TED@IBM
Susan Etlinger: What do we do with all this big data?
Susan Etlinger: Qu'allons nous faire des toutes ces mégadonnées ?
Filmed:
Readability: 4.7
1,344,301 views
Est-ce qu'une série de donnés vous fait vous sentir plus confortable ? Plus performant ? Si tel est la cas, votre interprétation est sans doute erronée. Dans une conférence étonnamment émouvante, Susan Etlinger explique pourquoi, alors que nous recevons de plus en plus de données, nous devons approfondir nos capacités de pensée critique. Car il est difficile d'aller au-delà de compter les choses, pour vraiment les comprendre.
Susan Etlinger - Data analyst
Susan Etlinger promotes the smart, well-considered and ethical use of data. Full bio
Susan Etlinger promotes the smart, well-considered and ethical use of data. Full bio
Double-click the English transcript below to play the video.
00:13
Technology has brought us so much:
0
1354
3135
La technologie nous a tellement apporté :
00:16
the moon landing, the Internet,
1
4489
2019
l'alunissage, Internet,
la possibilité de séquencer
le génome humain.
le génome humain.
00:18
the ability to sequence the human genome.
2
6508
2625
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
Mais elle infiltre aussi
nos plus grandes peurs
nos plus grandes peurs
00:24
and about 30 years ago,
4
12857
1856
et il y a environ 30 ans,
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
le critique Neil Postman a écrit un livre
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
intitulé « Se distraire à en mourir »
00:31
which lays this out really brilliantly.
7
19381
2759
qui expose celà brillamment.
00:34
And here's what he said,
8
22140
1650
Voici ce qu'il a dit,
00:35
comparing the dystopian visions
9
23790
2263
en comparant les vues dystopiques
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
de George Orwell et d'Aldous Huxley.
00:41
He said, Orwell feared we would become
11
29626
3126
Il a dit que Orwell avait peur
que nous devenions
que nous devenions
00:44
a captive culture.
12
32752
2248
une culture en captivité.
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
Huxley avait peur que nous devenions
une culture banale.
une culture banale.
00:50
Orwell feared the truth would be
14
38752
2145
Orwell avait peur que la vérité
00:52
concealed from us,
15
40897
1923
ne nous soit dissimulée,
00:54
and Huxley feared we would be drowned
16
42820
2190
et Huxley craignait que nous nous noyions
00:57
in a sea of irrelevance.
17
45010
2693
dans un océan de choses sans importance.
00:59
In a nutshell, it's a choice between
18
47703
2170
En un mot, c'est un choix entre
01:01
Big Brother watching you
19
49873
2600
être regardé par Big Brother
01:04
and you watching Big Brother.
20
52473
2496
et regarder Big Brother.
01:06
(Laughter)
21
54969
1931
(Rires)
Mais ça ne doit pas forcément
se passer comme ça.
se passer comme ça.
01:08
But it doesn't have to be this way.
22
56900
1734
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
Nous ne sommes pas des consommateurs
passifs de données et de technologie.
passifs de données et de technologie.
01:13
We shape the role it plays in our lives
24
61970
2403
Nous façonnons le rôle qu'elles jouent
dans nos vies
dans nos vies
01:16
and the way we make meaning from it,
25
64373
2130
et la façon dont nous leur donnons sens.
01:18
but to do that,
26
66503
1603
Mais, pour ce faire,
01:20
we have to pay as much attention to how we think
27
68106
3513
nous devons prêter autant d'attention
à notre façon de penser
à notre façon de penser
01:23
as how we code.
28
71619
2030
qu'à notre façon de programmer.
01:25
We have to ask questions, and hard questions,
29
73649
3098
Nous devons nous poser des questions,
des questions difficiles,
des questions difficiles,
01:28
to move past counting things
30
76747
1869
pour aller au-delà de compter les choses,
01:30
to understanding them.
31
78616
2602
et commencer à les comprendre.
01:33
We're constantly bombarded with stories
32
81218
2446
Nous sommes constamment
bombardés d'histoires
bombardés d'histoires
01:35
about how much data there is in the world,
33
83664
2476
sur la quantité de données dans le monde,
01:38
but when it comes to big data
34
86140
1580
mais quand il s'agit de mégadonnées
01:39
and the challenges of interpreting it,
35
87720
2596
et des défis pour les interpréter,
01:42
size isn't everything.
