TEDxMidAtlantic 2013
Jennifer Golbeck: Your social media "likes" expose more than you think
Jennifer Golbeck: A kunkori sült krumpli rejtélye: Miért mond egy lájk többet, mint gondolnánk?
Filmed:
Readability: 4.5
2,366,837 views
Kedveli Ön a kunkori sült krumplit? Lájkolta már a Facebookon? Nézze meg ezt az előadást, és meglepő dolgokat tudhat meg arról, hogy a Facebook (és a többiek) mit deríthetnek ki Önről a lájkok és a megosztások elemzésével. A számítástudománnyal foglalkozó Jennifer Golbeck megmutatja, hogy hogyan alakult ez így, hogy a technológia néhány alkalmazási módja nem is annyira megnyerő, és miért gondolja úgy, hogy az adatok fölötti rendelkezést vissza kellene adnunk azok jogos tulajdonosainak.
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.
Ha még emlékeznek, az első évtizedében
00:12
If you remember that first decade of the web,
0
738
1997
00:14
it was really a static place.
1
2735
2255
a világháló egy statikus hely volt.
00:16
You could go online, you could look at pages,
2
4990
2245
Olyan honlapokat kereshettünk fel,
00:19
and they were put up either by organizations
3
7235
2513
amiket vagy különböző szervezetek
00:21
who had teams to do it
4
9748
1521
szakembergárdái kezeltek,
00:23
or by individuals who were really tech-savvy
5
11269
2229
vagy olyan személyek, akik addigra már
00:25
for the time.
6
13498
1737
rendelkeztek informatikai jártassággal.
00:27
And with the rise of social media
7
15235
1575
Aztán a közösségi oldalak
és hálózatok megjelenésével
és hálózatok megjelenésével
00:28
and social networks in the early 2000s,
8
16810
2399
a 2000-es évek elején
00:31
the web was completely changed
9
19209
2149
a világháló teljesen megváltozott.
00:33
to a place where now the vast majority of content
10
21358
3608
Olyan hellyé vált, ahol
a látott tartalmak többségét
a látott tartalmak többségét
00:36
we interact with is put up by average users,
11
24966
3312
átlagos felhasználók teszik fel,
00:40
either in YouTube videos or blog posts
12
28278
2697
YouTube-videók,
vagy blogbejegyzések formájában,
vagy blogbejegyzések formájában,
00:42
or product reviews or social media postings.
13
30975
3315
termékismertetőként
vagy közösségi oldalak posztjaiként.
vagy közösségi oldalak posztjaiként.
00:46
And it's also become a much more interactive place,
14
34290
2347
A világháló közben
sokkal interaktívabb is lett.
sokkal interaktívabb is lett.
00:48
where people are interacting with others,
15
36637
2637
Az emberek információt
cserélnek másokkal,
cserélnek másokkal,
00:51
they're commenting, they're sharing,
16
39274
1696
hozzászólnak, megosztanak,
00:52
they're not just reading.
17
40970
1614
nem csak olvasnak.
00:54
So Facebook is not the only place you can do this,
18
42584
1866
Mindezt nem csak a Facebookon tehetik,
00:56
but it's the biggest,
19
44450
1098
de az a legnagyobb oldal.
00:57
and it serves to illustrate the numbers.
20
45548
1784
Az adatok szerint
00:59
Facebook has 1.2 billion users per month.
21
47332
3477
a Facebooknak havonta
1,2 milliárd felhasználója van.
1,2 milliárd felhasználója van.
01:02
So half the Earth's Internet population
22
50809
1930
A Föld internethasználóinak a fele
01:04
is using Facebook.
23
52739
1653
használja a Facebookot.
01:06
They are a site, along with others,
24
54392
1932
Egy olyan oldalt, pár másikkal együtt,
01:08
that has allowed people to create an online persona
25
56324
3219
amely különösebb
technikai hozzáértés nélkül
technikai hozzáértés nélkül
teszi lehetővé egy
online személyiség létrehozását.
online személyiség létrehozását.
01:11
with very little technical skill,
26
59543
1782
01:13
and people responded by putting huge amounts
27
61325
2476
Így az emberek óriási mennyiségű
01:15
of personal data online.
