TEDxMidAtlantic 2013
Jennifer Golbeck: Your social media "likes" expose more than you think
ג'ניפר גולבק: תעלומת הצ'יפס המקורזל: למה ה"לייקים" של המדיה החברתית אומרים יותר ממה שאתם חושבים.
Filmed:
Readability: 4.5
2,366,837 views
האם אתם אוהבים צ'יפסים מקורזלים? האם אהבתם אותם בפייסבוק? צפו בהרצאה הזו כדי לראות דברים מפתיעים שפייסבוק (ואחרים) יכולים לנחש עליכם מהלייקים הרנדומליים והשיתופים.
מדענית המהחשב ג'ניפר גולבק מסבירה איך זה קורה, איך כמה ישומים של הטכנולוגיה הם לא כל כך חמודים -- ולמה היא חושבת שאנחנו צריכים להחזיר שליטה על המידע לבעליו האמיתיים.
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
אם אתם זוכרים את העשור הראשון של האינטרנט,
00:14
it was really a static place.
1
2735
2255
זה היה באמת מקום סטטי.
00:16
You could go online, you could look at pages,
2
4990
2245
יכולתם להיכנס לרשת, להסתכל על דפים,
00:19
and they were put up either by organizations
3
7235
2513
והם הועלו או על ידי ארגונים
00:21
who had teams to do it
4
9748
1521
שהיו להם צוותים שעשו את זה
00:23
or by individuals who were really tech-savvy
5
11269
2229
או על ידי אנשים פרטיים שהיו ממש טכנולגיים
00:25
for the time.
6
13498
1737
באותו הזמן.
00:27
And with the rise of social media
7
15235
1575
ועם העליה של המדיה החברתית
00:28
and social networks in the early 2000s,
8
16810
2399
והרשתות החברתיות בתחילת שנות ה 2000,
00:31
the web was completely changed
9
19209
2149
הרשת השתנתה לגמרי
00:33
to a place where now the vast majority of content
10
21358
3608
למקום שבו עכשיו רוב התוכן
00:36
we interact with is put up by average users,
11
24966
3312
אותו אנו צורכים
מועלה על ידי המשתמש הממוצע,
מועלה על ידי המשתמש הממוצע,
00:40
either in YouTube videos or blog posts
12
28278
2697
בין אם בסרטוני יוטיוב או פוסטים בבלוג
00:42
or product reviews or social media postings.
13
30975
3315
או ביקורות מוצרים או פוסטים במדיה החברתית.
00:46
And it's also become a much more interactive place,
14
34290
2347
וזה גם הפך למקום הרבה יותר אינטראקטיבי,
00:48
where people are interacting with others,
15
36637
2637
שם אנשים מתקשרים עם אחרים,
00:51
they're commenting, they're sharing,
16
39274
1696
הם מגיבים, הם חולקים,
00:52
they're not just reading.
17
40970
1614
הם לא רק קוראים.
00:54
So Facebook is not the only place you can do this,
18
42584
1866
אז פייסבוק הוא לא המקום היחיד לעשות זאת.
00:56
but it's the biggest,
19
44450
1098
אבל הוא הגדול ביותר,
00:57
and it serves to illustrate the numbers.
20
45548
1784
והוא משמש כדי להדגים את המספרים.
00:59
Facebook has 1.2 billion users per month.
21
47332
3477
לפייסבוק יש 1.2 מיליארד משתמשים לחודש.
01:02
So half the Earth's Internet population
22
50809
1930
אז חצי מאוכלוסית האינטרנט העולמית
01:04
is using Facebook.
23
52739
1653
משתמשת בפייסבוק.
01:06
They are a site, along with others,
24
54392
1932
הם אתר, יחד עם אחרים,
01:08
that has allowed people to create an online persona
25
56324
3219
שאיפשר לאנשים ליצור ישות אינטרנטית
01:11
with very little technical skill,
26
59543
1782
עם מעט מאוד כישורים טכניים,
01:13
and people responded by putting huge amounts
27
61325
2476
ואנשים הגיבו בלהעלות כמויות עצומות
01:15
of personal data online.
