TEDxMidAtlantic 2013
Jennifer Golbeck: Your social media "likes" expose more than you think
Jennifer Golbeck: L'énigme de la frite bouclée : pourquoi les mentions « J'aime » des médias sociaux en disent plus qu'on ne pense.
Filmed:
Readability: 4.5
2,366,837 views
On peut faire beaucoup de choses avec les données internet. Mais savez-vous que les informaticiens ont déterminé qu'aimer une page Facebook sur les frites bouclées veut aussi dire que vous êtes intelligent ? Vraiment. L'informaticienne Jennifer Golbeck explique comment c'est arrivé, comment certaines applications de la technologie ne sont pas aussi bénignes - et pourquoi elle pense que nous devrions rendre une partie de ce contrôle des informations à leurs propriétaires.
Jennifer Golbeck - Computer scientist
As the director of the Human-Computer Interaction Lab at the University of Maryland, Jennifer Golbeck studies how people use social media -- and thinks about ways to improve their interactions. Full bio
As the director of the Human-Computer Interaction Lab at the University of Maryland, Jennifer Golbeck studies how people use social media -- and thinks about ways to improve their interactions. Full bio
Double-click the English transcript below to play the video.
00:12
If you remember that first decade of the web,
0
738
1997
Si vous vous souvenez
des débuts de l'internet,
des débuts de l'internet,
00:14
it was really a static place.
1
2735
2255
c'était vraiment très statique.
00:16
You could go online, you could look at pages,
2
4990
2245
Vous pouviez aller en ligne,
regarder des pages internet,
regarder des pages internet,
00:19
and they were put up either by organizations
3
7235
2513
mises en ligne par des organisations
00:21
who had teams to do it
4
9748
1521
qui avaient des équipes pour le faire
00:23
or by individuals who were really tech-savvy
5
11269
2229
ou par des individus
qui s'y connaissaient
qui s'y connaissaient
00:25
for the time.
6
13498
1737
vraiment en nouvelles technologies.
00:27
And with the rise of social media
7
15235
1575
Et avec la montée des médias sociaux
00:28
and social networks in the early 2000s,
8
16810
2399
et des réseaux sociaux
au début des années 2000,
au début des années 2000,
00:31
the web was completely changed
9
19209
2149
la toile est devenue
00:33
to a place where now the vast majority of content
10
21358
3608
un endroit où maintenant
la majorité du contenu
la majorité du contenu
00:36
we interact with is put up by average users,
11
24966
3312
que nous pouvons voir est mis en ligne
par des utilisateurs moyens,
par des utilisateurs moyens,
00:40
either in YouTube videos or blog posts
12
28278
2697
que ce soit des vidéos sur YouTube
ou des articles de blogs
ou des articles de blogs
00:42
or product reviews or social media postings.
13
30975
3315
ou des critiques de produits
ou des messages de médias sociaux.
ou des messages de médias sociaux.
00:46
And it's also become a much more interactive place,
14
34290
2347
C'est devenu
cet endroit bien plus interactif,
cet endroit bien plus interactif,
00:48
where people are interacting with others,
15
36637
2637
où les gens interagissent
les uns avec les autres,
les uns avec les autres,
00:51
they're commenting, they're sharing,
16
39274
1696
ils commentent, ils partagent,
00:52
they're not just reading.
17
40970
1614
ils ne font pas que lire.
00:54
So Facebook is not the only place you can do this,
18
42584
1866
Il n'y a pas que Facebook évidemment,
00:56
but it's the biggest,
19
44450
1098
mais c'est le plus important,
00:57
and it serves to illustrate the numbers.
20
45548
1784
et il sert à illustrer le propos.
00:59
Facebook has 1.2 billion users per month.
21
47332
3477
Facebook a 1,2 milliards
d'utilisateurs par mois.
d'utilisateurs par mois.
01:02
So half the Earth's Internet population
22
50809
1930
La moitié de la population internet
de la Terre
de la Terre
01:04
is using Facebook.
23
52739
1653
utilise Facebook.
01:06
They are a site, along with others,
24
54392
1932
C'est un site, comme d'autres,
01:08
that has allowed people to create an online persona
25
56324
3219
qui permet aux gens
de se créer un personnage internet
de se créer un personnage internet
01:11
with very little technical skill,
26
59543
1782
sans grandes connaissances techniques,
01:13
and people responded by putting huge amounts
27
61325
2476
et les gens y mettent
une quantité énorme
une quantité énorme
01:15
of personal data online.
