215000
3000
Vous avez cinq millions, ce qui représente, cinq millions d’auteurs
03:53
and five million plaintiffs is a massive lawsuit.
87
218000
3000
et cinq millions de plaintes judiciaires c’est un procès énorme.
03:56
So, although that would be really, really awesome,
88
221000
2000
Donc, malgré cela puisse être vraiment redoutable,
03:58
again, that's extremely, extremely impractical.
89
223000
3000
encore une fois, c’est extrêmement, extrêmement peu pratique.
04:01
(Laughter)
90
226000
2000
(Rires)
04:03
Now again, we kind of caved in,
91
228000
2000
Encore une fois, nous avons cédé,
04:05
and we did the very practical approach, which was a bit less awesome.
92
230000
3000
et nous avons suivi l’approche pratique, qui était un peu moins redoutable.
04:08
We said, well instead of releasing the full text,
93
233000
2000
On s’est dit, plutôt que de faire sortir le texte complet,
04:10
we're going to release statistics about the books.
94
235000
2000
nous allons faire sortir des statistiques sur les livres.
04:12
So take for instance "A gleam of happiness."
95
237000
2000
Prenez par exemple, « Une étincelle de bonheur ».
04:14
It's four words; we call that a four-gram.
96
239000
2000
Quatre mots ; on l’appelle quadri-gramme.
04:16
We're going to tell you how many times a particular four-gram
97
241000
2000
Nous allons vous dire combien de fois un quadri-gramme en particulier
04:18
appeared in books in 1801, 1802, 1803,
98
243000
2000
est apparu dans les livres en 1801, 1802, 1803,
04:20
all the way up to 2008.
99
245000
2000
jusqu’à 2008.
04:22
That gives us a time series
100
247000
2000
Cela nous donne une série temporelle
04:24
of how frequently this particular sentence was used over time.
101
249000
2000
sur la fréquence avec laquelle cette phrase en particulier a été utilisée dans le temps.
04:26
We do that for all the words and phrases that appear in those books,
102
251000
3000
Nous le faisons pour tous les mots et les phrases qui apparaissent dans ces livres,
04:29
and that gives us a big table of two billion lines
103
254000
3000
ce qui nous donne un tableau de deux milliards de lignes
04:32
that tell us about the way culture has been changing.
104
257000
2000
qui nous raconte les changements culturels.
04:34
ELA: So those two billion lines,
105
259000
2000
ELA : Donc ces deux milliards de lignes,
04:36
we call them two billion n-grams.
106
261000
2000
nous les appelons les deux milliards d’n-grammes.
04:38
What do they tell us?
107
263000
2000
Qu’est ce qu’ils nous disent?
04:40
Well the individual n-grams measure cultural trends.
108
265000
2000
L’n-gramme individuel mesure les tendances culturelles.
04:42
Let me give you an example.
109
267000
2000
Prenons un exemple.
04:44
Let's suppose that I am thriving,
110
269000
2000
Supposez que je sois épanoui,
04:46
then tomorrow I want to tell you about how well I did.
111
271000
2000
et demain matin je veux vous raconter comme j’étais bien.
04:48
And so I might say, "Yesterday, I throve."
112
273000
3000
Je pourrai donc dire, « Yesterday, I throve. » [Hier j’étais épanoui]
04:51
Alternatively, I could say, "Yesterday, I thrived."
113
276000
3000
Sinon, je pourrai dire, « Yesterday, I thrived.»
04:54
Well which one should I use?
114
279000
3000
Laquelle devrais-je utiliser ?
04:57
How to know?
115
282000
2000
Comment savoir ?
04:59
As of about six months ago,
116
284000
2000
Pour ce qui est d’il y a six mois,
05:01
the state of the art in this field
117
286000
2000
le dernier cri dans le domaine
05:03
is that you would, for instance,
118
288000
2000
est que, par exemple,
05:05
go up to the following psychologist with fabulous hair,
119
290000
2000
vous iriez chez le premier psychologue avec une coiffure fabuleuse,
05:07
and you'd say,
120
292000
2000
et vous diriez,
05:09
"Steve, you're an expert on the irregular verbs.