28
63801
1983
של מידע אישי לרשת.
01:17
So the result is that we have behavioral,
29
65784
2543
אז התוצאה היא שיש לנו מידע
01:20
preference, demographic data
30
68327
1986
התנהגותי, דמוגרפי והעדפות
01:22
for hundreds of millions of people,
31
70313
2101
של מאות מליוני אנשים,
01:24
which is unprecedented in history.
32
72414
2026
שזה מעולם לא קרה בהסטוריה.
01:26
And as a computer scientist,
what this means is that
what this means is that
33
74440
2560
וכמדענית מחשב, מה שזה אומר
01:29
I've been able to build models
34
77000
1664
זה שהייתי מסוגלת לבנות מודלים
01:30
that can predict all sorts of hidden attributes
35
78664
2322
שיכולים לצפות כל מיני תכונות חבויות
01:32
for all of you that you don't even know
36
80986
2284
עבור כולכם שאתם אפילו לא ידעתם
01:35
you're sharing information about.
37
83270
2202
שאתם חולקים מידע עליהן.
01:37
As scientists, we use that to help
38
85472
2382
כמדענים, אנחנו משתמשים בזה כדי לעזור
01:39
the way people interact online,
39
87854
2114
לאנשים בדרך שבה הם מתקשרים ברשת.
01:41
but there's less altruistic applications,
40
89968
2499
אבל יש ישומים פחות אלטרואיסטים,
01:44
and there's a problem in that users don't really
41
92467
2381
ויש בעיה בזה שמתשמשים לא באמת
01:46
understand these techniques and how they work,
42
94848
2470
מבינים את הטכניקות ואיך הן עובדות,
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
ואפילו אם הם הבינו,
אין להם הרבה שליטה על זה.
אין להם הרבה שליטה על זה.
01:52
So what I want to talk to you about today
44
100446
1490
אז מה שאני רוצה לספר לכם היום
01:53
is some of these things that we're able to do,
45
101936
2702
זה חלק מהדברים שאנחנו יכולים לעשות,
01:56
and then give us some ideas
of how we might go forward
of how we might go forward
46
104638
2763
ואז לתת לכם כמה רעיונות על איך נמשיך מפה
01:59
to move some control back into the hands of users.
47
107401
2769
להזיז קצת שליטה חזרה לידיים של המשתמשים.
02:02
So this is Target, the company.
48
110170
1586
אז זו טארגט, החברה.
02:03
I didn't just put that logo
49
111756
1324
לא סתם שמתי את הלוגו
02:05
on this poor, pregnant woman's belly.
50
113080
2170
על הבטן של האישה ההריונית המסכנה הזו.
02:07
You may have seen this anecdote that was printed
51
115250
1840
אתם אולי ראיתם את האנקדוטה הזו מודפסת
02:09
in Forbes magazine where Target
52
117090
2061
במגזין פורבס כשטארגט
02:11
sent a flyer to this 15-year-old girl
53
119151
2361
שלחה עלון לבת ה15 הזו
02:13
with advertisements and coupons
54
121512
1710
עם פרסומות וקופונים
02:15
for baby bottles and diapers and cribs
55
123222
2554
לבקבוקי תינוקות וחיתולים ועריסות
02:17
two weeks before she told her parents
56
125776
1684
שבועיים לפני שאמרה להוריה
02:19
that she was pregnant.
57
127460
1864
שהיא בהריון,
02:21
Yeah, the dad was really upset.
58
129324
2704
כן, האבא היה ממש עצבני.
02:24
He said, "How did Target figure out
59
132028
1716
הוא אמר, "איך טארגט הבינו
02:25
that this high school girl was pregnant
60
133744
1824
שנערה בתיכון בהריון
02:27
before she told her parents?"
61
135568
1960
לפני שהיא אמרה להוריה?"
