TED@IBM
Susan Etlinger: What do we do with all this big data?
Susan Etlinger: Ką mums daryti su didžiaisiais duomenimis?
Filmed:
Readability: 4.7
1,344,301 views
Ar aibė duomenų leidžia jums pasijusti patogiau? Labiau sėkmingiems? Tada jūsų suvokimas greičiausiai yra klaidingas. Savo stebėtinai jaudinančia kalba Susan Etlinger paaiškina kodėl, gaunant vis daugiau ir daugiau duomenų, mums reikia gilinti savo kritinį mąstymą. Todėl, kad sunku pereiti nuo daiktų skaičiavimo prie tikro jų supratimo.
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
Technologijos mums suteikė tiek daug:
00:16
the moon landing, the Internet,
1
4489
2019
nusileidimas mėnulyje, internetas,
00:18
the ability to sequence the human genome.
2
6508
2625
galimybė nustatyti žmogaus genomą.
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
Bet kartu taiko į giliausias mūsų baimes,
00:24
and about 30 years ago,
4
12857
1856
prieš maždaug 30 metų
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
kultūros kritikas Neil Postman parašė
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
knygą „Amusing Ourselves to Death“,
00:31
which lays this out really brilliantly.
7
19381
2759
kurioje tai puikiai atskleidžiama.
00:34
And here's what he said,
8
22140
1650
Ir štai ką jis rašo,
00:35
comparing the dystopian visions
9
23790
2263
lygindamas antiutopijos vizijas
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
George Orwell ir Aldous Huxley.
00:41
He said, Orwell feared we would become
11
29626
3126
Jis rašo, Orwell bijojo, kad mes tapsime
00:44
a captive culture.
12
32752
2248
nelaisva kultūra,
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
Huxley – kad tapsime trivialia kultūra.
00:50
Orwell feared the truth would be
14
38752
2145
Orwell bijojo, kad tiesa bus
00:52
concealed from us,
15
40897
1923
paslėpta nuo mūsų,
00:54
and Huxley feared we would be drowned
16
42820
2190
ir Huxley - kad mes paskęsime
00:57
in a sea of irrelevance.
17
45010
2693
nereikšmingumo jūroje.
00:59
In a nutshell, it's a choice between
18
47703
2170
Keliais žodžiais, tai pasirinkimas tarp
01:01
Big Brother watching you
19
49873
2600
Didysis brolis stebi tave
01:04
and you watching Big Brother.
20
52473
2496
ir tu žiūri į Didįjį brolį.
01:06
(Laughter)
21
54969
1931
(Juokas)
01:08
But it doesn't have to be this way.
22
56900
1734
Bet taip neprivalo būti.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
Mes nesame pasyvūs duomenų
ir technologijų vartotojai.
ir technologijų vartotojai.
01:13
We shape the role it plays in our lives
24
61970
2403
Mes formuojame, kokį vaidmenį jos atlieka
01:16
and the way we make meaning from it,
25
64373
2130
mūsų gyvenime ir kaip sukuriame reikšmę,
01:18
but to do that,
26
66503
1603
bet tam mums reikia
01:20
we have to pay as much attention to how we think
27
68106
3513
skirti tiek pat dėmesio galvojimui
01:23
as how we code.
28
71619
2030
kiek programavimui.
01:25
We have to ask questions, and hard questions,
29
73649
3098
Mes turime kelti sunkius klausimus,
01:28
to move past counting things
30
76747
1869
kad nuo dalykų skaičiavimo
01:30
to understanding them.
31
78616
2602
pereitume prie jų supratimo.
01:33
We're constantly bombarded with stories
32
81218
2446
Mes nuolat girdime istorijas,
01:35
about how much data there is in the world,
33
83664
2476
kiek daug duomenų yra pasaulyje,
01:38
but when it comes to big data
34
86140
1580
bet kalbant apie
Didžiuosius duomenis
Didžiuosius duomenis
01:39
and the challenges of interpreting it,
35
87720
2596
ir iššūkius juos aiškinant,
01:42
size isn't everything.