28
63801
1983
személyes adatot töltenek rá fel online.
01:17
So the result is that we have behavioral,
29
65784
2543
Végeredményben tehát
emberek százmillióinak
emberek százmillióinak
a viselkedéséről, preferenciáiról,
demográfiai jellemzőiről
demográfiai jellemzőiről
01:20
preference, demographic data
30
68327
1986
01:22
for hundreds of millions of people,
31
70313
2101
rendelkezünk adatokkal,
ami példátlan a történelemben.
01:24
which is unprecedented in history.
32
72414
2026
01:26
And as a computer scientist,
what this means is that
what this means is that
33
74440
2560
Így ma számítástechnikával
foglalkozó kutatóként
foglalkozó kutatóként
01:29
I've been able to build models
34
77000
1664
olyan modelleket alkothatok,
melyek fel tudják fedni
mindannyiuk rejtett tulajdonságait
mindannyiuk rejtett tulajdonságait
01:30
that can predict all sorts of hidden attributes
35
78664
2322
01:32
for all of you that you don't even know
36
80986
2284
anélkül, hogy Önök tudnák,
01:35
you're sharing information about.
37
83270
2202
hogy valaha is
információt osztottak meg róluk.
információt osztottak meg róluk.
01:37
As scientists, we use that to help
38
85472
2382
Kutatóként ezek felhasználásával
01:39
the way people interact online,
39
87854
2114
segíthetjük az emberek
online információcseréjét.
online információcseréjét.
01:41
but there's less altruistic applications,
40
89968
2499
Ám léteznek kevésbé önzetlen
alkalmazási módok is.
alkalmazási módok is.
01:44
and there's a problem in that users don't really
41
92467
2381
Probléma, hogy a felhasználók
nem igazán értik
nem igazán értik
01:46
understand these techniques and how they work,
42
94848
2470
ezeket az eljárásokat, a működésüket,
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
vagy ha mégis, akkor se nagyon
szólhatnak bele.
szólhatnak bele.
01:52
So what I want to talk to you about today
44
100446
1490
Ezért ma arról fogok beszélni,
01:53
is some of these things that we're able to do,
45
101936
2702
hogy mi az a néhány dolog,
amit megtehetünk.
amit megtehetünk.
01:56
and then give us some ideas
of how we might go forward
of how we might go forward
46
104638
2763
Utána adok néhány
előremutató ötletet arra,
előremutató ötletet arra,
01:59
to move some control back into the hands of users.
47
107401
2769
hogy miként adhatunk vissza
több irányítási jogot a felhasználónak.
több irányítási jogot a felhasználónak.
02:02
So this is Target, the company.
48
110170
1586
Tehát van ez a cég, a Target.
02:03
I didn't just put that logo
49
111756
1324
Nem véletlenül tettem a logót
02:05
on this poor, pregnant woman's belly.
50
113080
2170
szegény kismama hasára.
02:07
You may have seen this anecdote that was printed
51
115250
1840
Talán már hallották a történetet,
02:09
in Forbes magazine where Target
52
117090
2061
ami a Forbes magazinban jelent meg.
02:11
sent a flyer to this 15-year-old girl
53
119151
2361
A Target szórólapot küldött
ennek a 15 éves lánynak
ennek a 15 éves lánynak
02:13
with advertisements and coupons
54
121512
1710
cumisüvegek, pelenkák és kiságyak
02:15
for baby bottles and diapers and cribs
55
123222
2554
reklámjaival és kuponjaival.
02:17
two weeks before she told her parents
56
125776
1684
Két héttel azelőtt, hogy szüleinek
beszélt volna terhességéről.
beszélt volna terhességéről.
02:19
that she was pregnant.
57
127460
1864
02:21
Yeah, the dad was really upset.
58
129324
2704
Persze az apja eléggé ideges lett.
02:24
He said, "How did Target figure out
59
132028
1716
Kíváncsi volt, a Target miből jöhetett rá
02:25
that this high school girl was pregnant
60
133744
1824
középiskolás lányának a terhességére,
02:27
before she told her parents?"
61
135568
1960
mielőtt az saját szüleinek
elmondta volna.
elmondta volna.