02:29
It turns out that they have the purchase history
62
137528
2621
מסתבר שיש להם את הסטורית הרכישות
02:32
for hundreds of thousands of customers
63
140149
2301
למאות אלפי לקוחות
02:34
and they compute what they
call a pregnancy score,
call a pregnancy score,
64
142450
2730
והם מחשבים את מה שהם קוראים לו ציון הריון,
02:37
which is not just whether or
not a woman's pregnant,
not a woman's pregnant,
65
145180
2332
שזה לא רק אם אישה בהריון,
02:39
but what her due date is.
66
147512
1730
אלא מתי התאריך המיועד.
02:41
And they compute that
67
149242
1304
והם מחשבים את זה
02:42
not by looking at the obvious things,
68
150546
1768
לא על ידי הסתכלות על דברים ברורים,
02:44
like, she's buying a crib or baby clothes,
69
152314
2512
כמו, היא קונה עריסה או בגדי תינוק,
02:46
but things like, she bought more vitamins
70
154826
2943
אלא דברים כמו, היא קנתה יותר ויטמינים
02:49
than she normally had,
71
157769
1717
משהיא בדרך כלל קונה,
02:51
or she bought a handbag
72
159486
1464
או שהיא קנתה תיק
02:52
that's big enough to hold diapers.
73
160950
1711
שמספיק גדול להחזיק חיתולים.
02:54
And by themselves, those purchases don't seem
74
162661
1910
ובעצמן, למרות שהקניות האלה לא נראות
02:56
like they might reveal a lot,
75
164571
2469
כאילו הן מגלות הרבה,
02:59
but it's a pattern of behavior that,
76
167040
1978
אבל זו תבנית התנהגות,
03:01
when you take it in the context
of thousands of other people,
of thousands of other people,
77
169018
3117
שכשאתם מכניסים את זה
להקשר של אלפי אנשים אחרים,
להקשר של אלפי אנשים אחרים,
03:04
starts to actually reveal some insights.
78
172135
2757
מתחילה למעשה לגלות תובנות.
03:06
So that's the kind of thing that we do
79
174892
1793
אז זה סוג הדברים שאנחנו עושים
03:08
when we're predicting stuff
about you on social media.
about you on social media.
80
176685
2567
כשאנחנו חוזים דברים עליכם במדיה החברתית.
03:11
We're looking for little
patterns of behavior that,
patterns of behavior that,
81
179252
2796
אנחנו מחפשים תבניות זעירות של התנהגות,
03:14
when you detect them among millions of people,
82
182048
2682
שכשמזהים אותן בין מליוני אנשים,
03:16
lets us find out all kinds of things.
83
184730
2706
נותנות לנו למצוא כל מיני דברים.
03:19
So in my lab and with colleagues,
84
187436
1747
אז במעבדה שלי ועם שותפים,
03:21
we've developed mechanisms where we can
85
189183
1777
אנחנו פיתחנו מכאניזמים
איתם אנחנו יכולים
איתם אנחנו יכולים
03:22
quite accurately predict things
86
190960
1560
לחזות די במדוייק דברים
03:24
like your political preference,
87
192520
1725
כמו העדפות פוליטיות,
03:26
your personality score, gender, sexual orientation,
88
194245
3752
ציון האישיות שלכם, מין, העדפות מיניות,
03:29
religion, age, intelligence,
89
197997
2873
דת, גיל, רמת אינטיליגנציה,
03:32
along with things like
90
200870
1394
יחד עם דברים כמו
03:34
how much you trust the people you know
91
202264
1937
כמה אתם בוטחים באנשים אותם אתם מכירים
03:36
and how strong those relationships are.
92
204201
1804
וכמה חזקים הקשרים האלה.
03:38
We can do all of this really well.
93
206005
1785
אנחנו יכולים לעשות את זה ממש טוב.
03:39
And again, it doesn't come from what you might
94
207790
2197
ושוב, זה לא מגיע ממה שאתם אולי
03:41
think of as obvious information.
95
209987
2102
חושבים כמידע ברור.