36
90316
2088
la taille n'est pas tout.
01:44
There's also the speed at which it moves,
37
92404
2903
Il y a aussi la vitesse à laquelle
elles bougent,
elles bougent,
01:47
and the many varieties of data types,
38
95307
1696
et la grande variété
des types de données.
des types de données.
01:49
and here are just a few examples:
39
97003
2498
Voici juste quelques exemples :
01:51
images,
40
99501
2198
des images,
01:53
text,
41
101699
4007
des textes,
01:57
video,
42
105706
2095
des vidéos,
01:59
audio.
43
107801
1830
des sons.
02:01
And what unites this disparate types of data
44
109631
3042
Ce qui unifie ces différents
types de données,
types de données,
02:04
is that they're created by people
45
112673
2221
c'est qu'elles sont créées
par des personnes
par des personnes
02:06
and they require context.
46
114894
2775
et qu'elles nécessitent un contexte.
02:09
Now, there's a group of data scientists
47
117669
2445
Un groupe de scientifiques de données
02:12
out of the University of Illinois-Chicago,
48
120114
2305
de l'Université d'Illinois à Chicago,
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
dénommé « Collectif Média Santé »
qui ont travaillé au
Centre de Contrôle des Maladies [CDC]
Centre de Contrôle des Maladies [CDC]
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
02:19
to better understand
51
127560
1505
pour mieux comprendre comment
02:21
how people talk about quitting smoking,
52
129065
2848
les gens discutent à propos
d'arrêter de fumer,
d'arrêter de fumer,
02:23
how they talk about electronic cigarettes,
53
131913
2680
comment ils parlent
des cigarettes électroniques,
des cigarettes électroniques,
02:26
and what they can do collectively
54
134593
1985
et sur ce qu'ils peuvent faire ensemble
02:28
to help them quit.
55
136578
1984
pour les aider à arrêter.
Ce qui est intéressant,
si on veut comprendre
si on veut comprendre
02:30
The interesting thing is, if you want to understand
56
138562
2013
02:32
how people talk about smoking,
57
140575
2216
comment les gens parlent de fumer,
02:34
first you have to understand
58
142791
1901
d'abord, on doit commencer par comprendre
02:36
what they mean when they say "smoking."
59
144692
2565
ce qu'ils entendent par « fumer ».
02:39
And on Twitter, there are four main categories:
60
147257
3926
Sur Twitter, il y a quatre catégories :
02:43
number one, smoking cigarettes;
61
151183
2997
numéro un : fumer des cigarettes ;
02:46
number two, smoking marijuana;
62
154180
2807
numéro deux : fumer de la marijuana ;
02:48
number three, smoking ribs;
63
156987
2643
numéro trois : côtelettes fumées ;
02:51
and number four, smoking hot women.
64
159630
3553
et numéro quatre : femmes chaudes et sexy.
02:55
(Laughter)
65
163183
2993
(Rires)
02:58
So then you have to think about, well,
66
166176
2426
Ensuite, on doit réfléchir sur
comment les gens parlent
de cigarette électroniques.
de cigarette électroniques.
03:00
how do people talk about electronic cigarettes?
67
168602
2140
03:02
And there are so many different ways
68
170742
2025
Il y a tant de façons différentes
d'en parler,
d'en parler,
03:04
that people do this, and you can see from the slide
69
172767
2599
comme vous pouvez le voir
sur la diapositive,
sur la diapositive,
03:07
it's a complex kind of a query.
70
175366
2610
c'est une requête bien complexe.
03:09
And what it reminds us is that
71
177976
3224
Et ceci nous rappelle que
le langage a été créé par des personnes,
03:13
language is created by people,
72
181200
2411
et les personnes sont désordonnées,
et nous sommes complexes,
et nous sommes complexes,
03:15
and people are messy and we're complex
73
183611
2340
03:17
and we use metaphors and slang and jargon
74
185951
2767
et que nous utilisons des métaphores,
de l'argot, du jargon
de l'argot, du jargon
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
et nous faisons ça 24h/24, 7j/7,
dans plein, plein de langues,
dans plein, plein de langues,
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
et aussitôt qu'on se décide,
on change tout à nouveau.
on change tout à nouveau.