28
63801
1983
de données personnelles.
01:17
So the result is that we have behavioral,
29
65784
2543
On se retrouve donc
avec des données comportementales,
avec des données comportementales,
01:20
preference, demographic data
30
68327
1986
préférentielles, démographiques
01:22
for hundreds of millions of people,
31
70313
2101
pour des centaines
de millions de personnes,
de millions de personnes,
01:24
which is unprecedented in history.
32
72414
2026
pour la première fois dans l'histoire.
01:26
And as a computer scientist,
what this means is that
what this means is that
33
74440
2560
En tant qu'informaticienne,
ça signifie que
ça signifie que
01:29
I've been able to build models
34
77000
1664
j'ai pu construire des modèles
01:30
that can predict all sorts of hidden attributes
35
78664
2322
qui peuvent prédire
toutes sortes d'attributs cachés
toutes sortes d'attributs cachés
01:32
for all of you that you don't even know
36
80986
2284
sur vous sans savoir que
01:35
you're sharing information about.
37
83270
2202
vous partagez ce genre d'informations.
01:37
As scientists, we use that to help
38
85472
2382
En tant que scientifiques,
on utilise ça pour aider
on utilise ça pour aider
01:39
the way people interact online,
39
87854
2114
les gens à mieux interagir en ligne,
01:41
but there's less altruistic applications,
40
89968
2499
mais il y a aussi des utilisations
bien moins altruistes,
bien moins altruistes,
01:44
and there's a problem in that users don't really
41
92467
2381
et le problème est que
les utilisateurs ne comprennent pas
les utilisateurs ne comprennent pas
01:46
understand these techniques and how they work,
42
94848
2470
vraiment ces techniques
ni comment elles fonctionnent,
ni comment elles fonctionnent,
01:49
and even if they did, they don't
have a lot of control over it.
have a lot of control over it.
43
97318
3128
et même s'ils les comprenaient,
ils ne peuvent pas les contrôler.
ils ne peuvent pas les contrôler.
01:52
So what I want to talk to you about today
44
100446
1490
Donc, j'aimerais
vous parler aujourd'hui
vous parler aujourd'hui
01:53
is some of these things that we're able to do,
45
101936
2702
de certaines de ces choses
que l'on peut faire,
que l'on peut faire,
01:56
and then give us some ideas
of how we might go forward
of how we might go forward
46
104638
2763
et donner une petite idée
sur comment
sur comment
01:59
to move some control back into the hands of users.
47
107401
2769
redonner un peu
de ce contrôle aux utilisateurs.
de ce contrôle aux utilisateurs.
02:02
So this is Target, the company.
48
110170
1586
Voici Target, l'entreprise.
02:03
I didn't just put that logo
49
111756
1324
Je n'ai pas mis ce logo
02:05
on this poor, pregnant woman's belly.
50
113080
2170
sur le ventre
de cette femme enceinte.
de cette femme enceinte.
02:07
You may have seen this anecdote that was printed
51
115250
1840
Vous avez peut-être
entendu parler de cette histoire:
entendu parler de cette histoire:
02:09
in Forbes magazine where Target
52
117090
2061
Target a envoyé
02:11
sent a flyer to this 15-year-old girl
53
119151
2361
un prospectus
à cette jeune fille de 15 ans
à cette jeune fille de 15 ans
02:13
with advertisements and coupons
54
121512
1710
avec de la publicité
et des ristournes
et des ristournes
02:15
for baby bottles and diapers and cribs
55
123222
2554
pour des biberons,
des langes et des berceaux
des langes et des berceaux
02:17
two weeks before she told her parents
56
125776
1684
deux semaines avant
qu'elle ne dise à ces parents
qu'elle ne dise à ces parents
02:19
that she was pregnant.
57
127460
1864
qu'elle était enceinte.
02:21
Yeah, the dad was really upset.
58
129324
2704
Oui, le père n'était pas content.
02:24
He said, "How did Target figure out
59
132028
1716
Il a dit :
« Comment Target a-t-il compris
« Comment Target a-t-il compris
02:25
that this high school girl was pregnant
60
133744
1824
que cette ado était enceinte
02:27
before she told her parents?"