121
294000
3000
« Steve, tu es un expert en verbes irréguliers.
05:12
What should I do?"
122
297000
2000
qu’est ce que je devrais faire ? »
05:14
And he'd tell you, "Well most people say thrived,
123
299000
2000
Et il dirait, « La plupart des gens disent ‘thrived’,
05:16
but some people say throve."
124
301000
3000
mais certains disent ‘throve’»
05:19
And you also knew, more or less,
125
304000
2000
Et vous sauriez également que,
05:21
that if you were to go back in time 200 years
126
306000
3000
si vous deviez revenir en arrière de 200 ans
05:24
and ask the following statesman with equally fabulous hair,
127
309000
3000
et demander la même chose à un homme d’état avec la même coiffure,
05:27
(Laughter)
128
312000
3000
(Rires)
05:30
"Tom, what should I say?"
129
315000
2000
« Tom, qu’est que je devrais dire ? »
05:32
He'd say, "Well, in my day, most people throve,
130
317000
2000
Il dirait, « De nos jours, beaucoup disent ‘throve’,
05:34
but some thrived."
131
319000
3000
certains disent ‘thrived’»
05:37
So now what I'm just going to show you is raw data.
132
322000
2000
Maintenant ce que je vais vous montrer c’est des données bruts.
05:39
Two rows from this table of two billion entries.
133
324000
4000
Deux lignes de cette tableau de deux milliards d’entrées.
05:43
What you're seeing is year by year frequency
134
328000
2000
Ce que vous voyez c’est la fréquence année par année
05:45
of "thrived" and "throve" over time.
135
330000
3000
de « thrived » et « throve » dans le temps.
05:49
Now this is just two
136
334000
2000
Voici deux
05:51
out of two billion rows.
137
336000
3000
des deux milliards de lignes.
05:54
So the entire data set
138
339000
2000
L’entière série de données
05:56
is a billion times more awesome than this slide.
139
341000
3000
est un milliard de fois plus impressionnante que cette diapo.
05:59
(Laughter)
140
344000
2000
(Rires)
06:01
(Applause)
141
346000
4000
(Applaudissements)
06:05
JM: Now there are many other pictures that are worth 500 billion words.
142
350000
2000
JM : Il y a plein d’autres photos qui valent 500 milliards de mots.
06:07
For instance, this one.
143
352000
2000
Une par exemple.
06:09
If you just take influenza,
144
354000
2000
Si vous prenez la grippe,
06:11
you will see peaks at the time where you knew
145
356000
2000
vous voyez des pics dans les périodes pendant lesquelles vous saviez
06:13
big flu epidemics were killing people around the globe.
146
358000
3000
que les grandes grippes épidémiques tuaient les gens partout dans le monde.
06:16
ELA: If you were not yet convinced,
147
361000
3000
ELA : si vous n’êtes pas encore convaincu,
06:19
sea levels are rising,
148
364000
2000
le niveau des océans monte,
06:21
so is atmospheric CO2 and global temperature.
149
366000
3000
ainsi que le CO2 et la température globale.
06:24
JM: You might also want to have a look at this particular n-gram,
150
369000
3000
JM : Vous pourriez également jeter un coup d’œil à cet n-gramme,
06:27
and that's to tell Nietzsche that God is not dead,
151
372000
3000
et c’est pour dire à Nietzche que Dieu n’est pas mort,
06:30
although you might agree that he might need a better publicist.
152
375000
3000
bien que vous pourriez convenir qu’il ait besoin d’un meilleur attaché de presse.
06:33
(Laughter)
153
378000
2000
(Rires)
06:35
ELA: You can get at some pretty abstract concepts with this sort of thing.
154
380000
3000
ELA : Vous pouvez obtenir des concepts assez abstrait avec ce genre de chose.
06:38
For instance, let me tell you the history
155
383000
2000
Par exemple, je vais vous raconter l’histoire
06:40
of the year 1950.
156
385000
2000
de l’année 1950.
06:42
Pretty much for the vast majority of history,
157
387000
2000
Pendant la majeure partie de l’histoire,
06:44
no one gave a damn about 1950.
158
389000
2000
tout le monde s’est fiché de 1950.