36
90316
2088
dydis nėra viskas.
01:44
There's also the speed at which it moves,
37
92404
2903
Tai ir greitis, kuriuo jie juda,
01:47
and the many varieties of data types,
38
95307
1696
ir begalė duomenų tipų variacijų,
01:49
and here are just a few examples:
39
97003
2498
štai tik keli pavyzdžiai:
01:51
images,
40
99501
2198
nuotraukos,
01:53
text,
41
101699
4007
tekstai,
01:57
video,
42
105706
2095
vaizdo įrašai,
01:59
audio.
43
107801
1830
garso įrašai.
02:01
And what unites this disparate types of data
44
109631
3042
Ir šiuos skirtingus duomenų tipus
sieja tai,
sieja tai,
02:04
is that they're created by people
45
112673
2221
kad jie yra sukurti žmonių,
02:06
and they require context.
46
114894
2775
ir jiems reikalingas kontekstas.
02:09
Now, there's a group of data scientists
47
117669
2445
Viena duomenų mokslininkų grupė iš
02:12
out of the University of Illinois-Chicago,
48
120114
2305
Ilinojaus universiteto Čikagoje, vadinama
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
Sveikatos žiniasklaidos asociacija
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
dirba su Ligų Kontrolės Centrais (LKC),
02:19
to better understand
51
127560
1505
kad geriau suprastų kaip
02:21
how people talk about quitting smoking,
52
129065
2848
žmonės kalba apie rūkymo metimą,
02:23
how they talk about electronic cigarettes,
53
131913
2680
kaip jie kalba apie elektronines cigaretes
02:26
and what they can do collectively
54
134593
1985
ir ką jie gali kartu padaryti,
02:28
to help them quit.
55
136578
1984
kad padėtų jiems mesti.
02:30
The interesting thing is, if you want to understand
56
138562
2013
Įdomu tai, kad jei norite suprasti
02:32
how people talk about smoking,
57
140575
2216
kaip žmonės kalba apie rūkymą,
02:34
first you have to understand
58
142791
1901
pirmiausia jūs turite suprasti,
02:36
what they mean when they say "smoking."
59
144692
2565
ką jie turi omeny sakydami „rūkymas“.
02:39
And on Twitter, there are four main categories:
60
147257
3926
Twitter yra keturios kategorijos:
02:43
number one, smoking cigarettes;
61
151183
2997
pirma, cigarečių rūkymas;
02:46
number two, smoking marijuana;
62
154180
2807
antra, marichuanos rūkymas;
02:48
number three, smoking ribs;
63
156987
2643
trečia, rūkyti šonkauliukai;
02:51
and number four, smoking hot women.
64
159630
3553
ir ketvirta, rūkstančiai karšta
moteris.
moteris.
02:55
(Laughter)
65
163183
2993
(Juokas)
02:58
So then you have to think about, well,
66
166176
2426
Tada jūs turite galvoti apie tai kaip
03:00
how do people talk about electronic cigarettes?
67
168602
2140
žmonės kalba apie elektronines cigaretes?
03:02
And there are so many different ways
68
170742
2025
Egzistuoja daugybė skirtingų būdų,
03:04
that people do this, and you can see from the slide
69
172767
2599
kaip žmonės tą daro, matote skaidrėje,
03:07
it's a complex kind of a query.
70
175366
2610
tai sudėtinga užklausa.
03:09
And what it reminds us is that
71
177976
3224
Tai mums primena,
03:13
language is created by people,
72
181200
2411
kad kalba yra sukurta žmonių,
03:15
and people are messy and we're complex
73
183611
2340
o žmonės yra keblūs, painūs,
03:17
and we use metaphors and slang and jargon
74
185951
2767
mes vartojame metaforas ir žargoną,
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
ir tai darome 24/7 daugybe kalbų,
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
vos tik tai suprasime, mes tai pakeisime.