61
135568
1960
avant même qu'elle le dise
à ces parents ? »
à ces parents ? »
02:29
It turns out that they have the purchase history
62
137528
2621
En fait, Target garde
un historique d'achat
un historique d'achat
02:32
for hundreds of thousands of customers
63
140149
2301
pour des centaines de milliers de clients
02:34
and they compute what they
call a pregnancy score,
call a pregnancy score,
64
142450
2730
et ils calculent ce qu'ils appellent
un score de grossesse,
un score de grossesse,
02:37
which is not just whether or
not a woman's pregnant,
not a woman's pregnant,
65
145180
2332
qui ne dit pas simplement
si une femme est enceinte ou pas,
si une femme est enceinte ou pas,
02:39
but what her due date is.
66
147512
1730
mais aussi sa date d'accouchement.
02:41
And they compute that
67
149242
1304
Et ils calculent cela
02:42
not by looking at the obvious things,
68
150546
1768
pas en regardant ce qui est flagrant,
02:44
like, she's buying a crib or baby clothes,
69
152314
2512
comme le fait qu'elle achète un berceau
ou des vêtements pour bébés,
ou des vêtements pour bébés,
02:46
but things like, she bought more vitamins
70
154826
2943
mais comme le fait
qu'elle achète plus de vitamines
qu'elle achète plus de vitamines
02:49
than she normally had,
71
157769
1717
que d'habitude,
02:51
or she bought a handbag
72
159486
1464
ou elle a acheté un sac
02:52
that's big enough to hold diapers.
73
160950
1711
assez grand pour y mettre des langes.
02:54
And by themselves, those purchases don't seem
74
162661
1910
Seuls, ces achats ne semblent pas
02:56
like they might reveal a lot,
75
164571
2469
révéler grand chose,
02:59
but it's a pattern of behavior that,
76
167040
1978
mais c'est une suite
de comportements qui,
de comportements qui,
03:01
when you take it in the context
of thousands of other people,
of thousands of other people,
77
169018
3117
quand vous le prenez dans un contexte
de milliers d'autres personnes,
de milliers d'autres personnes,
03:04
starts to actually reveal some insights.
78
172135
2757
commence à donner
une certaine idée.
une certaine idée.
03:06
So that's the kind of thing that we do
79
174892
1793
C'est ce genre de choses-là
que l'on fait
que l'on fait
03:08
when we're predicting stuff
about you on social media.
about you on social media.
80
176685
2567
quand on prédit des choses
sur vous sur les médias sociaux.
sur vous sur les médias sociaux.
03:11
We're looking for little
patterns of behavior that,
patterns of behavior that,
81
179252
2796
On va chercher
des suites de comportements qui,
des suites de comportements qui,
03:14
when you detect them among millions of people,
82
182048
2682
quand vous les détectez
parmi des millions de gens,
parmi des millions de gens,
03:16
lets us find out all kinds of things.
83
184730
2706
nous permet de trouver
des tas de choses.
des tas de choses.
03:19
So in my lab and with colleagues,
84
187436
1747
Dans mon laboratoire,
avec mes collègues,
avec mes collègues,
03:21
we've developed mechanisms where we can
85
189183
1777
nous avons développé
des mécanismes qui nous permettent
des mécanismes qui nous permettent
03:22
quite accurately predict things
86
190960
1560
de prédire certaines choses
très précisément,
très précisément,
03:24
like your political preference,
87
192520
1725
comme votre penchant politique,
03:26
your personality score, gender, sexual orientation,
88
194245
3752
votre score de personnalité,
votre sexe, orientation sexuelle,
votre sexe, orientation sexuelle,
03:29
religion, age, intelligence,
89
197997
2873
religion, âge, intelligence,
03:32
along with things like
90
200870
1394
comme aussi
03:34
how much you trust the people you know
91
202264
1937
si vous faites confiance
aux gens que vous connaissez
aux gens que vous connaissez
03:36
and how strong those relationships are.
92
204201
1804
et si ces liens sont forts ou pas.
03:38
We can do all of this really well.
93
206005
1785
On peut savoir tout ça très facilement.
03:39
And again, it doesn't come from what you might
94
207790
2197
Et de nouveau,
ça ne vient pas forcément
ça ne vient pas forcément
03:41
think of as obvious information.