03:27
So did these ads that the CDC put on,
77
195221
5118
Donc, est-ce que ces annonces du CDC,
03:32
these television ads that featured a woman
78
200339
2430
ces publicités à la télé qui montraient
03:34
with a hole in her throat and that were very graphic
79
202769
2021
une femme avec un trou dans la gorge,
03:36
and very disturbing,
80
204790
1904
qui étaient très crues et troublantes.
03:38
did they actually have an impact
81
206694
1885
ont-elles finalement eu un impact
03:40
on whether people quit?
82
208579
2671
sur la décision des gens
d'arrêter de fumer ?
d'arrêter de fumer ?
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
Le Collectif Média Santé a respecté
les limites de leurs données
les limites de leurs données
03:46
but they were able to conclude
84
214557
2005
mais ils ont réussi à conclure
que ces annonces
que ces annonces
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
- que vous avez probablement vues -
03:51
that they had the effect of jolting people
86
219874
2591
ont eu pour effet d'induire les gens
03:54
into a thought process
87
222465
1822
à un processus de réfléxion
03:56
that may have an impact on future behavior.
88
224287
3667
qui peut avoir eu un impact
sur leur comportement futur.
sur leur comportement futur.
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
Ce que j'admire et reconnais de ce projet,
04:03
aside from the fact, including the fact
90
231845
1489
en dehors du fait qu'il est basé
04:05
that it's based on real human need,
91
233334
4057
sur des besoins humains réels
04:09
is that it's a fantastic example of courage
92
237391
2846
est que c'est un exemple fantastique
de courage
de courage
04:12
in the face of a sea of irrelevance.
93
240237
4443
dans un océan de choses sans importance.
Ainsi, ce ne sont pas uniquement
les mégadonnées
les mégadonnées
04:16
And so it's not just big data that causes
94
244680
3305
qui représentent un défi d'interprétation,
car, soyons honnêtes,
car, soyons honnêtes,
04:19
challenges of interpretation, because let's face it,
95
247985
2601
04:22
we human beings have a very rich history
96
250586
2594
nous, les humains, nous avons
un riche historique
un riche historique
04:25
of taking any amount of data, no matter how small,
97
253180
2693
de prendre n'importe quelles données,
même petites,
même petites,
04:27
and screwing it up.
98
255873
1617
et de tout gâcher.
04:29
So many years ago, you may remember
99
257490
3737
Il y a plusieurs années,
vous vous en rappelez peut être,
vous vous en rappelez peut être,
04:33
that former President Ronald Reagan
100
261227
2273
l'ancien Président Ronald Reagan
04:35
was very criticized for making a statement
101
263500
1991
fut violemment critiqué pour avoir dit que
04:37
that facts are stupid things.
102
265491
3010
les faits étaient des choses stupides.
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
Soyons honnêtes, ce fut à peine un lapsus.
Il voulait citer John Adams,
dans sa défense des soldats anglais
dans sa défense des soldats anglais
04:43
He actually meant to quote John Adams' defense
104
271295
2430
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
lors du procès du massacre de Boston,
04:48
that facts are stubborn things.
106
276476
3150
disant que les faits étaient
des choses tenaces.
des choses tenaces.
04:51
But I actually think there's
107
279626
2624
Mais je pense qu'il y a un peu de
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
sagesse fortuite dans ce qu'il a dit,
04:57
because facts are stubborn things,
109
285668
2776
car les faits sont tenaces,
05:00
but sometimes they're stupid, too.
110
288444
2923
et, parfois, ils sont aussi stupides.
05:03
I want to tell you a personal story
111
291367
1888
J'aimerai vous raconter
une histoire personnelle
une histoire personnelle
05:05
about why this matters a lot to me.
112
293255
3548
sur pourquoi cela
me tient tant à cœur.
me tient tant à cœur.
05:08
I need to take a breath.
113
296803
2437
J'ai besoin de respirer.
05:11
My son Isaac, when he was two,
114
299240
2754
Isaac, mon fils, quand il avait deux ans,
05:13
was diagnosed with autism,
115
301994
2417
a été diagnostiqué d'autisme.