03:27
So did these ads that the CDC put on,
77
195221
5118
Ar tai padarė reklamos, paskelbtos LKC,
03:32
these television ads that featured a woman
78
200339
2430
šios televizijos reklamos su moterimi
03:34
with a hole in her throat and that were very graphic
79
202769
2021
su skyle gerklėje, tai buvo itin vaizdinga
03:36
and very disturbing,
80
204790
1904
ir labai trikdė.
03:38
did they actually have an impact
81
206694
1885
Ar jos išties turėjo įtakos,
03:40
on whether people quit?
82
208579
2671
kad žmonės mes rūkyti?
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
Sveikatos žiniasklaidos asociacija
atsižvelgė į duomenų ribotumą,
atsižvelgė į duomenų ribotumą,
03:46
but they were able to conclude
84
214557
2005
bet jie galėjo padaryti išvadą,
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
kad šios reklamos –
galbūt jas matėte –
galbūt jas matėte –
03:51
that they had the effect of jolting people
86
219874
2591
paskatino žmones įeiti
03:54
into a thought process
87
222465
1822
į mąstymo procesą,
03:56
that may have an impact on future behavior.
88
224287
3667
kuris gali daryti įtaką būsimam elgesiui.
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
Kuo aš žaviuosi ir už ką
vertinu šiuos projektus,
vertinu šiuos projektus,
04:03
aside from the fact, including the fact
90
231845
1489
nepaisant fakto, įskaitant tai,
04:05
that it's based on real human need,
91
233334
4057
kad tai paremta realiu poreikiu,
04:09
is that it's a fantastic example of courage
92
237391
2846
kad tai yra nuostabus drąsos pavyzdys
04:12
in the face of a sea of irrelevance.
93
240237
4443
prieš nereikšmingumo jūrą.
04:16
And so it's not just big data that causes
94
244680
3305
Tai ne tik Didieji duomenys,
kurie sąlygoja
kurie sąlygoja
04:19
challenges of interpretation, because let's face it,
95
247985
2601
iššūkius interpretacijai, nes, sutikime,
04:22
we human beings have a very rich history
96
250586
2594
žmonija turi labai turtingą istoriją,
04:25
of taking any amount of data, no matter how small,
97
253180
2693
kaip imti bet kokio dydžio duomenis
04:27
and screwing it up.
98
255873
1617
ir susimauti.
04:29
So many years ago, you may remember
99
257490
3737
Prieš daug metų, gal atsimenate,
04:33
that former President Ronald Reagan
100
261227
2273
buvęs Prezidentas Ronald Reagan
04:35
was very criticized for making a statement
101
263500
1991
buvo labai kritikuojamas už pareiškimą,
04:37
that facts are stupid things.
102
265491
3010
kad faktai yra kvaili dalykai.
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
Jis, tiesą sakant, tiesiog suklydo.
04:43
He actually meant to quote John Adams' defense
104
271295
2430
Jis iš tikrųjų norėjo pacituoti John Adam
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
gynybos kalbą britų kariams
Bostono žudynių teisme,
Bostono žudynių teisme,
04:48
that facts are stubborn things.
106
276476
3150
kad faktai yra užsispyrę dalykai.
04:51
But I actually think there's
107
279626
2624
Bet aš manau, kad yra šiek tiek
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
netyčinės išminties tame, ką jis pasakė,
04:57
because facts are stubborn things,
109
285668
2776
nes faktai yra užsispyrę dalykai,
05:00
but sometimes they're stupid, too.
110
288444
2923
bet kartais jie taip pat yra kvaili.
05:03
I want to tell you a personal story
111
291367
1888
Noriu papasakoti asmeninę istoriją,
05:05
about why this matters a lot to me.
112
293255
3548
kodėl tai man yra labai svarbu
05:08
I need to take a breath.