95
209987
2102
d'informations flagrantes.
03:44
So my favorite example is from this study
96
212089
2281
Mon exemple préféré
vient de cette étude
vient de cette étude
03:46
that was published this year
97
214370
1240
publiée il y a un an
03:47
in the Proceedings of the National Academies.
98
215610
1795
dans les « Proceedings
of the National Academies ».
of the National Academies ».
03:49
If you Google this, you'll find it.
99
217405
1285
Vous pouvez la trouver sur Google.
03:50
It's four pages, easy to read.
100
218690
1872
Quatre pages,
très faciles à lire.
très faciles à lire.
03:52
And they looked at just people's Facebook likes,
101
220562
3003
Ils n'ont regardé que
les mentions « J'aime » de Facebook,
les mentions « J'aime » de Facebook,
03:55
so just the things you like on Facebook,
102
223565
1920
ce que vous pouvez aimer sur Facebook,
03:57
and used that to predict all these attributes,
103
225485
2138
et utilisé ça pour prédire
toutes ces caractéristiques,
toutes ces caractéristiques,
03:59
along with some other ones.
104
227623
1645
et d'autres encore.
04:01
And in their paper they listed the five likes
105
229268
2961
Et dans leur article,
ils ont listé ces 5 mentions « J'aime »
ils ont listé ces 5 mentions « J'aime »
04:04
that were most indicative of high intelligence.
106
232229
2787
les plus indicatives
d'une grande intelligence.
d'une grande intelligence.
04:07
And among those was liking a page
107
235016
2324
Et parmi celles-là,
il y avait un mention « J'aime »
il y avait un mention « J'aime »
04:09
for curly fries. (Laughter)
108
237340
1905
pour les frites bouclées.
(Rires)
(Rires)
04:11
Curly fries are delicious,
109
239245
2093
C'est délicieux les frites bouclées,
04:13
but liking them does not necessarily mean
110
241338
2530
mais les aimer ne veut pas
nécessairement dire
nécessairement dire
04:15
that you're smarter than the average person.
111
243868
2080
que vous êtes plus
intelligent que la moyenne.
intelligent que la moyenne.
04:17
So how is it that one of the strongest indicators
112
245948
3207
Donc, comment cela se fait-il
qu'un des indicateurs les plus importants
qu'un des indicateurs les plus importants
04:21
of your intelligence
113
249155
1570
de votre intelligence
04:22
is liking this page
114
250725
1447
est le fait d'aimer cette page
04:24
when the content is totally irrelevant
115
252172
2252
alors que le contenu est sans rapport
04:26
to the attribute that's being predicted?
116
254424
2527
avec l'attribut qu'il prédit ?
04:28
And it turns out that we have to look at
117
256951
1584
Nous avons dû étudier
04:30
a whole bunch of underlying theories
118
258535
1618
toute une série de théories
04:32
to see why we're able to do this.
119
260153
2569
pour comprendre
comment on peut y arriver.
comment on peut y arriver.
04:34
One of them is a sociological
theory called homophily,
theory called homophily,
120
262722
2913
L'une d'elle est
une théorie sociale appelée homophilie,
une théorie sociale appelée homophilie,
04:37
which basically says people are
friends with people like them.
friends with people like them.
121
265635
3092
qui dit que les gens sont en général amis
avec des gens comme eux.
avec des gens comme eux.
04:40
So if you're smart, you tend to
be friends with smart people,
be friends with smart people,
122
268727
2014
Si vous êtes intelligents, vous allez
être amis avec des gens intelligents,
être amis avec des gens intelligents,
04:42
and if you're young, you tend
to be friends with young people,
to be friends with young people,
123
270741
2630
et si vous êtes jeunes, vous allez
être amis avec des jeunes,
être amis avec des jeunes,
04:45
and this is well established
124
273371
1627
C'est un fait averé
04:46
for hundreds of years.
125
274998
1745
depuis des centaines d'années.
04:48
We also know a lot
126
276743
1232
On sait aussi
04:49
about how information spreads through networks.
127
277975
2550
comment les informations
se répandent sur les réseaux.
se répandent sur les réseaux.