05:16
and he was this happy, hilarious,
116
304411
2161
C'était un petit gars heureux, drôle,
05:18
loving, affectionate little guy,
117
306572
2035
aimant, affectueux,
05:20
but the metrics on his developmental evaluations,
118
308607
2902
mais, les scores des évaluations
de son développement
de son développement
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
qui considèrent des choses
comme le nombre de mots --
comme le nombre de mots --
05:25
at that point, none —
120
313579
3657
à cette époque là : zéro --
05:29
communicative gestures and minimal eye contact,
121
317236
3940
de gestes communicatifs,
et de contact visuel minimal,
et de contact visuel minimal,
05:33
put his developmental level
122
321176
2003
plaçaient son développement
05:35
at that of a nine-month-old baby.
123
323179
3961
au niveau de celui d'un bébé de 9 mois.
05:39
And the diagnosis was factually correct,
124
327140
2960
Ces diagnostics étaient
effectivement corrects,
effectivement corrects,
05:42
but it didn't tell the whole story.
125
330100
3209
mais ils ne racontaient pas tout.
05:45
And about a year and a half later,
126
333309
1401
Environ un an et demi plus tard,
05:46
when he was almost four,
127
334710
2102
quand il avait presque 4 ans,
05:48
I found him in front of the computer one day
128
336812
2363
je l'ai trouvé, un beau jour,
devant l'ordinateur
devant l'ordinateur
05:51
running a Google image search on women,
129
339175
5453
cherchant sur Google des images de femmes
05:56
spelled "w-i-m-e-n."
130
344628
3616
épelées "f-a-m-e-s."
Et j'ai fait ce que tout parent obsessif
aurait fait :
aurait fait :
06:00
And I did what any obsessed parent would do,
131
348244
2740
J'ai cliqué immédiatement
le bouton « précédent »
le bouton « précédent »
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
06:04
to see what else he'd been searching for.
133
352885
3363
pour voir quoi d'autre il avait cherché.
06:08
And they were, in order: men,
134
356248
2171
C'était, dans l'ordre : hommes,
06:10
school, bus and computer.
135
358419
7267
école, bus et ordinateur.
06:17
And I was stunned,
136
365686
2070
J'étais stupéfaite,
car on ne savait pas qu'il savait épeler,
06:19
because we didn't know that he could spell,
137
367756
2002
et encore moins lire.
Donc je lui ai demandé :
Donc je lui ai demandé :
06:21
much less read, and so I asked him,
138
369758
1766
06:23
"Isaac, how did you do this?"
139
371524
2193
« Isaac, comment as-tu fait ça ? »
06:25
And he looked at me very seriously and said,
140
373717
2678
Il m'a regardé très sérieusement et dit :
06:28
"Typed in the box."
141
376395
3352
« Écrit dans le cadre. »
06:31
He was teaching himself to communicate,
142
379747
3734
Il s'apprenait lui-même à communiquer,
06:35
but we were looking in the wrong place,
143
383481
3004
mais nous cherchions au mauvais endroit,
06:38
and this is what happens when assessments
144
386485
2295
et c'est ce qui se passe quand
les évaluations
les évaluations
et les analyses donnent plus
d'importance à une mesure --
d'importance à une mesure --
06:40
and analytics overvalue one metric —
145
388780
2396
06:43
in this case, verbal communication —
146
391176
2609
dans ce cas, la communication verbale --
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
et en sous-estiment d'autres,
comme la résolution créative de problèmes.
comme la résolution créative de problèmes.
06:51
Communication was hard for Isaac,
148
399488
2307
Communiquer était difficile pour Isaac,
06:53
and so he found a workaround
149
401795
1912
et il avait donc trouvé une astuce
06:55
to find out what he needed to know.
150
403707
2857
pour découvrir ce qu'il
avait besoin de savoir.
avait besoin de savoir.
Quand on y pense,
ça semble logique,
ça semble logique,
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
07:00
because forming a question
152
408454
2081
car formuler une question
07:02
is a really complex process,
153
410535
2565
est un processus vraiment complexe,
07:05
but he could get himself a lot of the way there
154
413100
2522
mais il a réussi à faire un grand pas
07:07
by putting a word in a search box.
155
415622
4092
en tapant un mot
dans un cadre de recherche.
dans un cadre de recherche.
07:11
And so this little moment
156
419714
2936
Et ce court instant
07:14
had a really profound impact on me
157
422650
2836
a eu un profond impact sur moi
07:17
and our family
158
425486
1309
et sur notre famille.
