TED@IBM
Susan Etlinger: What do we do with all this big data?
Susan Etlinger: Mit kezdjük ezzel a sok információval?
Filmed:
Readability: 4.7
1,344,301 views
A rendelkezésedre álló adatmennyiség megnyugtat? Szerinted sikeresebbé tesz? Ha így gondolod, tévedsz, és ebben a meglepően megindító videóban Susan Etlinger elmagyarázza, hogy miért. Ahogy egyre több és több információ áll a rendelkezésünkre, az egyre jobban igénybe veszi a kritikai gondolkodásunkat, mivel nehéz túllépni a dolgok számbavételén, és arra összpontosítani, hogy meg is értsük őket.
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
Annyi mindent adott nekünk a
modern technológia;
modern technológia;
00:16
the moon landing, the Internet,
1
4489
2019
a holdra szállást, az internetet,
00:18
the ability to sequence the human genome.
2
6508
2625
lehetőséget az emberi genom
feltérképezésére.
feltérképezésére.
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
De mindemellett felszínre hozta
legmélyebb félelmeinket is;
legmélyebb félelmeinket is;
00:24
and about 30 years ago,
4
12857
1856
kb. 30 évvel ezelőtt
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
írta a kultúrkritikus Neil Postman
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
a "Halálba szórakozzuk magunkat"
c. könyvét,
c. könyvét,
00:31
which lays this out really brilliantly.
7
19381
2759
amely ezt gyönyörűen illusztrálja.
00:34
And here's what he said,
8
22140
1650
Postman a következőket mondta
00:35
comparing the dystopian visions
9
23790
2263
George Orwell és Aldous Huxley
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
antiutópisztikus világképét
összehasonlítva:
összehasonlítva:
00:41
He said, Orwell feared we would become
11
29626
3126
Orwell attól félt,
00:44
a captive culture.
12
32752
2248
hogy foglyokká válunk,
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
míg Huxley attól, hogy egy banális
társadalom szintjére süllyedünk.
társadalom szintjére süllyedünk.
00:50
Orwell feared the truth would be
14
38752
2145
Orwell látomásában
00:52
concealed from us,
15
40897
1923
az igazságot elrejtik előlünk,
00:54
and Huxley feared we would be drowned
16
42820
2190
Huxley attól tartott, hogy belefulladunk
00:57
in a sea of irrelevance.
17
45010
2693
a lényegtelenség tengerébe.
00:59
In a nutshell, it's a choice between
18
47703
2170
Dióhéjban, két választási
lehetőségünk van:
lehetőségünk van:
01:01
Big Brother watching you
19
49873
2600
vagy Nagy Testvér (Big Brother)
tart szemmel bennünket,
tart szemmel bennünket,
01:04
and you watching Big Brother.
20
52473
2496
vagy mi tartjuk szemmel Nagy Testvért.
01:06
(Laughter)
21
54969
1931
(Nevetés)
01:08
But it doesn't have to be this way.
22
56900
1734
De ennek nem kell így történnie.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
Ugyanis nem vagyunk az információ és
a technológia passzív fogyasztói.
a technológia passzív fogyasztói.
01:13
We shape the role it plays in our lives
24
61970
2403
Mi döntjük el,
mi a szerepük az életünkben,
mi a szerepük az életünkben,
01:16
and the way we make meaning from it,
25
64373
2130
és mekkora jelentőséget
tulajdonítunk nekik.
tulajdonítunk nekik.
01:18
but to do that,
26
66503
1603
De ahhoz, hogy ez sikerüljön,
01:20
we have to pay as much attention to how we think
27
68106
3513
nemcsak arra kell figyelnünk,
hogy mit gondolunk,
hogy mit gondolunk,
01:23
as how we code.
28
71619
2030
hanem arra is, hogy miként fogalmazunk.
01:25
We have to ask questions, and hard questions,
29
73649
3098
Kérdéseket kell feltennünk,
nehéz kérdéseket;
nehéz kérdéseket;
01:28
to move past counting things
30
76747
1869
hogy túllépjünk a dolgok számbavételén,
01:30
to understanding them.
31
78616
2602
és megértsük őket.