113
296803
2437
Man reikia įkvėpti.
05:11
My son Isaac, when he was two,
114
299240
2754
Mano sūnui Isaac, kai jam buvo dveji,
05:13
was diagnosed with autism,
115
301994
2417
diagnozuotas autizmas,
05:16
and he was this happy, hilarious,
116
304411
2161
jis buvo laimingas, linksmas,
05:18
loving, affectionate little guy,
117
306572
2035
mylintis, švelnus mažas vaikas,
05:20
but the metrics on his developmental evaluations,
118
308607
2902
bet jo vystymosi rodikliai,
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
kurie vertino dalykus,
kaip žodžių kiekį –
kaip žodžių kiekį –
05:25
at that point, none —
120
313579
3657
šiuo atveju, nė vieno –
05:29
communicative gestures and minimal eye contact,
121
317236
3940
bendravimo gestai ir minimalus akių
05:33
put his developmental level
122
321176
2003
kontaktas prilygino jo išsivystymo lygį
05:35
at that of a nine-month-old baby.
123
323179
3961
devynių mėnesių kūdikiui.
05:39
And the diagnosis was factually correct,
124
327140
2960
Ši diagnozė faktiškai buvo teisinga,
05:42
but it didn't tell the whole story.
125
330100
3209
bet ji neatskleidė visos istorijos.
05:45
And about a year and a half later,
126
333309
1401
Po daugmaž pusantrų metų,
05:46
when he was almost four,
127
334710
2102
kai jam buvo beveik keturi,
05:48
I found him in front of the computer one day
128
336812
2363
radau jį prieš kompiuterį
05:51
running a Google image search on women,
129
339175
5453
ieškantį moterų vaizdų Google,
05:56
spelled "w-i-m-e-n."
130
344628
3616
paraidžiui „w-i-m-e-n.“
06:00
And I did what any obsessed parent would do,
131
348244
2740
Padariau, ką būtų dariusi bet kuri mama,
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
nedelsiant ėmiau spausti
„back“ mygtuką,
„back“ mygtuką,
06:04
to see what else he'd been searching for.
133
352885
3363
kad pamatyčiau, ko dar jis ieškojo.
06:08
And they were, in order: men,
134
356248
2171
Ir tai buvo, iš eilės: vyrai,
06:10
school, bus and computer.
135
358419
7267
mokykla, autobusas ir kompiuteris.
06:17
And I was stunned,
136
365686
2070
Aš buvau apstulbusi,
06:19
because we didn't know that he could spell,
137
367756
2002
nežinojom, kad jis gali rašyti paraidžiui,
06:21
much less read, and so I asked him,
138
369758
1766
tuo labiau skaityti, paklausiau jo,
06:23
"Isaac, how did you do this?"
139
371524
2193
„Isaac, kaip tu tai padarei?“
06:25
And he looked at me very seriously and said,
140
373717
2678
Jis rimtai pažiūrėjo į mane ir pasakė
06:28
"Typed in the box."
141
376395
3352
„Parašiau langelyje“.
06:31
He was teaching himself to communicate,
142
379747
3734
Jis mokėsi komunikuoti,
06:35
but we were looking in the wrong place,
143
383481
3004
bet mes ieškojome neteisingoje vietoje,
06:38
and this is what happens when assessments
144
386485
2295
štai kas nutinka, kai vertinimai
06:40
and analytics overvalue one metric —
145
388780
2396
ir analizė pervertina vieną rodiklį –
06:43
in this case, verbal communication —
146
391176
2609
šiuo atveju, verbalinę komunikaciją –
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
ir nuvertina kitus, kaip
sumanų problemų sprendimą.
sumanų problemų sprendimą.
06:51
Communication was hard for Isaac,
148
399488
2307
Issac buvo sunku bendrauti,
06:53
and so he found a workaround
149
401795
1912
taigi jis rado kaip apeiti problemą,
06:55
to find out what he needed to know.