07:18
because it helped us change our frame of reference
159
426795
3141
Car ça nous a aidé
à changer nos références
à changer nos références
07:21
for what was going on with him,
160
429936
2208
sur ce qu'il lui arrivait,
07:24
and worry a little bit less and appreciate
161
432144
2976
à nous préoccuper un peu moins
et à apprécier davantage
et à apprécier davantage
07:27
his resourcefulness more.
162
435120
2182
sa débrouillardise.
07:29
Facts are stupid things.
163
437302
2861
Les faits sont des choses stupides.
07:32
And they're vulnerable to misuse,
164
440163
2397
Et ils sont vulnérables
à une mauvaise utilisation,
à une mauvaise utilisation,
07:34
willful or otherwise.
165
442560
1653
délibérée ou non.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
J'ai une amie, Emily Willingham,
qui est une scientifique.
qui est une scientifique.
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
Elle a écrit un article pour Forbes
07:42
entitled "The 10 Weirdest Things
168
450040
1980
il n'y a pas longtemps, intitulé
07:44
Ever Linked to Autism."
169
452020
1810
« Les 10 choses plus bizarres
reliées à l'autisme. »
reliées à l'autisme. »
07:45
It's quite a list.
170
453830
3005
Il y en a toute une liste.
07:48
The Internet, blamed for everything, right?
171
456835
3532
On blâme Internet pour tout ,
n'est ce pas ?
n'est ce pas ?
07:52
And of course mothers, because.
172
460367
3757
Et bien entendu, les mères,
parce que voilà.
parce que voilà.
07:56
And actually, wait, there's more,
173
464124
1587
Attendez, ça n'est pas tout,
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
Il y a toute une liste dans
la catégorie « mère »,
la catégorie « mère »,
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
comme vous voyez, une liste très
complète et intéressante.
complète et intéressante.
08:05
I'm a big fan of
176
473956
2193
Personnellement. je suis vraiment fan de
08:08
being pregnant near freeways, personally.
177
476149
3704
« tomber enceinte près des autoroutes ».
08:11
The final one is interesting,
178
479853
1539
La dernière est intéressante,
08:13
because the term "refrigerator mother"
179
481392
3003
car le terme « mère réfrigérateur »
08:16
was actually the original hypothesis
180
484395
2605
était en fait l'hypothèse initiale
08:19
for the cause of autism,
181
487000
1431
de la cause de l'autisme,
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
il signifie quelqu'un de froid et
sans amour.
sans amour.
08:23
And at this point, you might be thinking,
183
491166
1562
À ce stade, vous devez penser:
08:24
"Okay, Susan, we get it,
184
492728
1657
« Ok, Susan, on comprend,
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
on peut prendre des données et leur faire
dire ce qu'on veut. »
dire ce qu'on veut. »
08:28
And this is true, it's absolutely true,
186
496167
4703
Et c'est vrai, c'est absolument vrai,
08:32
but the challenge is that
187
500870
5610
mais, le défi c'est que
nous avons cette chance
08:38
we have this opportunity
188
506480
2448
d'essayer de leur donner nous-mêmes
un sens car, franchement,
un sens car, franchement,
08:40
to try to make meaning out of it ourselves,
189
508928
2284
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
les données ne se créent pas leur sens.
C'est nous qui le faisons.
C'est nous qui le faisons.
08:48
So as businesspeople, as consumers,
191
516564
3256
Donc, en tant qu'hommes d'affaires,
et consommateurs
et consommateurs
08:51
as patients, as citizens,
192
519820
2539
en tant que patients, en tant que citoyens
08:54
we have a responsibility, I think,
193
522359
2396
nous avons la responsabilité, je pense,
08:56
to spend more time
194
524755
2194
de passer plus de temps
08:58
focusing on our critical thinking skills.
195
526949
2870
à se concentrer sur nos capacités
de pensée critique.
de pensée critique.
09:01
Why?
196
529819
1078
Pourquoi ?