02:29
It turns out that they have the purchase history
62
137528
2621
Kiderült, hogy fogyasztók százezreinek
02:32
for hundreds of thousands of customers
63
140149
2301
a vásárlási előzményei
állnak a rendelkezésükre,
állnak a rendelkezésükre,
02:34
and they compute what they
call a pregnancy score,
call a pregnancy score,
64
142450
2730
és ebből számolnak
egy úgynevezett terhességi pontszámot.
egy úgynevezett terhességi pontszámot.
02:37
which is not just whether or
not a woman's pregnant,
not a woman's pregnant,
65
145180
2332
Ez nem csak a terhességet mondja meg,
02:39
but what her due date is.
66
147512
1730
hanem azt is, mikorra várható a baba.
02:41
And they compute that
67
149242
1304
És mindezt nem az olyan
02:42
not by looking at the obvious things,
68
150546
1768
nyilvánvaló dolgokból számolják,
02:44
like, she's buying a crib or baby clothes,
69
152314
2512
mint mondjuk a kiságyak
vagy a babaruhák megtekintése,
vagy a babaruhák megtekintése,
02:46
but things like, she bought more vitamins
70
154826
2943
hanem abból, hogy egy nő például
több vitamint vásárol, mint általában
több vitamint vásárol, mint általában
02:49
than she normally had,
71
157769
1717
02:51
or she bought a handbag
72
159486
1464
vagy olyan kézitáskát vesz,
02:52
that's big enough to hold diapers.
73
160950
1711
ami elég nagy pelenkák szállítására.
02:54
And by themselves, those purchases don't seem
74
162661
1910
Ezek a vásárlások önmagukban
nem tűnnek sokatmondónak,
nem tűnnek sokatmondónak,
02:56
like they might reveal a lot,
75
164571
2469
de ez olyan viselkedésminta,
02:59
but it's a pattern of behavior that,
76
167040
1978
03:01
when you take it in the context
of thousands of other people,
of thousands of other people,
77
169018
3117
mely több ezer másik emberével együtt
03:04
starts to actually reveal some insights.
78
172135
2757
már valóban árulkodhat bizonyos dolgokról.
03:06
So that's the kind of thing that we do
79
174892
1793
Ezt tesszük tehát olyankor,
03:08
when we're predicting stuff
about you on social media.
about you on social media.
80
176685
2567
amikor közösségi oldalakon
meghatározunk Önökről dolgokat.
meghatározunk Önökről dolgokat.
03:11
We're looking for little
patterns of behavior that,
patterns of behavior that,
81
179252
2796
Megkeressük az apró viselkedésmintákat,
03:14
when you detect them among millions of people,
82
182048
2682
melyekből, emberek millióinak
adatai alapján,
adatai alapján,
03:16
lets us find out all kinds of things.
83
184730
2706
mindenféle dolgok derülhetnek ki.
03:19
So in my lab and with colleagues,
84
187436
1747
A laborunkban a kollégáimmal együtt
03:21
we've developed mechanisms where we can
85
189183
1777
kifejlesztettünk néhány módszert,
03:22
quite accurately predict things
86
190960
1560
melyekkel elég pontosan kiszámítható
03:24
like your political preference,
87
192520
1725
például a politikai preferencia,
03:26
your personality score, gender, sexual orientation,
88
194245
3752
a személyiségteszt eredménye, a nem,
a szexuális irányultság,
a szexuális irányultság,
03:29
religion, age, intelligence,
89
197997
2873
a vallás, az életkor, az intelligencia.
03:32
along with things like
90
200870
1394
Emellett az is,
03:34
how much you trust the people you know
91
202264
1937
hogy mennyire bízunk az ismerőseinkben,
03:36
and how strong those relationships are.
92
204201
1804
és milyen erősek ezek a kapcsolataink.
03:38
We can do all of this really well.
93
206005
1785
Mindezek egész jól kimutathatóak.
03:39
And again, it doesn't come from what you might
94
207790
2197
És ismétlem, ez nem az Önök által
03:41
think of as obvious information.
95
209987
2102
nyilvánvalónak gondolt
adatoknak köszönhető.
adatoknak köszönhető.