01:33
We're constantly bombarded with stories
32
81218
2446
Folyamatosan történetekkel
bombáznak minket arról,
bombáznak minket arról,
01:35
about how much data there is in the world,
33
83664
2476
hogy milyen sok információ van a világon,
01:38
but when it comes to big data
34
86140
1580
de mikor szóba kerül a "big data"
01:39
and the challenges of interpreting it,
35
87720
2596
és az értelmezésében rejlő kihívások,
01:42
size isn't everything.
36
90316
2088
kiderül, hogy nem csak a mérete számít.
01:44
There's also the speed at which it moves,
37
92404
2903
Ugyanis az is fontos,
hogy milyen sebességgel mozog
hogy milyen sebességgel mozog
01:47
and the many varieties of data types,
38
95307
1696
és hány fajtája van.
01:49
and here are just a few examples:
39
97003
2498
Néhány példa rá:
01:51
images,
40
99501
2198
képek,
01:53
text,
41
101699
4007
szöveg, [Kérjük várjon itt,
míg hasznossá nem teszi magát. Köszönjük.]
míg hasznossá nem teszi magát. Köszönjük.]
01:57
video,
42
105706
2095
videó,
01:59
audio.
43
107801
1830
hang,
02:01
And what unites this disparate types of data
44
109631
3042
Az információ különböző formáit
az köti össze,
az köti össze,
02:04
is that they're created by people
45
112673
2221
hogy emberek alkották őket,
02:06
and they require context.
46
114894
2775
s az embereknek szükségük van kontextusra.
02:09
Now, there's a group of data scientists
47
117669
2445
Adatbányászok egy csoportja
02:12
out of the University of Illinois-Chicago,
48
120114
2305
a chicagói Illinois Egyetemen,
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
akiket "Health Media
Collaboratory-nak" hívnak,
Collaboratory-nak" hívnak,
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
együtt dolgoznak
a Járványügyi Központtal,
a Járványügyi Központtal,
02:19
to better understand
51
127560
1505
azért, hogy jobban megértsék,
02:21
how people talk about quitting smoking,
52
129065
2848
miként beszélnek az emberek
a dohányzásról való leszokásról,
a dohányzásról való leszokásról,
02:23
how they talk about electronic cigarettes,
53
131913
2680
az elektronikus cigarettáról,
02:26
and what they can do collectively
54
134593
1985
és hogyan segíthetnek egymásnak
02:28
to help them quit.
55
136578
1984
a leszokásban.
02:30
The interesting thing is, if you want to understand
56
138562
2013
Érdekesség, hogy ha szeretnénk megérteni,
02:32
how people talk about smoking,
57
140575
2216
miként beszélnek a dohányzásról,
02:34
first you have to understand
58
142791
1901
először azt kell megértenünk,
02:36
what they mean when they say "smoking."
59
144692
2565
hogy mit értenek dohányzáson.
02:39
And on Twitter, there are four main categories:
60
147257
3926
A Twitteren négy fő kategória van:
02:43
number one, smoking cigarettes;
61
151183
2997
az első: cigarettát szívni,
02:46
number two, smoking marijuana;
62
154180
2807
a második: füvet szívni,
02:48
number three, smoking ribs;
63
156987
2643
a harmadik: marhabordát füstölni,
02:51
and number four, smoking hot women.
64
159630
3553
és végül a negyedik: vonzó dohányzó nők.
02:55
(Laughter)
65
163183
2993
(Nevetés)
02:58
So then you have to think about, well,
66
166176
2426
Tehát el kell gondolkodnunk azon,
03:00
how do people talk about electronic cigarettes?
67
168602
2140
hogyan is beszélnek az emberek
az e-cigiről?
az e-cigiről?
03:02
And there are so many different ways
68
170742
2025
Számtalan lehetőség van
03:04
that people do this, and you can see from the slide
69
172767
2599
az e-cigi megnevezésére,
és ahogy a dián is látható,
és ahogy a dián is látható,
03:07
it's a complex kind of a query.
70
175366
2610
ez egy rendkívül összetett lekérdezés.