09:02
Because at this point in our history, as we've heard
197
530897
3178
Parce qu'à ce moment de notre histoire,
09:06
many times over,
198
534075
1706
comme nous l'avons entendu souvent,
09:07
we can process exabytes of data
199
535781
1981
nous pouvons traiter des milliards
d'octets de données,
d'octets de données,
09:09
at lightning speed,
200
537762
2153
à la vitesse de la lumière,
09:11
and we have the potential to make bad decisions
201
539915
3515
et nous avons le potentiel de prendre
de mauvaises décisions
de mauvaises décisions
09:15
far more quickly, efficiently,
202
543430
1834
bien plus rapidement, efficacement,
09:17
and with far greater impact than we did in the past.
203
545264
5028
et avec un impact bien plus grand
que par le passé.
que par le passé.
Super, n'est ce pas ?
09:22
Great, right?
204
550292
1388
09:23
And so what we need to do instead
205
551680
3030
Donc, ce que nous devons faire,
au contraire,
au contraire,
09:26
is spend a little bit more time
206
554710
2330
c'est consacrer un peu plus de temps
09:29
on things like the humanities
207
557040
2746
sur des choses comme
les sciences humaines,
les sciences humaines,
09:31
and sociology, and the social sciences,
208
559786
3464
la sociologie, les sciences sociales,
09:35
rhetoric, philosophy, ethics,
209
563250
2308
la rhétorique, la philosophie, l'éthique,
09:37
because they give us context that is so important
210
565558
2856
car elles nous fournissent le contexte
qui est si important
qui est si important
09:40
for big data, and because
211
568414
2576
pour les mégadonnées,
et parce que
et parce que
elles nous aident à devenir de meilleurs
penseurs critiques.
penseurs critiques.
09:42
they help us become better critical thinkers.
212
570990
2418
09:45
Because after all, if I can spot
213
573408
4207
Car, en fin de compte,
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
si je repère un problème
dans une controverse,
dans une controverse,
09:52
whether it's expressed in words or in numbers.
215
580101
2759
il importe peu qu'il soit exprimé en mots
ou en chiffres.
ou en chiffres.
09:54
And this means
216
582860
2719
Cela signifie que nous devons
nous enseigner
nous enseigner
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
à détecter ces biais d'interprétation,
10:02
and false correlations
218
590000
1822
et ces fausses corrélations
et à être capables de repérer un
recours clairement émotionnel
recours clairement émotionnel
10:03
and being able to spot a naked emotional appeal
219
591822
2138
10:05
from 30 yards,
220
593960
1662
à 30 mètres de distance.
10:07
because something that happens after something
221
595622
2522
Car si un événement se produit
après un autre
après un autre
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
ça ne veut pas forcément dire qu'il s'est produit
à cause du premier.
à cause du premier.
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
Et, si vous me permettez
d'oser un instant,
d'oser un instant,
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
les romains appelaient cela
« post hoc ergo propter hoc »
« post hoc ergo propter hoc »
10:19
after which therefore because of which.
225
607642
3296
« à la suite de ceci,
donc à cause de cela ».
donc à cause de cela ».
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
Cela signifie mettre en doute
les disciplines telles que la démographie.
les disciplines telles que la démographie.
10:26
Why? Because they're based on assumptions
227
614695
2520
Pourquoi ? Parce qu'elles sont basées
sur des hypothèses
sur des hypothèses
10:29
about who we all are based on our gender
228
617215
2306
sur qui nous sommes,
fondées sur notre sexe,
notre âge, notre lieu de vie,
notre âge, notre lieu de vie,
10:31
and our age and where we live
229
619521
1462
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
au contraire des données sur ce que nous
pensons et faisons vraiment.
pensons et faisons vraiment.
10:36
And since we have this data,
231
624461
1663
Et, puisque nous avons ces données,
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
nous devons la traiter avec un contrôle
approprié de confidentialité
approprié de confidentialité
10:41
and consumer opt-in,
233
629263
3576
et avec le consentement du consommateur,
10:44
and beyond that, we need to be clear
234
632839
2993
et au-delà de ça,
nous devons être clairs
nous devons être clairs
10:47
about our hypotheses,
235
635832
2103
quant à nos hypothèses,
10:49
the methodologies that we use,
236
637935
2596
aux méthodes que nous utilisons,
10:52
and our confidence in the result.
237
640531
2804
et à notre confiance dans les résultats.