03:44
So my favorite example is from this study
96
212089
2281
אז הדוגמה האהובה עלי היא ממחקר
03:46
that was published this year
97
214370
1240
שפורסם השנה
03:47
in the Proceedings of the National Academies.
98
215610
1795
בפרסומים של האקדמיה הלאומית.
03:49
If you Google this, you'll find it.
99
217405
1285
אם תגגלו את זה, אתם תמצאו אותו.
03:50
It's four pages, easy to read.
100
218690
1872
זה ארבעה דפים, קלים לקריאה.
03:52
And they looked at just people's Facebook likes,
101
220562
3003
והם הסתכלו רק על לייקים של אנשים בפייסבוק,
03:55
so just the things you like on Facebook,
102
223565
1920
אז רק הדברים שאתם אוהבים בפייסבוק,
03:57
and used that to predict all these attributes,
103
225485
2138
והשתמשו בזה כדי לחזות את כל התכונות האלה,
03:59
along with some other ones.
104
227623
1645
יחד עם כמה אחרות.
04:01
And in their paper they listed the five likes
105
229268
2961
ובמאמר שלהם הם ציינו את חמשת הלייקים
04:04
that were most indicative of high intelligence.
106
232229
2787
שהכי הראו אינטיליגנציה גבוהה.
04:07
And among those was liking a page
107
235016
2324
ובינהם היה לייק לדף
04:09
for curly fries. (Laughter)
108
237340
1905
לצ'יפסים מקורזלים. (צחוק)
04:11
Curly fries are delicious,
109
239245
2093
צ'יפסים מקורזלים הם ממש טעימים,
04:13
but liking them does not necessarily mean
110
241338
2530
אבל אהבה שלהם לא בהכרח אומרת
04:15
that you're smarter than the average person.
111
243868
2080
שאתם אדם חכם מהממוצע.
04:17
So how is it that one of the strongest indicators
112
245948
3207
אז איך אחד המדדים החזקים ביותר
04:21
of your intelligence
113
249155
1570
לאינטליגנציה שלכם
04:22
is liking this page
114
250725
1447
הוא אהבת הדף הזה
04:24
when the content is totally irrelevant
115
252172
2252
כשהתוכן לחלוטין לא רלוונטי
04:26
to the attribute that's being predicted?
116
254424
2527
לתכונות שנצפות?
04:28
And it turns out that we have to look at
117
256951
1584
ומסתבר שאנחנו צריכים להביט
04:30
a whole bunch of underlying theories
118
258535
1618
בקבוצה שלמה של תאוריות
04:32
to see why we're able to do this.
119
260153
2569
כדי לראות למה אנחנו מסוגלים לעשות את זה.
04:34
One of them is a sociological
theory called homophily,
theory called homophily,
120
262722
2913
אחת מהן היא תאוריה סוציולוגית
שנקראת הומופיליה,
שנקראת הומופיליה,
04:37
which basically says people are
friends with people like them.
friends with people like them.
121
265635
3092
שאומרת בעיקרון שאנשים
חברים עם אנשים שדומים להם.
חברים עם אנשים שדומים להם.
04:40
So if you're smart, you tend to
be friends with smart people,
be friends with smart people,
122
268727
2014
אז אם אתה חכם, אתה נוטה
להיות חבר של אנשים חכמים,
להיות חבר של אנשים חכמים,
04:42
and if you're young, you tend
to be friends with young people,
to be friends with young people,
123
270741
2630
ואם אתה הצעיר, אתה נוטה
להיות חבר של אנשים צעירים,
להיות חבר של אנשים צעירים,
04:45
and this is well established
124
273371
1627
וזה מוכח היטב
04:46
for hundreds of years.
125
274998
1745
מאות שנים.
04:48
We also know a lot
126
276743
1232
אנחנו גם יודעים הרבה
04:49
about how information spreads through networks.
127
277975
2550
על איך מידע מתפשט ברשתות.
04:52
It turns out things like viral videos
128
280525
1754
מסתבר שדברים כמו סרטונים ויראליים
04:54
or Facebook likes or other information
129
282279
2406
או לייקים של פייסבוק או מידע אחר
04:56
spreads in exactly the same way
130
284685
1888
מתפשטים בדיוק באותה דרך
04:58
that diseases spread through social networks.