04:52
It turns out things like viral videos
128
280525
1754
En fait, les vidéos virales
04:54
or Facebook likes or other information
129
282279
2406
ou les mentions « J'aime » sur Facebook
ou d'autres informations
ou d'autres informations
04:56
spreads in exactly the same way
130
284685
1888
se répandent de la même façon
04:58
that diseases spread through social networks.
131
286573
2454
que les maladies.
05:01
So this is something we've studied for a long time.
132
289027
1791
C'est quelque chose
qu'on étudie depuis longtemps.
qu'on étudie depuis longtemps.
05:02
We have good models of it.
133
290818
1576
On en a fait de bon modèles.
05:04
And so you can put those things together
134
292394
2157
On peut donc mettre
toutes ces choses ensemble
toutes ces choses ensemble
05:06
and start seeing why things like this happen.
135
294551
3088
et voir pourquoi ce genre de choses arrive.
05:09
So if I were to give you a hypothesis,
136
297639
1814
Donc, si je devais faire une hypothèse :
05:11
it would be that a smart guy started this page,
137
299453
3227
c'est quelqu'un d'intelligent
qui a commencé cette page,
qui a commencé cette page,
05:14
or maybe one of the first people who liked it
138
302680
1939
ou qu'une des premières personnes
qui l'a aimée
qui l'a aimée
05:16
would have scored high on that test.
139
304619
1736
avait un haut score d'intelligence.
05:18
And they liked it, and their friends saw it,
140
306355
2288
Et il l'a aimé, et ses amis l'ont vu,
05:20
and by homophily, we know that
he probably had smart friends,
he probably had smart friends,
141
308643
3122
et par homophilie,
on sait qu'il a des amis intelligents,
on sait qu'il a des amis intelligents,
05:23
and so it spread to them,
and some of them liked it,
and some of them liked it,
142
311765
3056
et ça s'est répandu chez eux,
et ils l'ont aimé,
et ils l'ont aimé,
05:26
and they had smart friends,
143
314821
1189
et ils avaient des amis intelligents,
05:28
and so it spread to them,
144
316010
807
et ça s'est répandu chez eux,
05:28
and so it propagated through the network
145
316817
1973
et comme ça à travers le réseau,
05:30
to a host of smart people,
146
318790
2569
chez plein de gens intelligents,
05:33
so that by the end, the action
147
321359
2056
et donc à la fin, l'action
05:35
of liking the curly fries page
148
323415
2544
d'aimer la page des frites bouclées
05:37
is indicative of high intelligence,
149
325959
1615
est indicative d'une grande intelligence,
05:39
not because of the content,
150
327574
1803
pas à cause du contenu,
05:41
but because the actual action of liking
151
329377
2522
mais à cause de l'action même d'aimer
05:43
reflects back the common attributes
152
331899
1900
qui reflète les attributs communs
05:45
of other people who have done it.
153
333799
2468
à tous ces autres qui l'ont aimé aussi.
05:48
So this is pretty complicated stuff, right?
154
336267
2897
Ça à l'air très compliqué, non ?
05:51
It's a hard thing to sit down and explain
155
339164
2199
Ce n'est pas facile à expliquer
05:53
to an average user, and even if you do,
156
341363
2848
à un utilisateur moyen,
et même en le faisant,
et même en le faisant,
05:56
what can the average user do about it?
157
344211
2188
que peut-il y faire ?
05:58
How do you know that
you've liked something
you've liked something
158
346399
2048
Comment pouvez-vous savoir
que vous avez aimé quelque chose
que vous avez aimé quelque chose
06:00
that indicates a trait for you
159
348447
1492
qui indique un trait qui pour vous
06:01
that's totally irrelevant to the
content of what you've liked?
content of what you've liked?
160
349939
3545
n'a rien à voir avec le contenu
de ce que vous avez aimé ?
de ce que vous avez aimé ?
06:05
There's a lot of power that users don't have
161
353484
2546
Et les utilisateurs
n'ont aucun pouvoir
n'ont aucun pouvoir
06:08
to control how this data is used.
162
356030
2230
à contrôler
comment ces données sont utilisées.
comment ces données sont utilisées.
06:10
And I see that as a real
problem going forward.
problem going forward.
163
358260
3112
Et pour moi,
c'est un vrai problème pour le futur.
c'est un vrai problème pour le futur.