06:46
In 1700, in 1800, in 1900,
159
391000
2000
En 1700, en 1800, en 1900,
06:48
no one cared.
160
393000
3000
personne ne s’en intéresse.
06:52
Through the 30s and 40s,
161
397000
2000
Pendant les années 30 et 40,
06:54
no one cared.
162
399000
2000
personne ne s’y intéresse.
06:56
Suddenly, in the mid-40s,
163
401000
2000
Tout à coup, au milieu des années 40,
06:58
there started to be a buzz.
164
403000
2000
une agitation débute.
07:00
People realized that 1950 was going to happen,
165
405000
2000
Les gens se rendent compte que 1950 approche,
07:02
and it could be big.
166
407000
2000
et ça peut être énorme.
07:04
(Laughter)
167
409000
3000
(Rires)
07:07
But nothing got people interested in 1950
168
412000
3000
Mais rien n’a intéressé personne à 1950
07:10
like the year 1950.
169
415000
3000
jusqu’à 1950.
07:13
(Laughter)
170
418000
3000
(Rires)
07:16
People were walking around obsessed.
171
421000
2000
Les gens se promenaient de touts les côtés obsédés.
07:18
They couldn't stop talking
172
423000
2000
Ils n’arrêtaient pas de parler
07:20
about all the things they did in 1950,
173
425000
3000
de tout ce qu’ils avaient fait en 1950,
07:23
all the things they were planning to do in 1950,
174
428000
3000
tout ce qu’ils prévoyaient de faire en 1950,
07:26
all the dreams of what they wanted to accomplish in 1950.
175
431000
5000
tous les rêves qu’ils voulaient accomplir en 1950.
07:31
In fact, 1950 was so fascinating
176
436000
2000
En fait, 1950 était si fascinant
07:33
that for years thereafter,
177
438000
2000
que dans les années qui ont suivi,
07:35
people just kept talking about all the amazing things that happened,
178
440000
3000
les gens n’arrêtaient pas de parler de toutes les choses extraordinaires qui étaient arrivées
07:38
in '51, '52, '53.
179
443000
2000
en 51, 52, 53.
07:40
Finally in 1954,
180
445000
2000
Finalement en 1954,
07:42
someone woke up and realized
181
447000
2000
quelqu’un s’est levé et s’est rendu compte
07:44
that 1950 had gotten somewhat passé.
182
449000
4000
que 1950 en quelque sorte était passé.
07:48
(Laughter)
183
453000
2000
(Rires)
07:50
And just like that, the bubble burst.
184
455000
2000
Et tout d’un coup, la bulle a éclaté.
07:52
(Laughter)
185
457000
2000
(Rires)
07:54
And the story of 1950
186
459000
2000
Et l’histoire de 1950
07:56
is the story of every year that we have on record,
187
461000
2000
est l’histoire de chaque année pour laquelle nous avons un passé,
07:58
with a little twist, because now we've got these nice charts.
188
463000
3000
avec un petit zest, puisque nous avons maintenant ces beaux diagrammes.
08:01
And because we have these nice charts, we can measure things.
189
466000
3000
Et vu que nous avons ces beaux diagrammes, nous pouvons mesurer les choses.
08:04
We can say, "Well how fast does the bubble burst?"
190
469000
2000
Nous sommes en mesure de dire, « A quelle vitesse la bulle a éclaté »
08:06
And it turns out that we can measure that very precisely.
191
471000
3000
Et il s’avère que nous pouvons la mesurer avec précision.
08:09
Equations were derived, graphs were produced,
192
474000
3000
Nous en avons dérivé des équations et des représentations graphiques,
08:12
and the net result
193
477000
2000
et le résultat final
08:14
is that we find that the bubble bursts faster and faster
194
479000
3000
est que nous découvrons que la bulle a éclaté de plus en plus vite
08:17
with each passing year.
195
482000
2000
à chaque année qui passait.
08:19
We are losing interest in the past more rapidly.
196
484000
5000
Nous perdons intérêt pour le passé rapidement.
08:24
JM: Now a little piece of career advice.
197
489000
2000
JM : Maintenant un tout petit conseil pour la carrière.