131
286573
2454
שמחלות מתפשטות ברשתות חברתיות.
05:01
So this is something we've studied for a long time.
132
289027
1791
אז זה משהו שחקרנו הרבה זמן.
05:02
We have good models of it.
133
290818
1576
יש לנו מודלים טובים של זה.
05:04
And so you can put those things together
134
292394
2157
וכך אתם יכולים לחבר את הדברים האלה
05:06
and start seeing why things like this happen.
135
294551
3088
ולהתחיל לראות למה דברים כאלה קורים.
05:09
So if I were to give you a hypothesis,
136
297639
1814
אז אם הייתי נותנת לכם השערה,
05:11
it would be that a smart guy started this page,
137
299453
3227
היא תהיה שאדם חכם התחיל את הדף הזה,
05:14
or maybe one of the first people who liked it
138
302680
1939
או אולי אחד האנשים הראשונים שאהבו אותו
05:16
would have scored high on that test.
139
304619
1736
היה מקבל ציון גבוה במבחן הזה.
05:18
And they liked it, and their friends saw it,
140
306355
2288
והם אהבו אותו, וחברים שלהם ראו אותו,
05:20
and by homophily, we know that
he probably had smart friends,
he probably had smart friends,
141
308643
3122
ודרך ההומופיליה, אנחנו יודעים
שכנראה היו לו חברים חכמים,
שכנראה היו לו חברים חכמים,
05:23
and so it spread to them,
and some of them liked it,
and some of them liked it,
142
311765
3056
אז זה התפשט אליהם, וכמה מהם אהבו את זה,
05:26
and they had smart friends,
143
314821
1189
ולהם היו חברים חכמים,
05:28
and so it spread to them,
144
316010
807
וכך זה התפשט אליהם,
05:28
and so it propagated through the network
145
316817
1973
ואז זה חלחל דרך הרשת
05:30
to a host of smart people,
146
318790
2569
להרבה אנשים חכמים,
05:33
so that by the end, the action
147
321359
2056
אז בסוף, הפעולה
05:35
of liking the curly fries page
148
323415
2544
של אהבת דף הצ'יפסים המקורזלים
05:37
is indicative of high intelligence,
149
325959
1615
מעידה של אינטליגנציה גבוהה,
05:39
not because of the content,
150
327574
1803
לא בגלל התוכן,
05:41
but because the actual action of liking
151
329377
2522
אלא בגלל הפעולה עצמה של אהבה
05:43
reflects back the common attributes
152
331899
1900
משקפת את התכונות המשותפות
05:45
of other people who have done it.
153
333799
2468
של אנשים אחרים שעשו את זה.
05:48
So this is pretty complicated stuff, right?
154
336267
2897
אז אלה דברים די מסובכים, נכון?
05:51
It's a hard thing to sit down and explain
155
339164
2199
זה קשה לשבת להסביר
05:53
to an average user, and even if you do,
156
341363
2848
למשתמש ממוצע, ואפילו אם אתם עושים זאת,
05:56
what can the average user do about it?
157
344211
2188
מה המשתמש הממוצע יכול לעשות בנוגע לזה?
05:58
How do you know that
you've liked something
you've liked something
158
346399
2048
איך אתם יודעים שאהבתם משהו
06:00
that indicates a trait for you
159
348447
1492
שמשקף תכונה שלכם
06:01
that's totally irrelevant to the
content of what you've liked?
content of what you've liked?
160
349939
3545
שלגמרי לא רלוונטית לתוכן של מה שאהבתם?
06:05
There's a lot of power that users don't have
161
353484
2546
יש הרבה כוח שאין למשתמשים
06:08
to control how this data is used.
162
356030
2230
כדי לשלוט באיך משתמשים במידע הזה.
06:10
And I see that as a real
problem going forward.
problem going forward.