03:44
So my favorite example is from this study
96
212089
2281
A kedvenc példám
egy tanulmányból származik,
egy tanulmányból származik,
03:46
that was published this year
97
214370
1240
ami idén jelent meg
a "Proceedings of the National Academies"-ben.
03:47
in the Proceedings of the National Academies.
98
215610
1795
03:49
If you Google this, you'll find it.
99
217405
1285
A Google-lal megtalálhatják.
03:50
It's four pages, easy to read.
100
218690
1872
Négy oldal, könnyen olvasható.
03:52
And they looked at just people's Facebook likes,
101
220562
3003
Ebben csak az emberek
Facebookon adott lájkjait vizsgálták,
Facebookon adott lájkjait vizsgálták,
csak, ami a Facebook-on tetszik Önöknek.
03:55
so just the things you like on Facebook,
102
223565
1920
03:57
and used that to predict all these attributes,
103
225485
2138
Majd ezeket használták
az említett jellemzők,
az említett jellemzők,
03:59
along with some other ones.
104
227623
1645
és néhány másik kiszámításához.
04:01
And in their paper they listed the five likes
105
229268
2961
A tanulmányban
felsoroltak öt olyan oldalt,
felsoroltak öt olyan oldalt,
04:04
that were most indicative of high intelligence.
106
232229
2787
melyek lájkolása a leginkább összefüggött
az intelligencia magas szintjével.
az intelligencia magas szintjével.
04:07
And among those was liking a page
107
235016
2324
Ezek közül az egyik
a kunkori sült krumpli
rajongói oldala volt. (Nevetés)
rajongói oldala volt. (Nevetés)
04:09
for curly fries. (Laughter)
108
237340
1905
04:11
Curly fries are delicious,
109
239245
2093
A kunkori sült krumpli finom,
04:13
but liking them does not necessarily mean
110
241338
2530
de az érte való rajongás
még nem feltétlenül jelenti,
még nem feltétlenül jelenti,
04:15
that you're smarter than the average person.
111
243868
2080
hogy okosabbak is vagyunk az átlagnál.
04:17
So how is it that one of the strongest indicators
112
245948
3207
Hogy is lehet az intelligenciánk
04:21
of your intelligence
113
249155
1570
egyik legerősebb indikátora
04:22
is liking this page
114
250725
1447
ennek az oldalnak a lájkolása,
04:24
when the content is totally irrelevant
115
252172
2252
mikor a tartalomnak semmi köze
04:26
to the attribute that's being predicted?
116
254424
2527
a kideríteni kívánt tulajdonsághoz?
04:28
And it turns out that we have to look at
117
256951
1584
Aztán rájöttünk, hogy egy csomó
04:30
a whole bunch of underlying theories
118
258535
1618
idevonatkozó elméletet
kell számba vennünk,
kell számba vennünk,
04:32
to see why we're able to do this.
119
260153
2569
ha meg szeretnénk érteni ennek okait.
04:34
One of them is a sociological
theory called homophily,
theory called homophily,
120
262722
2913
Az egyik a homofília
szociológiai elmélete,
szociológiai elmélete,
04:37
which basically says people are
friends with people like them.
friends with people like them.
121
265635
3092
mely szerint főként
a hozzánk hasonlóakkal barátkozunk.
a hozzánk hasonlóakkal barátkozunk.
04:40
So if you're smart, you tend to
be friends with smart people,
be friends with smart people,
122
268727
2014
Ha okos vagy,
inkább az okosokkal barátkozol,
inkább az okosokkal barátkozol,
04:42
and if you're young, you tend
to be friends with young people,
to be friends with young people,
123
270741
2630
ha fiatal vagy,
inkább a fiatalokkal barátkozol.
inkább a fiatalokkal barátkozol.
04:45
and this is well established
124
273371
1627
Ez már évszázadok óta
04:46
for hundreds of years.
125
274998
1745
ismert jelenség.
04:48
We also know a lot
126
276743
1232
Arról is sokat tudunk,
hogy az információ
miként terjed a hálózatokon keresztül.
miként terjed a hálózatokon keresztül.
04:49
about how information spreads through networks.