03:09
And what it reminds us is that
71
177976
3224
Legtöbbünket ez arra emlékezteti,
03:13
language is created by people,
72
181200
2411
hogy a nyelveket emberek hozták létre,
03:15
and people are messy and we're complex
73
183611
2340
és az emberek rendetlenek
és összetettek,
és összetettek,
03:17
and we use metaphors and slang and jargon
74
185951
2767
metaforákat, szlenget és szakzsargont
használnak
használnak
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
a nap 24 órájában több ezer nyelven,
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
és mire rájövünk valaminek a jelentésére,
újra megváltoztatjuk.
újra megváltoztatjuk.
03:27
So did these ads that the CDC put on,
77
195221
5118
A Járványügyi Központ
03:32
these television ads that featured a woman
78
200339
2430
egy lyukas torkú nővel kampányol
03:34
with a hole in her throat and that were very graphic
79
202769
2021
a dohányzás ellen egy látványos,
03:36
and very disturbing,
80
204790
1904
de meglehetősen zavaró tévéreklámban.
03:38
did they actually have an impact
81
206694
1885
Vajon van-e ennek bármilyen hatása arra,
03:40
on whether people quit?
82
208579
2671
hogy az emberek leszokjanak
a dohányzásról?
a dohányzásról?
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
A Health Media Collaboratory
tisztában volt adatainak korlátaival,
tisztában volt adatainak korlátaival,
03:46
but they were able to conclude
84
214557
2005
mégis tudtak következtetéseket
levonni.
levonni.
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
Eszerint ezek a reklámok,
— talán önök is látták őket —
— talán önök is látták őket —
03:51
that they had the effect of jolting people
86
219874
2591
melyekről úgy gondolták, hogy az embereket
03:54
into a thought process
87
222465
1822
elgondolkodásra sarkallják,
03:56
that may have an impact on future behavior.
88
224287
3667
igenis hatással lehetnek a jövőbeli
viselkedésükre.
viselkedésükre.
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
Ami nekem ebben a projektben
tetszik és értékelek,
tetszik és értékelek,
04:03
aside from the fact, including the fact
90
231845
1489
eltekintve attól a ténytől,
04:05
that it's based on real human need,
91
233334
4057
hogy emberi szükségleten alapszik,
04:09
is that it's a fantastic example of courage
92
237391
2846
az az, hogy remek példája
04:12
in the face of a sea of irrelevance.
93
240237
4443
a fölösleges információval való
szembeszállásnak.
szembeszállásnak.
04:16
And so it's not just big data that causes
94
244680
3305
Viszont nem csak
a nagy adatmennyiség okozza
a nagy adatmennyiség okozza
04:19
challenges of interpretation, because let's face it,
95
247985
2601
az értelmezés nehézségeit,
hiszen — valljuk be —
hiszen — valljuk be —
04:22
we human beings have a very rich history
96
250586
2594
mi, emberek sokszor hajlamosak vagyunk
04:25
of taking any amount of data, no matter how small,
97
253180
2693
a meglévő információt
— méretétől függetlenül —
— méretétől függetlenül —
04:27
and screwing it up.
98
255873
1617
elfuserálni.
04:29
So many years ago, you may remember
99
257490
3737
Sok éve, talán emlékeznek,
04:33
that former President Ronald Reagan
100
261227
2273
hogy Ronald Reagan volt elnököt
04:35
was very criticized for making a statement
101
263500
1991
sokan bírálták, amikor kijelentette,
04:37
that facts are stupid things.
102
265491
3010
hogy "a tények ostoba dolgok".
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
Legyünk méltányosak,
ez csak nyelvbotlás volt.
ez csak nyelvbotlás volt.
04:43
He actually meant to quote John Adams' defense
104
271295
2430
Reagan valójában
John Adamst akarta idézni,
John Adamst akarta idézni,
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
a bostoni sortűzben résztvevő
brit katonák ügyvédjét,
brit katonák ügyvédjét,
04:48
that facts are stubborn things.
106
276476
3150
aki szerint "a tények makacs dolgok".
04:51
But I actually think there's
107
279626
2624
Én úgy gondolom, hogy van igazság abban,
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
amit Reagan akaratlanul mondott,
04:57
because facts are stubborn things,
109
285668
2776
ugyanis a tények valóban makacs dolgok,
05:00
but sometimes they're stupid, too.