163
358260
3112
ואני רואה בזה בעיה אמיתית בעתיד.
06:13
So I think there's a couple paths
164
361372
1977
אז אני חושבת שיש כמה כיוונים
06:15
that we want to look at
165
363349
1001
שנרצה לבחון
06:16
if we want to give users some control
166
364350
1910
אם אנחנו רוצים לתת למשתמשים מעט שליטה
06:18
over how this data is used,
167
366260
1740
על איך משתמשים במידע הזה,
06:20
because it's not always going to be used
168
368000
1940
מפני שלא תמיד הוא יהיה בשימוש
06:21
for their benefit.
169
369940
1381
לתועלתם.
06:23
An example I often give is that,
170
371321
1422
דוגמה שאני נותנת לזה הרבה היא,
06:24
if I ever get bored being a professor,
171
372743
1646
שאם אי פעם אשתעמם להיות פרופסורית,
06:26
I'm going to go start a company
172
374389
1653
אני אקים חברה
06:28
that predicts all of these attributes
173
376042
1454
שחוזה את כל התכונות האלה
06:29
and things like how well you work in teams
174
377496
1602
ודברים כמו כמה טוב אתם עובדים בצוות
06:31
and if you're a drug user, if you're an alcoholic.
175
379098
2671
ואם אתם משתמשים בסמים,
אם אתם אלכוהוליסטים.
אם אתם אלכוהוליסטים.
06:33
We know how to predict all that.
176
381769
1440
אנחנו יודעים איך לחזות את כל זה.
06:35
And I'm going to sell reports
177
383209
1761
ואני אמכור דוחות
06:36
to H.R. companies and big businesses
178
384970
2100
לחברות כוח אדם ועסקים גדולים
06:39
that want to hire you.
179
387070
2273
שרוצים להעסיק אתכם.
06:41
We totally can do that now.
180
389343
1177
אנחנו לגמרי יכולים לעשות את זה עכשיו.
06:42
I could start that business tomorrow,
181
390520
1788
הייתי יכולה להתחיל את העסק הזה מחר,
06:44
and you would have
absolutely no control
absolutely no control
182
392308
2052
ולא היתה לכם שליטה בכלל
06:46
over me using your data like that.
183
394360
2138
על השימוש שלי במידע שלכם כך.
06:48
That seems to me to be a problem.
184
396498
2292
זו נראית לי בעיה גדולה.
06:50
So one of the paths we can go down
185
398790
1910
אז אחת הדרכים שאננחו יכולים לבחור בה
06:52
is the policy and law path.
186
400700
2032
היא המדיניות והחוק.
06:54
And in some respects, I think
that that would be most effective,
that that would be most effective,
187
402732
3046
ובכמה הבטים, אני חושב
שזה יהיה הכי אפקטיבי,
שזה יהיה הכי אפקטיבי,
06:57
but the problem is we'd
actually have to do it.
actually have to do it.
188
405778
2756
אבל הבעיה היא שלמעשה נצטרך לעשות את זה.
07:00
Observing our political process in action
189
408534
2780
בהסתכלות על התהליך הפוליטי שלנו בפעולה
07:03
makes me think it's highly unlikely
190
411314
2379
גורם לי לחשוב שזה מאוד לא סביר
07:05
that we're going to get a bunch of representatives
191
413693
1597
שנשיג כמה נבחרים
07:07
to sit down, learn about this,
192
415290
1986
לשבת, ללמוד את הנושא,
07:09
and then enact sweeping changes
193
417276
2106
ואז להחיל שינויים מקיפים
07:11
to intellectual property law in the U.S.
194
419382
2157
על חוקי רכוש רעיוני בארה"ב.
07:13
so users control their data.
195
421539
2461
כך שמשתמשים ישלטו במידע שלהם.
07:16
We could go the policy route,
196
424000
1304
נוכל ללכת בדרך המדיניות,
07:17
where social media companies say,
197
425304
1479
שם חברות מדיה חברתית אומרות,
07:18
you know what? You own your data.
198
426783
1402
אתם יודעים מה? המידע בבעלותכם.