08:26
So for those of you who seek to be famous,
198
491000
2000
Pour ceux parmi vous qui cherchent à devenir célèbres,
08:28
we can learn from the 25 most famous political figures,
199
493000
2000
nous pouvons apprendre des 35 personnages politiques les plus célèbres,
08:30
authors, actors and so on.
200
495000
2000
écrivains, acteurs et ainsi de suite.
08:32
So if you want to become famous early on, you should be an actor,
201
497000
3000
Si vous voulez devenir célèbre très tôt, vous devriez vous faire acteur,
08:35
because then fame starts rising by the end of your 20s --
202
500000
2000
parce que la célébrité commence à monter vers la fin de la vingtaine --
08:37
you're still young, it's really great.
203
502000
2000
vous êtes encore jeunes, c’est fabuleux.
08:39
Now if you can wait a little bit, you should be an author,
204
504000
2000
Si vous pouvez attendre un peu, vous devriez vous faire écrivain,
08:41
because then you rise to very great heights,
205
506000
2000
parce qu’ensuite vous montez très haut,
08:43
like Mark Twain, for instance: extremely famous.
206
508000
2000
comme Mark Twain, par exemple : très célèbre.
08:45
But if you want to reach the very top,
207
510000
2000
Mais si vous voulez atteindre le sommet,
08:47
you should delay gratification
208
512000
2000
vous devriez retarder la gratification
08:49
and, of course, become a politician.
209
514000
2000
et, bien sûr, devenir un personnage politique.
08:51
So here you will become famous by the end of your 50s,
210
516000
2000
Et là vous devenez célèbre à la fin de la cinquantaine,
08:53
and become very, very famous afterward.
211
518000
2000
et vous devenez très, très célèbre plus tard.
08:55
So scientists also tend to get famous when they're much older.
212
520000
3000
Les scientifiques ont tendance à devenir célèbres quand ils sont plus âgés.
08:58
Like for instance, biologists and physics
213
523000
2000
Comme par exemple, les biologistes et les physicistes
09:00
tend to be almost as famous as actors.
214
525000
2000
ont tendance à être célèbre autant que les acteurs.
09:02
One mistake you should not do is become a mathematician.
215
527000
3000
Une erreur à ne pas faire est de devenir mathématicien.
09:05
(Laughter)
216
530000
2000
(Rires)
09:07
If you do that,
217
532000
2000
En faisant ça,
09:09
you might think, "Oh great. I'm going to do my best work when I'm in my 20s."
218
534000
3000
vous pourriez penser, « Super. Je vais faire mon meilleur travail à vingt ans. »
09:12
But guess what, nobody will really care.
219
537000
2000
Mais devinez, personne ne s’y intéresse vraiment.
09:14
(Laughter)
220
539000
3000
(Rires)
09:17
ELA: There are more sobering notes
221
542000
2000
ELA : Il y a encore des notes qui donnent à penser
09:19
among the n-grams.
222
544000
2000
parmi les n-grammes.
09:21
For instance, here's the trajectory of Marc Chagall,
223
546000
2000
Par exemple, voici la trajectoire de Marc Chagall,
09:23
an artist born in 1887.
224
548000
2000
un artiste né en 1887.
09:25
And this looks like the normal trajectory of a famous person.
225
550000
3000
Et ça ressemble à une normale trajectoire d’une personne célèbre.
09:28
He gets more and more and more famous,
226
553000
4000
Il devient de plus en plus célèbre,
09:32
except if you look in German.
227
557000
2000
sauf si vous regardez l’allemand.
09:34
If you look in German, you see something completely bizarre,
228
559000
2000
Si vous regardez l’allemand, vous voyez quelque chose de bizarre,
09:36
something you pretty much never see,
229
561000
2000
quelque chose que normalement vous ne voyez pas,
09:38
which is he becomes extremely famous
230
563000
2000
qui est qu’il devient extrêmement célèbre
09:40
and then all of a sudden plummets,
231
565000
2000
et tout à coup il s’effondre,
09:42
going through a nadir between 1933 and 1945,
232
567000
3000
en passant par un nadir entre 1933 et 1945,
09:45
before rebounding afterward.
233
570000
3000
avant de rebondir tout de suite après.