127
277975
2550
04:52
It turns out things like viral videos
128
280525
1754
Kiderült, hogy a vírusvideók,
04:54
or Facebook likes or other information
129
282279
2406
a lájkok a Facebookon
vagy más információk
vagy más információk
04:56
spreads in exactly the same way
130
284685
1888
pont úgy terjednek,
04:58
that diseases spread through social networks.
131
286573
2454
mint a betegségek
a társadalmi hálózatokban.
a társadalmi hálózatokban.
05:01
So this is something we've studied for a long time.
132
289027
1791
Szóval már hosszú ideje
foglalkozunk ezzel.
foglalkozunk ezzel.
05:02
We have good models of it.
133
290818
1576
Jó modelljeink vannak.
05:04
And so you can put those things together
134
292394
2157
Így összerakhatjuk a dolgokat,
05:06
and start seeing why things like this happen.
135
294551
3088
és elkezdhetjük megfigyelni,
hogy miért történnek ezek a dolgok.
hogy miért történnek ezek a dolgok.
05:09
So if I were to give you a hypothesis,
136
297639
1814
Feltevésem szerint lehetséges,
05:11
it would be that a smart guy started this page,
137
299453
3227
hogy egy intelligens fickó
indította az oldalt,
indította az oldalt,
05:14
or maybe one of the first people who liked it
138
302680
1939
vagy hogy valamelyik legelső lájkolónak
volt magas az IQ-ja.
volt magas az IQ-ja.
05:16
would have scored high on that test.
139
304619
1736
05:18
And they liked it, and their friends saw it,
140
306355
2288
És ők lájkolták,
ezt látták az ismerőseik,
ezt látták az ismerőseik,
05:20
and by homophily, we know that
he probably had smart friends,
he probably had smart friends,
141
308643
3122
akik a homofília elve szerint
bizonyára szintén okosak voltak,
bizonyára szintén okosak voltak,
05:23
and so it spread to them,
and some of them liked it,
and some of them liked it,
142
311765
3056
így az eljutott hozzájuk,
majd közülük szintén lájkolták páran,
majd közülük szintén lájkolták páran,
05:26
and they had smart friends,
143
314821
1189
szintén okos ismerősökkel,
05:28
and so it spread to them,
144
316010
807
így továbbjutott.
05:28
and so it propagated through the network
145
316817
1973
Aztán szétterjedt a hálón
05:30
to a host of smart people,
146
318790
2569
egy sor okos ember közvetítésével.
05:33
so that by the end, the action
147
321359
2056
Míg végül
a kunkori sült krumpli
rajongói oldalának a kedvelése
rajongói oldalának a kedvelése
05:35
of liking the curly fries page
148
323415
2544
05:37
is indicative of high intelligence,
149
325959
1615
a magas intelligenciaszint jele lett.
05:39
not because of the content,
150
327574
1803
Nem a tartalom miatt,
hanem mert a lájkolásból
05:41
but because the actual action of liking
151
329377
2522
05:43
reflects back the common attributes
152
331899
1900
a többi lájkolóval közös
05:45
of other people who have done it.
153
333799
2468
tulajdonságok létezését mutatja.
05:48
So this is pretty complicated stuff, right?
154
336267
2897
Ugye milyen bonyolultan hangzik?
05:51
It's a hard thing to sit down and explain
155
339164
2199
Nehéz csak úgy leülni, és elmagyarázni
05:53
to an average user, and even if you do,
156
341363
2848
egy átlagos felhasználónak.
De, ha sikerül is, mit kezdhet ezzel
egy átlagos felhasználó?
egy átlagos felhasználó?
05:56
what can the average user do about it?
157
344211
2188
05:58
How do you know that
you've liked something
you've liked something
158
346399
2048
Miből tudható, hogy olyat lájkoltunk,
06:00
that indicates a trait for you
159
348447
1492
ami egy olyan tulajdonságunkról árulkodik,
06:01
that's totally irrelevant to the
content of what you've liked?
content of what you've liked?
160
349939
3545
melynek semmi köze a lájkolt tartalomhoz?
06:05
There's a lot of power that users don't have
161
353484
2546
Sok lehetőség van az adatok
felhasználásának ellenőrzésére,
felhasználásának ellenőrzésére,
06:08
to control how this data is used.