07:20
You have total control over how it's used.
199
428185
2489
יש לכם שליטה מלאה בשימוש בו.
07:22
The problem is that the revenue models
200
430674
1848
הבעיה היא שמודלי הרווחיות
07:24
for most social media companies
201
432522
1724
לרוב חברות המדיה החברתית
07:26
rely on sharing or exploiting
users' data in some way.
users' data in some way.
202
434246
4031
נסמכים על ניצול המידע
של המשתמש בדרך כלשהי.
של המשתמש בדרך כלשהי.
07:30
It's sometimes said of Facebook that the users
203
438277
1833
לפעמים נאמר על פייסבוק שהמשתמשים
07:32
aren't the customer, they're the product.
204
440110
2528
הם לא לקוחות, הם המוצר.
07:34
And so how do you get a company
205
442638
2714
וכך איך אתם גורמים לחברה
07:37
to cede control of their main asset
206
445352
2558
לוותר על שליטה בנכס העיקרי שלהם
07:39
back to the users?
207
447910
1249
בחזרה למשתמשים?
07:41
It's possible, but I don't think it's something
208
449159
1701
זה אפשרי, אבל אני לא חושב שזה משהו
07:42
that we're going to see change quickly.
209
450860
2320
שאנחנו נראה משתנה במהירות.
07:45
So I think the other path
210
453180
1500
אז אני חושבת שהדרך הנוספת
07:46
that we can go down that's
going to be more effective
going to be more effective
211
454680
2288
שאנחנו יכולים ללכת בה שתהיה יותר יעילה
07:48
is one of more science.
212
456968
1508
היא זו של יותר מדע.
07:50
It's doing science that allowed us to develop
213
458476
2510
לעשות מדע זה מה שאפשר לנו לפתח
07:52
all these mechanisms for computing
214
460986
1750
את כל המנגנונים למחשוב
07:54
this personal data in the first place.
215
462736
2052
המידע האישי מראש.
07:56
And it's actually very similar research
216
464788
2106
וזה למעשה מחקר מאוד דומה
07:58
that we'd have to do
217
466894
1438
שאנחנו צריכים לעשות
08:00
if we want to develop mechanisms
218
468332
2386
אם נרצה לפתח מנגנונים
08:02
that can say to a user,
219
470718
1421
שיכולים להגיד למשתמש,
08:04
"Here's the risk of that action you just took."
220
472139
2229
"הנה הסיכונים של הפעולה הזו שעשית."
08:06
By liking that Facebook page,
221
474368
2080
על ידי לחיצת לייק על דף פייסבוק מסויים,
08:08
or by sharing this piece of personal information,
222
476448
2535
או עלי ידי שיתוף פיסה זו של מידע אישי,
08:10
you've now improved my ability
223
478983
1502
שיפרתם עכשיו את היכולת שלי
08:12
to predict whether or not you're using drugs
224
480485
2086
לחזות אם אתם משתמשים בסמים
08:14
or whether or not you get
along well in the workplace.
along well in the workplace.
225
482571
2862
או אם אתם מסתדרים במקום העבודה.
08:17
And that, I think, can affect whether or not
226
485433
1848
וזה, אני חושבת, יכול להשפיע על אם
08:19
people want to share something,
227
487281
1510
אנשים ירצו לחלוק משהו,
08:20
keep it private, or just keep it offline altogether.
228
488791
3239
לשמור על זה פרטי, או פשוט
לשמור על זה מחוץ לרשת.
לשמור על זה מחוץ לרשת.
08:24
We can also look at things like
229
492030
1563
אנחנו יכולים להביט גם בדברים
08:25
allowing people to encrypt data that they upload,
230
493593
2728
כמו לאפשר לאנשים להצפין
את המידע שהם מעלים,
את המידע שהם מעלים,
08:28
so it's kind of invisible and worthless
231
496321
1855
אז הוא סוג של בלתי נראה וחסר תועלת
08:30
to sites like Facebook
232
498176
1431
לאתרים כמו פייסבוק
08:31
or third party services that access it,
233
499607
2629
או שרותי צד שלישי שניגשים אליו,
08:34
but that select users who the person who posted it
234
502236
3247
אבל למשתמשים הנבחרים שהאדם שהעלה את זה
08:37
want to see it have access to see it.