110
288444
2923
de néha ostobák is egyben.
05:03
I want to tell you a personal story
111
291367
1888
Elmondok egy személyes sztorit arról,
05:05
about why this matters a lot to me.
112
293255
3548
hogy ez miért olyan fontos számomra.
05:08
I need to take a breath.
113
296803
2437
Ehhez szükségem van egy kis levegőre.
05:11
My son Isaac, when he was two,
114
299240
2754
A fiamat, Isaac-et, amikor 2 éves volt,
05:13
was diagnosed with autism,
115
301994
2417
autizmussal diagnosztizálták.
05:16
and he was this happy, hilarious,
116
304411
2161
Ő egy vidám, derűs, imádni való
05:18
loving, affectionate little guy,
117
306572
2035
és szeretetteljes kisgyerek volt,
05:20
but the metrics on his developmental evaluations,
118
308607
2902
de a vizsgálatok eredményei alapján,
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
amelyek a szavak számát
05:25
at that point, none —
120
313579
3657
— ezen a ponton: nulla —,
05:29
communicative gestures and minimal eye contact,
121
317236
3940
a kommunikációs gesztusokat és
a minimális szemkontaktust mérték,
a minimális szemkontaktust mérték,
05:33
put his developmental level
122
321176
2003
a fejlettségi szintje
05:35
at that of a nine-month-old baby.
123
323179
3961
egy 9 hónapos babáénak felelt meg.
05:39
And the diagnosis was factually correct,
124
327140
2960
A diagnózis a tényeket tekintve
helytálló volt,
helytálló volt,
05:42
but it didn't tell the whole story.
125
330100
3209
de nem mondta el a teljes történetet.
05:45
And about a year and a half later,
126
333309
1401
Kb. másfél évvel később,
05:46
when he was almost four,
127
334710
2102
amikor már majdnem 4 éves volt,
05:48
I found him in front of the computer one day
128
336812
2363
a számítógép előtt találtam, amint
05:51
running a Google image search on women,
129
339175
5453
lányokat ábrázoló képeket keresett
az interneten
az interneten
05:56
spelled "w-i-m-e-n."
130
344628
3616
"l-á-n-j"-ként betűzve.
06:00
And I did what any obsessed parent would do,
131
348244
2740
Azt tettem, amit bármelyik
megszállott szülő tett volna:
megszállott szülő tett volna:
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
rögtön nyomkodtam a "Vissza" gombot,
06:04
to see what else he'd been searching for.
133
352885
3363
hogy lássam, mire keresett még rá.
06:08
And they were, in order: men,
134
356248
2171
És sorban a következők voltak: férfiak,
06:10
school, bus and computer.
135
358419
7267
iskola, busz és számítógép.
06:17
And I was stunned,
136
365686
2070
Meg voltam döbbenve,
06:19
because we didn't know that he could spell,
137
367756
2002
hiszen mi nem tudtuk, hogy tud írni,
06:21
much less read, and so I asked him,
138
369758
1766
hát még olvasni, ezért megkérdeztem;
06:23
"Isaac, how did you do this?"
139
371524
2193
"Isaac, hogy csináltad ezt?"
06:25
And he looked at me very seriously and said,
140
373717
2678
Ő nagyon komolyan rám nézett s azt mondta:
06:28
"Typed in the box."
141
376395
3352
"Begépeltem a dobozba."
06:31
He was teaching himself to communicate,
142
379747
3734
Kommunikálni tanította magát,
06:35
but we were looking in the wrong place,
143
383481
3004
de mi rossz helyen keresgéltünk,
06:38
and this is what happens when assessments
144
386485
2295
és ez történik, mikor az értékelések
06:40
and analytics overvalue one metric —
145
388780
2396
és elemzések túlértékelnek egy mérőszámot
06:43
in this case, verbal communication —
146
391176
2609
— ez esetben a szóbeli kommunikációt —
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
és alábecsülnek másokat,
mint az alkotó problémamegoldást.
mint az alkotó problémamegoldást.