150
403707
2857
kaip surasti tai, ką norėjo žinoti.
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
Kai apie tai galvoju, tai turi prasmės,
07:00
because forming a question
152
408454
2081
nes klausimo formulavimas
07:02
is a really complex process,
153
410535
2565
yra tikrai sunkus procesas,
07:05
but he could get himself a lot of the way there
154
413100
2522
bet jis sugebėjo sau gauti daug
07:07
by putting a word in a search box.
155
415622
4092
įrašydamas žodį į paieškos laukelį.
07:11
And so this little moment
156
419714
2936
Šis trumpas įvykis
07:14
had a really profound impact on me
157
422650
2836
turėjo didelį poveikį man
07:17
and our family
158
425486
1309
ir mūsų šeimai,
07:18
because it helped us change our frame of reference
159
426795
3141
nes tai padėjo mums pakeisti nusistatymus,
07:21
for what was going on with him,
160
429936
2208
kas vyksta su juo,
07:24
and worry a little bit less and appreciate
161
432144
2976
ir mažiau jaudintis ir labiau vertinti
07:27
his resourcefulness more.
162
435120
2182
jo išradingumą.
07:29
Facts are stupid things.
163
437302
2861
Faktai yra kvaili dalykai.
07:32
And they're vulnerable to misuse,
164
440163
2397
Ir jie yra pažeidžiami netinkamo naudojimo
07:34
willful or otherwise.
165
442560
1653
tyčia arba ne.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
Mano draugė mokslininkė Emily Willingham
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
parašė straipsnį žurnalui „Forbes“
07:42
entitled "The 10 Weirdest Things
168
450040
1980
pavadinimu „10 keisčiausių dalykų
07:44
Ever Linked to Autism."
169
452020
1810
kada nors susietų su autizmu“.
07:45
It's quite a list.
170
453830
3005
Tai dėmesio vertas sąrašas.
07:48
The Internet, blamed for everything, right?
171
456835
3532
Internetas, kaltas dėl visko, ar ne?
07:52
And of course mothers, because.
172
460367
3757
Ir, žinoma, motinos. Tiesiog.
07:56
And actually, wait, there's more,
173
464124
1587
Iš tikrųjų, yra kai kas daugiau,
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
čia visa puokštė
prie kategorijos „motina“.
prie kategorijos „motina“.
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
Matote, gausus
ir įdomus sąrašas.
ir įdomus sąrašas.
08:05
I'm a big fan of
176
473956
2193
Man labai patinka
08:08
being pregnant near freeways, personally.
177
476149
3704
buvimas nėščiai netoli autostradų.
08:11
The final one is interesting,
178
479853
1539
Paskutinis yra įdomus,
08:13
because the term "refrigerator mother"
179
481392
3003
nes terminas „motina šaldytuvas“
08:16
was actually the original hypothesis
180
484395
2605
išties buvo originali hipotezė
08:19
for the cause of autism,
181
487000
1431
autizmo priežasčiai,
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
ir tai reiškė kažką, kas
buvo šaltas ir nemylintis.
buvo šaltas ir nemylintis.
08:23
And at this point, you might be thinking,
183
491166
1562
Šiuo atveju jūs galite manyti,
08:24
"Okay, Susan, we get it,
184
492728
1657
„Gerai, Susan, mes supratome,
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
gali duomenims
duoti norimą reikšmę“.
duoti norimą reikšmę“.
08:28
And this is true, it's absolutely true,
186
496167
4703
Ir tai tiesa, visiška tiesa,
08:32
but the challenge is that
187
500870
5610
bet iššūkis tas,
08:38
we have this opportunity
188
506480
2448
kad mes turime galimybę
08:40
to try to make meaning out of it ourselves,
189
508928
2284
pabandyti sukurti reikšmę pagal mus,
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
nes atvirai duomenys nekuria reikšmės.
Mes kuriame.
Mes kuriame.