162
356030
2230
amivel a felhasználók nem rendelkeznek.
06:10
And I see that as a real
problem going forward.
problem going forward.
163
358260
3112
A jövőre vonatkozóan
ezt komoly problémának látom.
ezt komoly problémának látom.
06:13
So I think there's a couple paths
164
361372
1977
Úgy vélem, van egy pár irány,
06:15
that we want to look at
165
363349
1001
ami felé indulhatunk,
06:16
if we want to give users some control
166
364350
1910
ha a felhasználóknak
ellenőrzést akarunk biztosítani,
ellenőrzést akarunk biztosítani,
06:18
over how this data is used,
167
366260
1740
hogyan használják fel ezeket az adatokat.
06:20
because it's not always going to be used
168
368000
1940
Mert ezeket nem mindig
06:21
for their benefit.
169
369940
1381
az ő érdekükben használják.
06:23
An example I often give is that,
170
371321
1422
Gyakran hozom fel példaként,
06:24
if I ever get bored being a professor,
171
372743
1646
hogy ha majd megunom a tanítást,
06:26
I'm going to go start a company
172
374389
1653
indítani fogok egy céget,
amely meghatározza a tulajdonságokat:
06:28
that predicts all of these attributes
173
376042
1454
06:29
and things like how well you work in teams
174
377496
1602
milyen hatékonyak csapatban,
06:31
and if you're a drug user, if you're an alcoholic.
175
379098
2671
fogyasztanak-e kábítószert,
alkoholisták-e.
alkoholisták-e.
06:33
We know how to predict all that.
176
381769
1440
Ismerjük a módját.
06:35
And I'm going to sell reports
177
383209
1761
Az elemzéseket olyan HR cégeknek
06:36
to H.R. companies and big businesses
178
384970
2100
és nagyvállalatoknak fogom eladni,
06:39
that want to hire you.
179
387070
2273
melyek Önöket szeretnék alkalmazni.
06:41
We totally can do that now.
180
389343
1177
Akár ma is megtehetnénk.
06:42
I could start that business tomorrow,
181
390520
1788
Akár holnap indíthatnám a boltot,
06:44
and you would have
absolutely no control
absolutely no control
182
392308
2052
és Önöknek semmi beleszólása nem lenne,
06:46
over me using your data like that.
183
394360
2138
hogyan használnám az adataikat.
06:48
That seems to me to be a problem.
184
396498
2292
Ezt problémának érzem.
06:50
So one of the paths we can go down
185
398790
1910
Az egyik lehetséges irány
06:52
is the policy and law path.
186
400700
2032
a politika és a jog útja.
06:54
And in some respects, I think
that that would be most effective,
that that would be most effective,
187
402732
3046
Szerintem sok szempontból
ez lenne a leghatékonyabb,
ez lenne a leghatékonyabb,
06:57
but the problem is we'd
actually have to do it.
actually have to do it.
188
405778
2756
ám a gond, hogy ezt
tényleg végre kell hajtani.
tényleg végre kell hajtani.
07:00
Observing our political process in action
189
408534
2780
A politikai folyamatok
alakulását figyelve
alakulását figyelve
07:03
makes me think it's highly unlikely
190
411314
2379
azt hiszem, nagyon valószínűtlen,
07:05
that we're going to get a bunch of representatives
191
413693
1597
hogy jó pár képviselőt rávegyünk,
07:07
to sit down, learn about this,
192
415290
1986
üljenek le, tájékozódjanak minderről,
07:09
and then enact sweeping changes
193
417276
2106
majd gyökeresen változtassanak az USA
07:11
to intellectual property law in the U.S.
194
419382
2157
szellemi tulajdonra vonatkozó
szabályozásán,
szabályozásán,
07:13
so users control their data.
195
421539
2461
hogy a felhasználók
rendelkezzenek az adataikkal.
rendelkezzenek az adataikkal.
07:16
We could go the policy route,
196
424000
1304
Követhetjük a politikai utat, és
07:17
where social media companies say,
197
425304
1479
a közösségi média cégek azt mondják:
"Rendben, Ön rendelkezik az adataival.