06:51
Communication was hard for Isaac,
148
399488
2307
A kommunikálás nehezére esett Isaac-nek
06:53
and so he found a workaround
149
401795
1912
ezért más módot keresett rá,
06:55
to find out what he needed to know.
150
403707
2857
hogy megtudja, amit tudni akart.
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
Jobban belegondolva, van ennek értelme,
07:00
because forming a question
152
408454
2081
mivel megformálni egy kérdést
07:02
is a really complex process,
153
410535
2565
rendkívül összetett folyamat.
07:05
but he could get himself a lot of the way there
154
413100
2522
De ő úgy oldotta meg a gondot,
07:07
by putting a word in a search box.
155
415622
4092
hogy beírta a szót keresődobozba.
07:11
And so this little moment
156
419714
2936
Ennek a pillanatnak
07:14
had a really profound impact on me
157
422650
2836
igazán nagy hatása volt rám
07:17
and our family
158
425486
1309
és a családomra,
07:18
because it helped us change our frame of reference
159
426795
3141
ugyanis teljesen megváltoztatta
a fejünkben a képet arról,
a fejünkben a képet arról,
07:21
for what was going on with him,
160
429936
2208
hogy mi zajlik le a fiamban,
07:24
and worry a little bit less and appreciate
161
432144
2976
és már kevésbé aggódtunk érte,
07:27
his resourcefulness more.
162
435120
2182
inkább csodáltuk a találékonyságát.
07:29
Facts are stupid things.
163
437302
2861
A tények ostoba dolgok.
07:32
And they're vulnerable to misuse,
164
440163
2397
És — szándékosan vagy sem —
07:34
willful or otherwise.
165
442560
1653
könnyű velük visszaélni.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
Barátnőm, Emily Willingham, kutató.
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
Írt egy cikket a Forbes-nak
ezzel a címmel:
ezzel a címmel:
07:42
entitled "The 10 Weirdest Things
168
450040
1980
"A 10 legfurcsább dolog,
07:44
Ever Linked to Autism."
169
452020
1810
amelyet az autizmushoz kötnek".
07:45
It's quite a list.
170
453830
3005
Szép kis lista.
07:48
The Internet, blamed for everything, right?
171
456835
3532
Az internet a hibás mindenéért, ugye?
07:52
And of course mothers, because.
172
460367
3757
És persze az anyák is, mert miért ne?
07:56
And actually, wait, there's more,
173
464124
1587
De várjunk csak, van még,
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
szép kis gyűjtemény csak az "anya"
kategórián belül.
kategórián belül.
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
Láthatóan hosszú és érdekes lista.
08:05
I'm a big fan of
176
473956
2193
Én személyesen is nagy rajongója
vagyok
vagyok
08:08
being pregnant near freeways, personally.
177
476149
3704
az autópályák közelében való
terhesség nevű tételnek.
terhesség nevű tételnek.
08:11
The final one is interesting,
178
479853
1539
Az utolsó kifejezetten érdekes,
08:13
because the term "refrigerator mother"
179
481392
3003
mivel a "hűtőszekrény anya" kifejezés
08:16
was actually the original hypothesis
180
484395
2605
az első hipotézis volt
08:19
for the cause of autism,
181
487000
1431
az autizmus okára vonatkozóan.
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
A kifejezés hideg és érzéketlen
természetű embert jelent.
természetű embert jelent.
08:23
And at this point, you might be thinking,
183
491166
1562
És ezen a ponton gondolhatják:
08:24
"Okay, Susan, we get it,
184
492728
1657
"Susan, értjük, bármilyen adattal
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
tetszésünk szerint visszaélhetünk".
08:28
And this is true, it's absolutely true,
186
496167
4703
És ez igaz, teljesen igaz,
08:32
but the challenge is that
187
500870
5610
de itt a kihívás az,
08:38
we have this opportunity
188
506480
2448
hogy használjuk ki a lehetőségét,
08:40
to try to make meaning out of it ourselves,
189
508928
2284
hogy értelmezhetjük az adathalmazokat,
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
hiszen nincs saját jelentésük,
csak amit mi adunk nekik.
csak amit mi adunk nekik.