09:48
And of course, what we're seeing
234
573000
2000
Et bien sur, ce que nous voyons
09:50
is the fact Marc Chagall was a Jewish artist
235
575000
3000
est que Marc Chagall était un artiste juif
09:53
in Nazi Germany.
236
578000
2000
dans l’Allemagne des Nazis.
09:55
Now these signals
237
580000
2000
Ces signaux
09:57
are actually so strong
238
582000
2000
sont tellement forts
09:59
that we don't need to know that someone was censored.
239
584000
3000
que nous n’avons pas besoin de savoir que quelqu’un a été censuré.
10:02
We can actually figure it out
240
587000
2000
On peut s’en apercevoir
10:04
using really basic signal processing.
241
589000
2000
en utilisant un traitement des signaux élémentaires.
10:06
Here's a simple way to do it.
242
591000
2000
Voici une manière simple de le faire.
10:08
Well, a reasonable expectation
243
593000
2000
Une prévision raisonnable
10:10
is that somebody's fame in a given period of time
244
595000
2000
est que la célébrité de quelqu’un sur une période donnée de temps
10:12
should be roughly the average of their fame before
245
597000
2000
devrait être à peu près la moyenne de sa célébrité avant
10:14
and their fame after.
246
599000
2000
et de sa célébrité après.
10:16
So that's sort of what we expect.
247
601000
2000
Voici à peu près ce à quoi l’on s’attend.
10:18
And we compare that to the fame that we observe.
248
603000
3000
Et nous comparons ceci avec la célébrité que nous observons.
10:21
And we just divide one by the other
249
606000
2000
Et nous divisions l’un par l’autre
10:23
to produce something we call a suppression index.
250
608000
2000
pour obtenir une chose que nous appelons un index de suppression.
10:25
If the suppression index is very, very, very small,
251
610000
3000
Si l’index de suppression est très, très, très petit,
10:28
then you very well might be being suppressed.
252
613000
2000
alors vous avez très probablement été supprimé.
10:30
If it's very large, maybe you're benefiting from propaganda.
253
615000
3000
S’il est très grand, vous avez peut-être bénéficié de la propagande.
10:34
JM: Now you can actually look at
254
619000
2000
JM : En fait vous pouvez regarder
10:36
the distribution of suppression indexes over whole populations.
255
621000
3000
la distribution des index de suppression sur toutes les populations.
10:39
So for instance, here --
256
624000
2000
Donc par exemple, ici --
10:41
this suppression index is for 5,000 people
257
626000
2000
cet index de suppression est de 5000 personnes
10:43
picked in English books where there's no known suppression --
258
628000
2000
prises dans des livres anglais où il n’y a pas de suppression --
10:45
it would be like this, basically tightly centered on one.
259
630000
2000
ce serait comme ça, en fait très centré sur une.
10:47
What you expect is basically what you observe.
260
632000
2000
Ce que vous vous attendez c’est ce que vous voyez.
10:49
This is distribution as seen in Germany --
261
634000
2000
Voila la distribution vue en Allemagne --
10:51
very different, it's shifted to the left.
262
636000
2000
très différente, déplacée sur la gauche.
10:53
People talked about it twice less as it should have been.
263
638000
3000
Les gens en parlaient deux fois moins que ce qu’ils auraient dû.
10:56
But much more importantly, the distribution is much wider.
264
641000
2000
Mais encore plus important, la distribution est plus large.
10:58
There are many people who end up on the far left on this distribution
265
643000
3000
Il y a plus de personnes qui tombent à l’extrême gauche de cette distribution
11:01
who are talked about 10 times fewer than they should have been.
266
646000
3000
de qui on a parlé 10 fois moins de ce qu’on aurait dû.
11:04
But then also many people on the far right
267
649000
2000
Mai également beaucoup de personnes à l’extrême droite
11:06
who seem to benefit from propaganda.
268
651000
2000
qui paraissent bénéficier de la propagande.
11:08
This picture is the hallmark of censorship in the book record.
269
653000
3000
Cette image est la marque de la censure dans les archives des livres.
11:11
ELA: So culturomics
270
656000
2000
ELA : Donc « culturomique »
11:13
is what we call this method.