07:18
you know what? You own your data.
198
426783
1402
07:20
You have total control over how it's used.
199
428185
2489
Teljes beleszólása van
a felhasználásukba."
a felhasználásukba."
07:22
The problem is that the revenue models
200
430674
1848
A probléma, hogy a legtöbb szolgáltató
07:24
for most social media companies
201
432522
1724
üzleti modellje valamilyen módon
07:26
rely on sharing or exploiting
users' data in some way.
users' data in some way.
202
434246
4031
a felhasználók adatainak a megosztásán
vagy felhasználásán alapul.
vagy felhasználásán alapul.
07:30
It's sometimes said of Facebook that the users
203
438277
1833
Néha mondják a Facebookról,
07:32
aren't the customer, they're the product.
204
440110
2528
hogy a felhasználó nem vásárló,
hanem ő a termék.
hanem ő a termék.
07:34
And so how do you get a company
205
442638
2714
Hogyan lehet akkor rávenni egy céget arra,
07:37
to cede control of their main asset
206
445352
2558
hogy a fő bevételi forrása
feletti rendelkezést
feletti rendelkezést
visszaadja a felhasználóknak?
07:39
back to the users?
207
447910
1249
07:41
It's possible, but I don't think it's something
208
449159
1701
Lehetséges, de nem hiszem,
07:42
that we're going to see change quickly.
209
450860
2320
hogy ez gyorsan fog változni.
07:45
So I think the other path
210
453180
1500
Úgy vélem, a másik irány,
07:46
that we can go down that's
going to be more effective
going to be more effective
211
454680
2288
ami célravezetőbb lehet,
07:48
is one of more science.
212
456968
1508
a több tudomány.
07:50
It's doing science that allowed us to develop
213
458476
2510
A tudomány, mellyel
fejleszthetővé váltak ezek az,
fejleszthetővé váltak ezek az,
07:52
all these mechanisms for computing
214
460986
1750
elsősorban személyes adatokat
07:54
this personal data in the first place.
215
462736
2052
használó eljárások.
07:56
And it's actually very similar research
216
464788
2106
Ez pedig nagyon hasonló kutatás,
07:58
that we'd have to do
217
466894
1438
amit el kellene végeznünk
08:00
if we want to develop mechanisms
218
468332
2386
az olyan eszközök kifejlesztéséhez,
08:02
that can say to a user,
219
470718
1421
melyek felhívhatják
a felhasználó figyelmét
tevékenységének kockázataira.
tevékenységének kockázataira.
08:04
"Here's the risk of that action you just took."
220
472139
2229
08:06
By liking that Facebook page,
221
474368
2080
Egy Facebook-oldal lájkolásával
08:08
or by sharing this piece of personal information,
222
476448
2535
vagy egy személyes információ
megosztásával
megosztásával
08:10
you've now improved my ability
223
478983
1502
most növelik annak az esélyét,
08:12
to predict whether or not you're using drugs
224
480485
2086
hogy megmondhassam,
használnak-e drogokat,
használnak-e drogokat,
08:14
or whether or not you get
along well in the workplace.
along well in the workplace.
225
482571
2862
vagy jól érzik-e magukat a munkahelyükön.
Ez pedig hatással lehet annak eldöntésére,
08:17
And that, I think, can affect whether or not
226
485433
1848
08:19
people want to share something,
227
487281
1510
hogy megosztunk-e valamit vagy sem,
08:20
keep it private, or just keep it offline altogether.
228
488791
3239
nyilvánossá tesszük-e,
vagy fel se rakjuk a netre.
vagy fel se rakjuk a netre.
08:24
We can also look at things like
229
492030
1563
Foglalkozhatunk a feltöltött adatok
08:25
allowing people to encrypt data that they upload,
230
493593
2728
titkosításának a lehetőségével is,
hisz azok így láthatatlanná
és értéktelenné válnak
és értéktelenné válnak
08:28
so it's kind of invisible and worthless
231
496321
1855
08:30
to sites like Facebook
232
498176
1431
a velük rendelkező,
Facebookhoz hasonló oldalak
Facebookhoz hasonló oldalak
08:31
or third party services that access it,
233
499607
2629
vagy egy harmadik fél
szolgáltatásai számára,
szolgáltatásai számára,
08:34
but that select users who the person who posted it
234
502236
3247
de a felhasználó által
kiválasztott személyek
kiválasztott személyek
08:37
want to see it have access to see it.