10:55
As my high school algebra teacher used to say,
238
643335
2474
Comme disait mon prof d'algèbre au lycée :
10:57
show your math,
239
645809
1531
« Montre tes calculs,
10:59
because if I don't know what steps you took,
240
647340
3441
car si je ne sais pas quelles étapes
tu as suivies,
tu as suivies,
je ne sais pas les étapes
tu n'as pas suivies,
tu n'as pas suivies,
11:02
I don't know what steps you didn't take,
241
650781
1991
et, si je ne sais pas les questions
que tu t'es posées,
que tu t'es posées,
11:04
and if I don't know what questions you asked,
242
652772
2438
11:07
I don't know what questions you didn't ask.
243
655210
3197
je ne sais pas quelles questions
tu n'as pas posées. »
tu n'as pas posées. »
11:10
And it means asking ourselves, really,
244
658407
1523
Ce qui signifie, vraiment,
11:11
the hardest question of all:
245
659930
1479
nous poser la plus difficile
des questions :
des questions :
11:13
Did the data really show us this,
246
661409
3500
Est ce que les données nous montrent
vraiment ceci
vraiment ceci
11:16
or does the result make us feel
247
664909
2311
ou est-ce que les résultats
nous font nous sentir
nous font nous sentir
11:19
more successful and more comfortable?
248
667220
3878
plus performants et plus à l'aise ?
11:23
So the Health Media Collaboratory,
249
671098
2584
Donc, à la fin du projet,
11:25
at the end of their project, they were able
250
673682
1699
le Collectif Média Santé a réussi
11:27
to find that 87 percent of tweets
251
675381
3408
à trouver que 87% des tweets
11:30
about those very graphic and disturbing
252
678789
2144
sur ces annonces anti-tabac
très dérangeantes
très dérangeantes
11:32
anti-smoking ads expressed fear,
253
680933
4038
exprimaient la peur.
Mais ont-ils conclu qu'elles avaient
11:36
but did they conclude
254
684971
1856
11:38
that they actually made people stop smoking?
255
686827
3161
vraiment fait les gens arrêter de fumer?
11:41
No. It's science, not magic.
256
689988
2542
Non. C'est de la science, pas de la magie.
11:44
So if we are to unlock
257
692530
3190
Donc, si nous sommes sur le point
de dévoiler
de dévoiler
11:47
the power of data,
258
695720
2862
le pouvoir des données
nous n'avons pas à suivre aveuglément
11:50
we don't have to go blindly into
259
698582
3448
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
Orwell dans sa vision
d'un futur totalitaire,
d'un futur totalitaire,
11:57
or Huxley's vision of a trivial one,
261
705466
3117
ni Huxley et sa vision d'un futur banal,
12:00
or some horrible cocktail of both.
262
708583
3020
ni quelque horrible mixture des deux.
12:03
What we have to do
263
711603
2379
Ce que nous devons faire,
12:05
is treat critical thinking with respect
264
713982
2718
c'est respecter la pensée critique
12:08
and be inspired by examples
265
716700
2029
et s'inspirer d'exemples
12:10
like the Health Media Collaboratory,
266
718729
2610
comme le Collectif Média Santé,
12:13
and as they say in the superhero movies,
267
721339
2328
comme ils disent dans les films
de superhéros
de superhéros
12:15
let's use our powers for good.
268
723667
1822
« Utilisons nos pouvoirs pour le bien ».
12:17
Thank you.
269
725489
2351
Merci.
(Applaudissements)
12:19
(Applause)
270
727840
2334
ABOUT THE SPEAKER
Susan Etlinger - Data analystSusan Etlinger promotes the smart, well-considered and ethical use of data.
Why you should listen
Susan Etlinger is an industry analyst with Altimeter Group, where she focuses on data and analytics. She conducts independent research and has authored two intriguing reports: “The Social Media ROI Cookbook” and “A Framework for Social Analytics.” She also advises global clients on how to work measurement into their organizational structure and how to extract insights from the social web which can lead to tangible actions. In addition, she works with technology innovators to help them refine their roadmaps and strategies.
Etlinger is on the board of The Big Boulder Initiative, an industry organization dedicated to promoting the successful and ethical use of social data. She is regularly interviewed and asked to speak on data strategy and best practices, and has been quoted in media outlets like The Wall Street Journal, The New York Times, and the BBC.
Susan Etlinger | Speaker | TED.com