271
658000
2000
c’est le mot que nous employons pour définir cette méthode.
11:15
It's kind of like genomics.
272
660000
2000
C’est un peu comme la génomique.
11:17
Except genomics is a lens on biology
273
662000
2000
Sauf que la génomique est une lentille sur la biologie
11:19
through the window of the sequence of bases in the human genome.
274
664000
3000
à travers la fenêtre de la séquence des bases dans le génome humain.
11:22
Culturomics is similar.
275
667000
2000
La culturomique est similaire.
11:24
It's the application of massive-scale data collection analysis
276
669000
3000
C’est l’application sur grande échelle de l’analyse du recueil de données
11:27
to the study of human culture.
277
672000
2000
à l’étude de la culture humaine.
11:29
Here, instead of through the lens of a genome,
278
674000
2000
Ici, plutôt qu’à travers la lentille d’un génome,
11:31
through the lens of digitized pieces of the historical record.
279
676000
3000
à travers la lentille d’un morceau des archives numérisées.
11:34
The great thing about culturomics
280
679000
2000
Ce qui est génial à propos de la culturomique
11:36
is that everyone can do it.
281
681000
2000
c’est que tout le monde peut le faire.
11:38
Why can everyone do it?
282
683000
2000
Pourquoi tout le monde peut le faire ?
11:40
Everyone can do it because three guys,
283
685000
2000
Tout le monde peut le faire parce que trois gars,
11:42
Jon Orwant, Matt Gray and Will Brockman over at Google,
284
687000
3000
Jon Orwant, Matt Gray et Will Brockman de chez Google,
11:45
saw the prototype of the Ngram Viewer,
285
690000
2000
ont vu le prototype du Ngram Viewer,
11:47
and they said, "This is so fun.
286
692000
2000
et ils ont dit, « C’est marrant.
11:49
We have to make this available for people."
287
694000
3000
Nous devons le rendre disponible à tout le monde. »
11:52
So in two weeks flat -- the two weeks before our paper came out --
288
697000
2000
En deux semaines – les deux semaines qui ont précédé la sortie de notre article --
11:54
they coded up a version of the Ngram Viewer for the general public.
289
699000
3000
ils ont codé une version du Ngram Viewer tout public.
11:57
And so you too can type in any word or phrase that you're interested in
290
702000
3000
Donc vous aussi vous pouvez taper n’importe quel mot ou phrase qui vous intéresse
12:00
and see its n-gram immediately --
291
705000
2000
et voir son n-grammes immédiatement --
12:02
also browse examples of all the various books
292
707000
2000
vous pouvez aussi feuilleter tous les livres
12:04
in which your n-gram appears.
293
709000
2000
dans lesquelles votre n-gramme apparaît.
12:06
JM: Now this was used over a million times on the first day,
294
711000
2000
JM : Il a été utilisé plus d’un million de fois le premier jour,
12:08
and this is really the best of all the queries.
295
713000
2000
et c’est vraiment la meilleure de toutes les interrogations.
12:10
So people want to be their best, put their best foot forward.
296
715000
3000
Les gens veulent faire de leurs mieux [best], ils mettent leur meilleur [best] pied avant.
12:13
But it turns out in the 18th century, people didn't really care about that at all.
297
718000
3000
Mais il s’avère qu’au 18° siècle, les gens ne s’y intéressaient pas du tout.
12:16
They didn't want to be their best, they wanted to be their beft.
298
721000
3000
Ils ne voulaient pas faire de leur « best », ils voulaient faire de leur « beft ».
12:19
So what happened is, of course, this is just a mistake.
299
724000
3000
Ce qui est arrivé, bien sur, c’est que c’est une erreur.
12:22
It's not that strove for mediocrity,
300
727000
2000
Ils n’étaient pas à la recherche de la médiocrité.
12:24
it's just that the S used to be written differently, kind of like an F.
301
729000
3000
c’est que le S s’écrivait différemment, un peu comme un F.
12:27
Now of course, Google didn't pick this up at the time,
302
732000
3000
Bien sur, Google ne s’en est pas aperçu,
12:30
so we reported this in the science article that we wrote.