06:13
So I think there's a couple paths
164
361372
1977
Il y a, je pense, plusieurs chemins
06:15
that we want to look at
165
363349
1001
que nous pouvons regarder
06:16
if we want to give users some control
166
364350
1910
si nous voulons donner
un peu de contrôle aux utilisateurs
un peu de contrôle aux utilisateurs
06:18
over how this data is used,
167
366260
1740
sur l'utilisation de ces données,
06:20
because it's not always going to be used
168
368000
1940
parce qu'elles ne vont pas
toujours être utilisées
toujours être utilisées
06:21
for their benefit.
169
369940
1381
à leur avantage.
06:23
An example I often give is that,
170
371321
1422
Un exemple
que je donne souvent est que
que je donne souvent est que
06:24
if I ever get bored being a professor,
171
372743
1646
si un jour ça m'ennuie
d'être professeur,
d'être professeur,
06:26
I'm going to go start a company
172
374389
1653
je lancerai une entreprise
06:28
that predicts all of these attributes
173
376042
1454
qui prédit tous ces attributs
06:29
and things like how well you work in teams
174
377496
1602
et des choses comme le fait
de bien travailler en équipe
de bien travailler en équipe
06:31
and if you're a drug user, if you're an alcoholic.
175
379098
2671
et si vous prenez des drogues
et êtes alcoolique.
et êtes alcoolique.
06:33
We know how to predict all that.
176
381769
1440
Nous savons comment prédire tout ça.
06:35
And I'm going to sell reports
177
383209
1761
Et je vais vendre ces rapports
06:36
to H.R. companies and big businesses
178
384970
2100
à de grandes entreprises
et des compagnies R.H.
et des compagnies R.H.
06:39
that want to hire you.
179
387070
2273
qui voudraient vous engager.
06:41
We totally can do that now.
180
389343
1177
On peut faire ça maintenant.
06:42
I could start that business tomorrow,
181
390520
1788
Je pourrais commencer ça demain,
06:44
and you would have
absolutely no control
absolutely no control
182
392308
2052
et vous n'auriez
absolument aucun contrôle
absolument aucun contrôle
06:46
over me using your data like that.
183
394360
2138
sur le fait que j'utiliserais
vos données comme ça.
vos données comme ça.
06:48
That seems to me to be a problem.
184
396498
2292
Pour moi, ça c'est un problème.
06:50
So one of the paths we can go down
185
398790
1910
Donc, un des chemins
que l'on pourrait prendre
que l'on pourrait prendre
06:52
is the policy and law path.
186
400700
2032
est celui de la politique et de la loi.
06:54
And in some respects, I think
that that would be most effective,
that that would be most effective,
187
402732
3046
Et ça serait sans doute
le chemin le plus efficace,
le chemin le plus efficace,
06:57
but the problem is we'd
actually have to do it.
actually have to do it.
188
405778
2756
mais le problème est
qu'il faudrait le faire vraiment.
qu'il faudrait le faire vraiment.
07:00
Observing our political process in action
189
408534
2780
Connaissant les procédures politiques
07:03
makes me think it's highly unlikely
190
411314
2379
ça m'étonnerait vraiment
07:05
that we're going to get a bunch of representatives
191
413693
1597
qu'on arrive à ce
que des représentants
que des représentants
07:07
to sit down, learn about this,
192
415290
1986
s'asseyent,
prennent connaissance de ceci,
prennent connaissance de ceci,
07:09
and then enact sweeping changes
193
417276
2106
et promulguent des changements
de grande envergure
de grande envergure
07:11
to intellectual property law in the U.S.
194
419382
2157
sur les lois
sur la propriété intellectuelle aux USA
sur la propriété intellectuelle aux USA
07:13
so users control their data.
195
421539
2461
pour que les utilisateurs
contrôlent leurs données.
contrôlent leurs données.
07:16
We could go the policy route,
196
424000
1304
On pourrait prendre
le chemin politique,
le chemin politique,
07:17
where social media companies say,
197
425304
1479
où les compagnies
de médias sociaux diraient :
de médias sociaux diraient :
07:18
you know what? You own your data.
198
426783
1402
« Vous savez quoi ?
Vos données sont à vous.
Vos données sont à vous.
07:20
You have total control over how it's used.