08:48
So as businesspeople, as consumers,
191
516564
3256
Tehát, mint üzletemberek, mint fogyasztók,
08:51
as patients, as citizens,
192
519820
2539
mint páciensek, mint állampolgárok,
08:54
we have a responsibility, I think,
193
522359
2396
úgy gondolom, hogy miénk a felelősség,
08:56
to spend more time
194
524755
2194
hogy eleget foglalkozunk-e
08:58
focusing on our critical thinking skills.
195
526949
2870
kritikai gondolkodásunk fejlesztésével.
09:01
Why?
196
529819
1078
Miért?
09:02
Because at this point in our history, as we've heard
197
530897
3178
Mert a történelem során
09:06
many times over,
198
534075
1706
már eleget hallottuk,
09:07
we can process exabytes of data
199
535781
1981
hogy képesek vagyunk adatok exabyte-jait
09:09
at lightning speed,
200
537762
2153
feldolgozni egy pillanat alatt,
09:11
and we have the potential to make bad decisions
201
539915
3515
és nagyobb az esélye,
09:15
far more quickly, efficiently,
202
543430
1834
hogy rossz döntéseket hozunk
09:17
and with far greater impact than we did in the past.
203
545264
5028
visszafordíthatatlan következményekkel,
mint valaha.
mint valaha.
09:22
Great, right?
204
550292
1388
Jó, mi?
09:23
And so what we need to do instead
205
551680
3030
Ehelyett inkább arra kellene
figyelnünk,
figyelnünk,
09:26
is spend a little bit more time
206
554710
2330
hogy több időt fordítsunk
09:29
on things like the humanities
207
557040
2746
a humán tudományokra:
09:31
and sociology, and the social sciences,
208
559786
3464
szociológiára, társadalomtudományokra,
09:35
rhetoric, philosophy, ethics,
209
563250
2308
retorikára, filozófiára és etikára,
09:37
because they give us context that is so important
210
565558
2856
mert ezek adják meg a kontextust,
amely fontos
amely fontos
09:40
for big data, and because
211
568414
2576
nagy adathalmazok megértéséhez,
09:42
they help us become better critical thinkers.
212
570990
2418
mert általuk jobb
kritikai gondolkodóvá válhatunk.
kritikai gondolkodóvá válhatunk.
09:45
Because after all, if I can spot
213
573408
4207
Végtére is, ha képes vagyok
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
egy vitában a problémát felismerni,
nem az a lényeg,
nem az a lényeg,
09:52
whether it's expressed in words or in numbers.
215
580101
2759
hogy számokban vagy
szavakban van-e kifejezve.
szavakban van-e kifejezve.
09:54
And this means
216
582860
2719
Ez azt jelenti, hogy ha már
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
messziről képesek vagyunk átlátni
10:02
and false correlations
218
590000
1822
a megerősítési torzításon,
10:03
and being able to spot a naked emotional appeal
219
591822
2138
a hamis korreláción,
10:05
from 30 yards,
220
593960
1662
és a nyers érzelmi befolyásoláson,
10:07
because something that happens after something
221
595622
2522
mert attól, hogy az egyik
a másik után történik,
a másik után történik,
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
még nem biztos, hogy miatta történt.
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
Hogy latin szóval éljek,
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
a régi rómaiak mondása szerint:
"Post hoc ergo propter hoc."
"Post hoc ergo propter hoc."
10:19
after which therefore because of which.
225
607642
3296
vagyis "Utána, tehát miatta".
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
Ez olyan tudományok megkérdőjelezését
jelenti, mint a demográfia.
jelenti, mint a demográfia.
10:26
Why? Because they're based on assumptions
227
614695
2520
Miért? Mert a feltevései arról,
hogy kik vagyunk,
hogy kik vagyunk,
10:29
about who we all are based on our gender
228
617215
2306
olyan dolgokra építenek,
mint a nemünk, a korunk
mint a nemünk, a korunk
10:31
and our age and where we live
229
619521
1462
és a lakhelyünk,
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
s fittyet hány a gondolatainkról
és tetteinkről valló adatokra.
és tetteinkről valló adatokra.