235
505483
2670
רוצה שיראו את זה, תהיה גישה אליו.
08:40
This is all super exciting research
236
508153
2166
כל זה מחקר סופר מרגש
08:42
from an intellectual perspective,
237
510319
1620
מנקודת מבט אינטלקטואלית,
08:43
and so scientists are going to be willing to do it.
238
511939
1859
וכך מדענים יהיו מוכנים לעשות את זה.
08:45
So that gives us an advantage over the law side.
239
513798
3610
אז זה נותן לנו יתרון על אפשרות החוק.
08:49
One of the problems that people bring up
240
517408
1725
אחת הבעיות שאנשים מעלים
08:51
when I talk about this is, they say,
241
519133
1595
כשאני מדברת על זה, הם אומרים,
08:52
you know, if people start
keeping all this data private,
keeping all this data private,
242
520728
2646
את יודעת, אם אנשים מתחילים
לשמור על כל המידע פרטי,
לשמור על כל המידע פרטי,
08:55
all those methods that you've been developing
243
523374
2113
כל השיטות האלה שפיתחתם
08:57
to predict their traits are going to fail.
244
525487
2653
לחזות את התכונות שלהם יכשלו.
09:00
And I say, absolutely, and for me, that's success,
245
528140
3520
ואני אומרת, בהחלט, ובשבילי, זו הצלחה,
09:03
because as a scientist,
246
531660
1786
מפני שכמדענית,
09:05
my goal is not to infer information about users,
247
533446
3688
המטרה שלי היא לא להסיק מידע על משתמשים,
09:09
it's to improve the way people interact online.
248
537134
2767
זה כדי לשפר את הדרך בה אנשים מתקשרים ברשת.
09:11
And sometimes that involves
inferring things about them,
inferring things about them,
249
539901
3218
ולפעמים זה דורש להסיק דברים עליהם,
09:15
but if users don't want me to use that data,
250
543119
3022
אבל אם משתמשים לא רוצים
שאני אשתמש במידע הזה,
שאני אשתמש במידע הזה,
09:18
I think they should have the right to do that.
251
546141
2038
אני חושבת שצריכה להיות להם
הזכות לעשות את זה.
הזכות לעשות את זה.
09:20
I want users to be informed and consenting
252
548179
2651
אני רוצה שמשתמשים
יהיו מיודעים ומסכימים
יהיו מיודעים ומסכימים
09:22
users of the tools that we develop.
253
550830
2112
לכלים שאנחנו מפתחים.
09:24
And so I think encouraging this kind of science
254
552942
2952
אז אני חושבת שלעודד סוג זה של מדע
09:27
and supporting researchers
255
555894
1346
ולתמוך בחוקרים
09:29
who want to cede some of that control back to users
256
557240
3023
שרוצים להחזיר חלק מהשליטה למשתמשים
09:32
and away from the social media companies
257
560263
2311
ולקחת אותו מחברות המדיה החברתית
09:34
means that going forward, as these tools evolve
258
562574
2671
אומר שכשנמשיך הלאה, כשהכלים האלה יתפתחו
09:37
and advance,
259
565245
1476
ויתקדמו,
09:38
means that we're going to have an educated
260
566721
1414
אומר שיהיה לנו בסיס משתמשים
09:40
and empowered user base,
261
568135
1694
מיודע ובעל כוח,
09:41
and I think all of us can agree
262
569829
1100
ואני חושבת שכולנו יכולים להסכים
09:42
that that's a pretty ideal way to go forward.
263
570929
2564
שזה דרך מאוד אידיאלית להתקדם.
09:45
Thank you.
264
573493
2184
תודה לכם.
09:47
(Applause)
265
575677
3080
(מחיאות כפיים)
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