199
428185
2489
C'est vous qui contrôlez
comment elles sont utilisées. »
comment elles sont utilisées. »
07:22
The problem is that the revenue models
200
430674
1848
Le problème est que
les modèles de revenus
les modèles de revenus
07:24
for most social media companies
201
432522
1724
de la plupart de ces entreprises
07:26
rely on sharing or exploiting
users' data in some way.
users' data in some way.
202
434246
4031
dépendent du partage et de l'exploitation
des données des utilisateurs.
des données des utilisateurs.
07:30
It's sometimes said of Facebook that the users
203
438277
1833
On dit de Facebook,
que les utilisateurs
que les utilisateurs
07:32
aren't the customer, they're the product.
204
440110
2528
ne sont pas les clients,
ils sont le produit.
ils sont le produit.
07:34
And so how do you get a company
205
442638
2714
Comment demander à une entreprise
07:37
to cede control of their main asset
206
445352
2558
de redonner le contrôle de son capital
07:39
back to the users?
207
447910
1249
aux usagers ?
07:41
It's possible, but I don't think it's something
208
449159
1701
C'est possible, mais je ne pense pas
07:42
that we're going to see change quickly.
209
450860
2320
que ça se réalise rapidement.
07:45
So I think the other path
210
453180
1500
L'autre chemin
07:46
that we can go down that's
going to be more effective
going to be more effective
211
454680
2288
que l'on pourrait prendre et
qui serait aussi efficace
qui serait aussi efficace
07:48
is one of more science.
212
456968
1508
est plus scientifique.
07:50
It's doing science that allowed us to develop
213
458476
2510
C'est la science qui
nous a permis de développer
nous a permis de développer
07:52
all these mechanisms for computing
214
460986
1750
ces mécanismes calculant
07:54
this personal data in the first place.
215
462736
2052
ces données personnelles.
07:56
And it's actually very similar research
216
464788
2106
Et ce sont des recherches similaires
07:58
that we'd have to do
217
466894
1438
qu'il va falloir faire
08:00
if we want to develop mechanisms
218
468332
2386
si nous voulons développer
des mécanismes
des mécanismes
08:02
that can say to a user,
219
470718
1421
qui peuvent dire aux usagers :
08:04
"Here's the risk of that action you just took."
220
472139
2229
« Tu as fais ça, voici le risque encouru. »
08:06
By liking that Facebook page,
221
474368
2080
En aimant cette page Facebook,
08:08
or by sharing this piece of personal information,
222
476448
2535
ou en partageant
cette information personnelle,
cette information personnelle,
08:10
you've now improved my ability
223
478983
1502
tu viens de m'aider
08:12
to predict whether or not you're using drugs
224
480485
2086
à pouvoir prédire le fait
que tu te drogues ou pas
que tu te drogues ou pas
08:14
or whether or not you get
along well in the workplace.
along well in the workplace.
225
482571
2862
ou que tu t'entendes bien
avec tes collègues de travail.
avec tes collègues de travail.
08:17
And that, I think, can affect whether or not
226
485433
1848
Et ça peux affecter le fait que
08:19
people want to share something,
227
487281
1510
les gens veulent partager
quelque chose,
quelque chose,
08:20
keep it private, or just keep it offline altogether.
228
488791
3239
le garder privé,
ou ne pas le mettre en ligne du tout.
ou ne pas le mettre en ligne du tout.
08:24
We can also look at things like
229
492030
1563
On peut aussi décider de
08:25
allowing people to encrypt data that they upload,
230
493593
2728
laisser les gens encoder
les données qu'ils mettent en ligne,
les données qu'ils mettent en ligne,
08:28
so it's kind of invisible and worthless
231
496321
1855
pour qu'elles soient
invisibles et inutiles
invisibles et inutiles
08:30
to sites like Facebook
232
498176
1431
pour des sites comme Facebook
08:31
or third party services that access it,
233
499607
2629
ou des tiers qui y ont accès,
08:34
but that select users who the person who posted it
234
502236
3247
mais que seuls des utilisateurs choisis
08:37
want to see it have access to see it.
235
505483
2670
peuvent y accéder.
08:40
This is all super exciting research
236
508153
2166
Ce sont des recherches
très intéressantes
très intéressantes
08:42
from an intellectual perspective,
237
510319
1620
d'un point de vue intellectuel,
08:43
and so scientists are going to be willing to do it.
238
511939
1859
et donc les scientifiques vont les faire.