10:36
And since we have this data,
231
624461
1663
Ilyen adatok valóban léteznek,
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
ezért van szükség megfelelő
adatvédelmi szabályozásra
adatvédelmi szabályozásra
10:41
and consumer opt-in,
233
629263
3576
és a fogyasztó beleegyezésére,
10:44
and beyond that, we need to be clear
234
632839
2993
és mindezen túl, tisztában kell lennünk
10:47
about our hypotheses,
235
635832
2103
a saját hipotéziseinkkel,
10:49
the methodologies that we use,
236
637935
2596
a használt módszertannal
10:52
and our confidence in the result.
237
640531
2804
és az eredményben való bizalmunkkal.
10:55
As my high school algebra teacher used to say,
238
643335
2474
Ahogy a középiskolai matektanárom
szokta mondani;
szokta mondani;
10:57
show your math,
239
645809
1531
írd le a levezetést is,
10:59
because if I don't know what steps you took,
240
647340
3441
mivel ha nem tudom,
hogy milyen lépéseket tettél meg,
hogy milyen lépéseket tettél meg,
11:02
I don't know what steps you didn't take,
241
650781
1991
azt sem fogom tudni, melyeket nem,
11:04
and if I don't know what questions you asked,
242
652772
2438
és ha nem tudom,
hogy melyik részét nem érted,
hogy melyik részét nem érted,
11:07
I don't know what questions you didn't ask.
243
655210
3197
azt sem tudom, hogy
melyik részét érted.
melyik részét érted.
11:10
And it means asking ourselves, really,
244
658407
1523
Fel kell tennünk magunknak
11:11
the hardest question of all:
245
659930
1479
a legnehezebb kérdést:
11:13
Did the data really show us this,
246
661409
3500
Az adatok valóban ezt mutatják,
11:16
or does the result make us feel
247
664909
2311
vagy csak a végeredmény tölt el bennünket
11:19
more successful and more comfortable?
248
667220
3878
a siker és a kényelem érzetével?
11:23
So the Health Media Collaboratory,
249
671098
2584
Szóval, a Health Media Collaboratory
11:25
at the end of their project, they were able
250
673682
1699
a projekt végén kijelenthette,
11:27
to find that 87 percent of tweets
251
675381
3408
hogy az emberek 87%-ánál
okoztak félelemérzetet
okoztak félelemérzetet
11:30
about those very graphic and disturbing
252
678789
2144
azok a látványos és nyugtalanító
11:32
anti-smoking ads expressed fear,
253
680933
4038
dohányzásellenes reklámok.
11:36
but did they conclude
254
684971
1856
De jutottak-e arra a következtetésre,
11:38
that they actually made people stop smoking?
255
686827
3161
hogy az embereket leszoktatták
a dohányzásról?
a dohányzásról?
11:41
No. It's science, not magic.
256
689988
2542
Nem. Ez tudomány, nem varázslat.
11:44
So if we are to unlock
257
692530
3190
Tehát, ha szabadjára akarjuk engedni
11:47
the power of data,
258
695720
2862
az információ hatalmát,
11:50
we don't have to go blindly into
259
698582
3448
nem szükséges vakon belerohannunk
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
Orwell totalitárius
11:57
or Huxley's vision of a trivial one,
261
705466
3117
vagy Huxley banális jövőképébe,
12:00
or some horrible cocktail of both.
262
708583
3020
vagy a kettőnek egy szörnyű elegyébe.
12:03
What we have to do
263
711603
2379
A mi dolgunk, hogy tekintettel legyünk
12:05
is treat critical thinking with respect
264
713982
2718
a kritikai gondolkodás fontosságára,
12:08
and be inspired by examples
265
716700
2029
szem előtt tartsunk olyan példákat, mint
12:10
like the Health Media Collaboratory,
266
718729
2610
a Health Media Collaboratory projektje;
12:13
and as they say in the superhero movies,
267
721339
2328
és ahogy a szuperhősös filmekben mondják:
12:15
let's use our powers for good.
268
723667
1822
az erőnket jóra használjuk.
12:17
Thank you.
269
725489
2351
Köszönöm.
12:19
(Applause)
270
727840
2334
(Taps)
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