235
505483
2670
láthatják őket.
08:40
This is all super exciting research
236
508153
2166
Ezek nagyon izgalmas kutatások
08:42
from an intellectual perspective,
237
510319
1620
intellektuális szemszögből nézve,
08:43
and so scientists are going to be willing to do it.
238
511939
1859
épp ezért foglalkoznak velük
szívesen a tudósok,
szívesen a tudósok,
08:45
So that gives us an advantage over the law side.
239
513798
3610
ami előnyt jelent számunkra
a jogi lehetőséghez képest.
a jogi lehetőséghez képest.
08:49
One of the problems that people bring up
240
517408
1725
Az egyik gyakran felmerülő kérdés,
08:51
when I talk about this is, they say,
241
519133
1595
hogy mi történne,
08:52
you know, if people start
keeping all this data private,
keeping all this data private,
242
520728
2646
ha az emberek elkezdenék
titokban tartani az adataikat.
titokban tartani az adataikat.
08:55
all those methods that you've been developing
243
523374
2113
A tulajdonságaik beazonosítására
kidolgozott eljárásaim befuccsolnának.
kidolgozott eljárásaim befuccsolnának.
08:57
to predict their traits are going to fail.
244
525487
2653
09:00
And I say, absolutely, and for me, that's success,
245
528140
3520
Valóban. És én ezt sikernek tartom.
09:03
because as a scientist,
246
531660
1786
Mert tudósként,
09:05
my goal is not to infer information about users,
247
533446
3688
nem a felhasználókról akarok
információkra következtetni,
információkra következtetni,
09:09
it's to improve the way people interact online.
248
537134
2767
hanem az online kommunikációs módokat
szeretném fejleszteni.
szeretném fejleszteni.
09:11
And sometimes that involves
inferring things about them,
inferring things about them,
249
539901
3218
Ehhez persze sokszor rájuk vonatkozó
dolgokra kell következtetnem,
dolgokra kell következtetnem,
09:15
but if users don't want me to use that data,
250
543119
3022
de ha a felhasználók nem akarják,
hogy használjam az adatokat,
hogy használjam az adatokat,
09:18
I think they should have the right to do that.
251
546141
2038
szerintem ehhez joguk kell, hogy legyen.
09:20
I want users to be informed and consenting
252
548179
2651
Szeretném, hogy a felhasználók
tájékozottak legyenek,
tájékozottak legyenek,
09:22
users of the tools that we develop.
253
550830
2112
és elfogadnák
a kifejlesztett eszközeinket.
a kifejlesztett eszközeinket.
09:24
And so I think encouraging this kind of science
254
552942
2952
Úgy gondolom tehát,
hogy ösztönözni kell ezeket a kutatásokat,
hogy ösztönözni kell ezeket a kutatásokat,
09:27
and supporting researchers
255
555894
1346
és támogatni azokat a kutatókat,
09:29
who want to cede some of that control back to users
256
557240
3023
akik több ellenőrzést
adnának vissza a felhasználóknak
adnának vissza a felhasználóknak
09:32
and away from the social media companies
257
560263
2311
és kevesebbet
a közösségi média cégeinek.
a közösségi média cégeinek.
09:34
means that going forward, as these tools evolve
258
562574
2671
Ahogy ezek az eszközök a jövőben fejlődni
09:37
and advance,
259
565245
1476
és tökéletesedni fognak,
09:38
means that we're going to have an educated
260
566721
1414
úgy egy képzett és kompetens
felhasználói bázis is kialakul majd.
09:40
and empowered user base,
261
568135
1694
09:41
and I think all of us can agree
262
569829
1100
Azt hiszem, egyetérthetünk abban,
09:42
that that's a pretty ideal way to go forward.
263
570929
2564
hogy ez egy egész elfogadható jövőkép.
09:45
Thank you.
264
573493
2184
Köszönöm!
09:47
(Applause)
265
575677
3080
(Taps)
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