08:45
So that gives us an advantage over the law side.
239
513798
3610
Ça nous donne aussi
un avantage sur le côté légal.
un avantage sur le côté légal.
08:49
One of the problems that people bring up
240
517408
1725
Un des problèmes
dont parlent les gens
dont parlent les gens
08:51
when I talk about this is, they say,
241
519133
1595
quand je lance ce sujet est, ils disent,
08:52
you know, if people start
keeping all this data private,
keeping all this data private,
242
520728
2646
que si les gens gardent
toutes ces données privées,
toutes ces données privées,
08:55
all those methods that you've been developing
243
523374
2113
toutes ces méthodes
qu'on a développées
qu'on a développées
08:57
to predict their traits are going to fail.
244
525487
2653
pour prédire leurs traits
ne vont plus fonctionner.
ne vont plus fonctionner.
09:00
And I say, absolutely, and for me, that's success,
245
528140
3520
Et je réponds : « Absolument,
et pour moi, ça serait un succès,
et pour moi, ça serait un succès,
09:03
because as a scientist,
246
531660
1786
parce qu'en tant que scientifique,
09:05
my goal is not to infer information about users,
247
533446
3688
mon objectif n'est pas de déduire
des informations sur les utilisateurs,
des informations sur les utilisateurs,
09:09
it's to improve the way people interact online.
248
537134
2767
mais d'améliorer la façon
dont les gens interagissent en ligne.
dont les gens interagissent en ligne.
09:11
And sometimes that involves
inferring things about them,
inferring things about them,
249
539901
3218
Et parfois ça implique
de déduire des choses sur eux,
de déduire des choses sur eux,
09:15
but if users don't want me to use that data,
250
543119
3022
mais s'ils ne veulent pas
que j'utilise ces données,
que j'utilise ces données,
09:18
I think they should have the right to do that.
251
546141
2038
ils devraient avoir le droit de le faire.
09:20
I want users to be informed and consenting
252
548179
2651
Je veux que les utilisateurs
soient informés et consentants
soient informés et consentants
09:22
users of the tools that we develop.
253
550830
2112
sur les outils que nous développons.
09:24
And so I think encouraging this kind of science
254
552942
2952
Donc, encourager cette science
09:27
and supporting researchers
255
555894
1346
et ses chercheurs
09:29
who want to cede some of that control back to users
256
557240
3023
qui veulent rendre un peu
de ce contrôle aux utilisateurs
de ce contrôle aux utilisateurs
09:32
and away from the social media companies
257
560263
2311
et le prendre à ces compagnies
de médias sociaux
de médias sociaux
09:34
means that going forward, as these tools evolve
258
562574
2671
veux dire qu'aller de l'avant,
alors que ces outils se développent
alors que ces outils se développent
09:37
and advance,
259
565245
1476
et s'améliorent,
09:38
means that we're going to have an educated
260
566721
1414
veux dire que l'on va avoir
des utilisateurs
des utilisateurs
09:40
and empowered user base,
261
568135
1694
éduqués et responsabilisés,
09:41
and I think all of us can agree
262
569829
1100
et je crois qu'on est tous d'accord
09:42
that that's a pretty ideal way to go forward.
263
570929
2564
que c'est de cette façon-là
que l'on doit avancer.
que l'on doit avancer.
09:45
Thank you.
264
573493
2184
Merci.
09:47
(Applause)
265
575677
3080
(Applaudissements)
ABOUT THE SPEAKER
Jennifer Golbeck - Computer scientistAs the director of the Human-Computer Interaction Lab at the University of Maryland, Jennifer Golbeck studies how people use social media -- and thinks about ways to improve their interactions.
Why you should listen
Jennifer Golbeck is an associate professor in the College of Information Studies at the University of Maryland, where she also moonlights in the department of computer science. Her work invariably focuses on how to enhance and improve the way that people interact with their own information online. "I approach this from a computer science perspective and my general research hits social networks, trust, web science, artificial intelligence, and human-computer interaction," she writes.
Author of the 2013 book, Analyzing the Social Web, Golbeck likes nothing more than to immerse herself in the inner workings of the Internet tools so many millions of people use daily, to understand the implications of our choices and actions. Recently, she has also been working to bring human-computer interaction ideas to the world of security and privacy systems.
Jennifer Golbeck | Speaker | TED.com