08:48
So as businesspeople, as consumers,
191
516564
3256
Kaip verslininkai, vartotojai,
08:51
as patients, as citizens,
192
519820
2539
pacientai, piliečiai
08:54
we have a responsibility, I think,
193
522359
2396
mes esame atsakingi, manau,
08:56
to spend more time
194
524755
2194
kad skirtume daugiau laiko
08:58
focusing on our critical thinking skills.
195
526949
2870
kritinio mąstymo sugebėjimams.
09:01
Why?
196
529819
1078
Kodėl?
09:02
Because at this point in our history, as we've heard
197
530897
3178
Nes mūsų istorijoje, kaip girdėjome
09:06
many times over,
198
534075
1706
daugybę kartų,
09:07
we can process exabytes of data
199
535781
1981
mes galime perdirbti duomenų eksabaitus
09:09
at lightning speed,
200
537762
2153
šviesos greičiu
09:11
and we have the potential to make bad decisions
201
539915
3515
ir turime potencialą netinkamai nuspręsti
09:15
far more quickly, efficiently,
202
543430
1834
gerokai greičiau, veiksmingiau
09:17
and with far greater impact than we did in the past.
203
545264
5028
ir su didesne įtaka, nei galėjome praeity.
09:22
Great, right?
204
550292
1388
Puiku, tiesa?
09:23
And so what we need to do instead
205
551680
3030
Ir ką mums reikia padaryti,
09:26
is spend a little bit more time
206
554710
2330
tai skirti truputį daugiau laiko
09:29
on things like the humanities
207
557040
2746
dalykams, kaip humanitariniai mokslai
09:31
and sociology, and the social sciences,
208
559786
3464
ir sociologija, ir socialiniai mokslai,
09:35
rhetoric, philosophy, ethics,
209
563250
2308
retorika, filosofija, etika,
09:37
because they give us context that is so important
210
565558
2856
nes jie mums davė taip svarbų kontekstą
09:40
for big data, and because
211
568414
2576
dideliems duomenims, ir todėl jie padeda
09:42
they help us become better critical thinkers.
212
570990
2418
mums tapti geresniais mąstytojais.
09:45
Because after all, if I can spot
213
573408
4207
Nes galiausiai, jei aš galiu nustatyti
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
problemą argumente, tai nelabai svarbu,
09:52
whether it's expressed in words or in numbers.
215
580101
2759
ar ji buvo žodžiuose ar skaičiuose.
09:54
And this means
216
582860
2719
Tai reiškia
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
mokyti save surasti
tas patvirtinimo iškraipymus
tas patvirtinimo iškraipymus
10:02
and false correlations
218
590000
1822
ir melagingas koreliacijas
10:03
and being able to spot a naked emotional appeal
219
591822
2138
ir sugebėti atpažinti išnuogintą emociją
10:05
from 30 yards,
220
593960
1662
iš 30 metrų,
10:07
because something that happens after something
221
595622
2522
nes kažkam nutikus po kažko, nereiškia,
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
kad tai nutiko būtinai dėl to,
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
ir jei jūs leisite man trumpam pažaisti,
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
romėnai tai vadino
„post hoc ergo propter hoc“,
„post hoc ergo propter hoc“,
10:19
after which therefore because of which.
225
607642
3296
po to todėl, nes dėl to.
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
Tai reiškia klausinėti
disciplinų kaip demografijos.
disciplinų kaip demografijos.
10:26
Why? Because they're based on assumptions
227
614695
2520
Kodėl? Nes jos pagrįstos prielaidomis
10:29
about who we all are based on our gender
228
617215
2306
apie tai, kas mes esame pagal savo lytį
10:31
and our age and where we live
229
619521
1462
ir amžių, ir kur mes gyvename,
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
kitaip nei duomenys,
ką mes iš tikrųjų galvojame ir darome.
ką mes iš tikrųjų galvojame ir darome.