303
735000
3000
nous avons donc rapporté ceci dans l’article scientifique que nous avons écrit.
12:33
But it turns out this is just a reminder
304
738000
2000
Mais il s’avère que c’est juste un rappel
12:35
that, although this is a lot of fun,
305
740000
2000
sur le fait que malgré tout ceci soit amusant,
12:37
when you interpret these graphs, you have to be very careful,
306
742000
2000
en interprétant ces graphes, il faut faire très attention,
12:39
and you have to adopt the base standards in the sciences.
307
744000
3000
et il faut adopter les standards de base de la science.
12:42
ELA: People have been using this for all kinds of fun purposes.
308
747000
3000
ELA : Les gens l’ont utilisé pour toutes sortes de raisons amusantes.
12:45
(Laughter)
309
750000
7000
(Rires)
12:52
Actually, we're not going to have to talk,
310
757000
2000
En fait, nous n'allons pas parler,
12:54
we're just going to show you all the slides and remain silent.
311
759000
3000
nous allons juste vous montrer toutes les diapos et nous taire.
12:57
This person was interested in the history of frustration.
312
762000
3000
Cette personne s'est intéressée à l’histoire de la frustration.
13:00
There's various types of frustration.
313
765000
3000
Il y a différents types de frustration.
13:03
If you stub your toe, that's a one A "argh."
314
768000
3000
Si vous vous cognez l’orteil, en voilà une avec 1 A « argh ».
13:06
If the planet Earth is annihilated by the Vogons
315
771000
2000
Si la terre est anéantie par les Vogons
13:08
to make room for an interstellar bypass,
316
773000
2000
pour faire de la place à un voyageur intergalactique,
13:10
that's an eight A "aaaaaaaargh."
317
775000
2000
c’est avec 8 A « aaaaaaaargh ».
13:12
This person studies all the "arghs,"
318
777000
2000
Cette personne étudie tous les « argh »,
13:14
from one through eight A's.
319
779000
2000
de 1 à 8 A.
13:16
And it turns out
320
781000
2000
Et il s’avère
13:18
that the less-frequent "arghs"
321
783000
2000
que les « argh » moins fréquents
13:20
are, of course, the ones that correspond to things that are more frustrating --
322
785000
3000
sont, bien sûr, ceux qui correspondent aux choses les plus frustrantes --
13:23
except, oddly, in the early 80s.
323
788000
3000
sauf, curieusement, au début des années 80.
13:26
We think that might have something to do with Reagan.
324
791000
2000
Nous pensons que ça pourrait avoir à faire avec Reagan,
13:28
(Laughter)
325
793000
2000
(Rires)
13:30
JM: There are many usages of this data,
326
795000
3000
JM : Il y a plusieurs utilisations de ces données,
13:33
but the bottom line is that the historical record is being digitized.
327
798000
3000
mais la vérité est que nous sommes en train de numériser les archives historiques.
13:36
Google has started to digitize 15 million books.
328
801000
2000
Google a commencé à numériser 15 millions de livres.
13:38
That's 12 percent of all the books that have ever been published.
329
803000
2000
C’est 12 pour cent de tous les livres qui aient jamais été publiés.
13:40
It's a sizable chunk of human culture.
330
805000
3000
C’est un gros morceau de la culture humaine.
13:43
There's much more in culture: there's manuscripts, there newspapers,
331
808000
3000
Il y a beaucoup plus dans la culture : il y a les manuscrits, il y a les journaux,
13:46
there's things that are not text, like art and paintings.
332
811000
2000
il y a tout ce qui n’est pas texte, comme l’art et les tableaux.
13:48
These all happen to be on our computers,
333
813000
2000
Tout ceci est dans nos ordinateurs,
13:50
on computers across the world.
334
815000
2000
dans les ordinateurs du monde entier.
13:52
And when that happens, that will transform the way we have
335
817000
3000
Et dans le temps, ça transformera la manière dont
13:55
to understand our past, our present and human culture.
336
820000
2000
nous comprenons notre passé, notre culture humaine du présent.
13:57
Thank you very much.
337
822000
2000
Merci beaucoup.
13:59
(Applause)
338
824000
3000
(Applaudissements)
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