10:36
And since we have this data,
231
624461
1663
Nuo tada, kai turime šiuos duomenis,
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
reikia laikytis deramo privatumo valdymo
10:41
and consumer opt-in,
233
629263
3576
ir vartotojų sutikimo,
10:44
and beyond that, we need to be clear
234
632839
2993
ir, be to, mums reikia išsiaiškinti
10:47
about our hypotheses,
235
635832
2103
savo hipotezes,
10:49
the methodologies that we use,
236
637935
2596
mūsų naudojamas metodologijas
10:52
and our confidence in the result.
237
640531
2804
ir pasitikėjimą rezultatais.
10:55
As my high school algebra teacher used to say,
238
643335
2474
Kaip sakydavo mano matematikos mokytojas,
10:57
show your math,
239
645809
1531
parodyk savo sprendimą,
10:59
because if I don't know what steps you took,
240
647340
3441
nes jei nežinau, kokius veiksmus atlikai,
11:02
I don't know what steps you didn't take,
241
650781
1991
nežinau ir kokių neatlikai,
11:04
and if I don't know what questions you asked,
242
652772
2438
ir jei nežinau, kokius klausimus kėlei,
11:07
I don't know what questions you didn't ask.
243
655210
3197
aš nežinau, kokių klausimų tu neklausei.
11:10
And it means asking ourselves, really,
244
658407
1523
Tai reiškia klausti savęs
11:11
the hardest question of all:
245
659930
1479
pačių sunkiausių klausimų:
11:13
Did the data really show us this,
246
661409
3500
Ar duomenys tikrai tai rodo,
11:16
or does the result make us feel
247
664909
2311
o ar tik rezultatas leidžia jaustis
11:19
more successful and more comfortable?
248
667220
3878
mums labiau sėkmingiems ir patogiau?
11:23
So the Health Media Collaboratory,
249
671098
2584
Taigi Sveikatos žiniasklaidos asociacija
11:25
at the end of their project, they were able
250
673682
1699
savo projekto pabaigoje galėjo
11:27
to find that 87 percent of tweets
251
675381
3408
nustatyti, kad 87 proc. Twitter žinučių
11:30
about those very graphic and disturbing
252
678789
2144
apie šias išraiškias ir erzinančias
11:32
anti-smoking ads expressed fear,
253
680933
4038
anti-rūkymo reklamas išreiškė baimę,
11:36
but did they conclude
254
684971
1856
bet ar jie padarė išvadą,
11:38
that they actually made people stop smoking?
255
686827
3161
kad jos privertė žmones mesti rūkyti?
11:41
No. It's science, not magic.
256
689988
2542
Ne. Tai mokslas, ne magija.
11:44
So if we are to unlock
257
692530
3190
Jeigu mes norime atverti
11:47
the power of data,
258
695720
2862
duomenų galią,
11:50
we don't have to go blindly into
259
698582
3448
mums nereikėtų aklai nerti
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
į Orwell totalitarinės ateities viziją,
11:57
or Huxley's vision of a trivial one,
261
705466
3117
ar Huxley viziją apie trivialumo ateitį,
12:00
or some horrible cocktail of both.
262
708583
3020
ar kokį siaubingą abiejų mišinį.
12:03
What we have to do
263
711603
2379
Ką mums reikia padaryti,
12:05
is treat critical thinking with respect
264
713982
2718
tai gerbti kritinį mąstymą
12:08
and be inspired by examples
265
716700
2029
ir būti įkvėptiems pavyzdžių,
12:10
like the Health Media Collaboratory,
266
718729
2610
kaip Sveikatos žiniasklaidos asociacijos,
12:13
and as they say in the superhero movies,
267
721339
2328
ir kaip sakoma superherojų filmuose,
12:15
let's use our powers for good.
268
723667
1822
naudokime savo galią gėriui.
12:17
Thank you.
269
725489
2351
Dėkoju.
12:19
(Applause)
270
727840
2334
(Plojimai)
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