TEDxBoston 2011
Jean-Baptiste Michel + Erez Lieberman Aiden: What we learned from 5 million books
Wat we leerden uit 5 miljoen boeken
Filmed:
Readability: 3.9
2,049,453 views
Heb je wel eens gespeeld met Ngram Viewer van Google Labs? Het is een verslavende tool die je in staat stelt woorden en ideeën te zoeken in een databank van 5 miljoen boeken uit diverse eeuwen. Erez Lieberman Aiden en Jean-Baptiste Michel laten zien hoe het werkt, en tonen enkele verrassende dingen die we kunnen leren van 500 miljard woorden.
Jean-Baptiste Michel - Data researcher
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bioErez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ... Full bio
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bioErez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ... Full bio
Double-click the English transcript below to play the video.
00:15
Erez Lieberman Aiden: Everyone knows
0
0
2000
Erez Lieberman Aiden: Iedereen weet
00:17
that a picture is worth a thousand words.
1
2000
3000
dat één beeld meer zegt dan 1000 woorden.
00:22
But we at Harvard
2
7000
2000
Maar wij in Harvard
00:24
were wondering if this was really true.
3
9000
3000
vroegen ons af of dit wel echt klopte.
00:27
(Laughter)
4
12000
2000
(Gelach)
00:29
So we assembled a team of experts,
5
14000
4000
Dus verzamelden we een team van experts,
00:33
spanning Harvard, MIT,
6
18000
2000
van Harvard, MIT,
00:35
The American Heritage Dictionary, The Encyclopedia Britannica
7
20000
3000
The American Heritage Dictionary, The Encyclopedia Britannica
00:38
and even our proud sponsors,
8
23000
2000
en zelfs onze trotse sponsors,
00:40
the Google.
9
25000
3000
The Google.
00:43
And we cogitated about this
10
28000
2000
We overpeinsden dit
00:45
for about four years.
11
30000
2000
gedurende vier jaar.
00:47
And we came to a startling conclusion.
12
32000
5000
We kwamen tot een verrassende conclusie.
00:52
Ladies and gentlemen, a picture is not worth a thousand words.
13
37000
3000
Dames en heren, een beeld is niet alleen meer waard dan 1000 woorden.
00:55
In fact, we found some pictures
14
40000
2000
Wij hebben beelden gevonden
00:57
that are worth 500 billion words.
15
42000
5000
die 500 miljard woorden waard zijn.
01:02
Jean-Baptiste Michel: So how did we get to this conclusion?
16
47000
2000
Jean-Baptiste Michel: Hoe kwamen we tot deze conclusie?
01:04
So Erez and I were thinking about ways
17
49000
2000
Erez en ik dachten na hoe we een overzicht
01:06
to get a big picture of human culture
18
51000
2000
konden krijgen van onze cultuur
01:08
and human history: change over time.
19
53000
3000
en geschiedenis: de verandering door de tijd.
01:11
So many books actually have been written over the years.
20
56000
2000
Er zijn vele boeken geschreven over de jaren.
01:13
So we were thinking, well the best way to learn from them
21
58000
2000
Dus dachten we: de beste manier om ervan te leren
01:15
is to read all of these millions of books.
22
60000
2000
is die miljoenen boeken allemaal te lezen.
01:17
Now of course, if there's a scale for how awesome that is,
23
62000
3000
Op de schaal van hoe vet dat is,
01:20
that has to rank extremely, extremely high.
24
65000
3000
zou dit extreem hoog scoren.
01:23
Now the problem is there's an X-axis for that,
25
68000
2000
Het probleem is de X-as hiervan,
01:25
which is the practical axis.
26
70000
2000
hetgeen de praktische as is.
01:27
This is very, very low.
27
72000
2000
Die is bijzonder laag.
01:29
(Applause)
28
74000
3000
(Applaus)
01:32
Now people tend to use an alternative approach,
29
77000
3000
Mensen kiezen meestal voor een alternatieve aanpak,
01:35
which is to take a few sources and read them very carefully.
30
80000
2000
namelijk: enkele bronnen zeer grondig lezen.
01:37
This is extremely practical, but not so awesome.
31
82000
2000
Dat is zeer praktisch, maar niet zo vet.
01:39
What you really want to do
32
84000
3000
Wat je zou willen, is in het
01:42
is to get to the awesome yet practical part of this space.
33
87000
3000
vette en toch praktische deel van dit vlak belanden.
01:45
So it turns out there was a company across the river called Google
34
90000
3000
Nu zat er vlakbij een bedrijf genaamd Google
01:48
who had started a digitization project a few years back
35
93000
2000
dat een digitalisatieproject was begonnen
01:50
that might just enable this approach.
36
95000
2000
dat dit wellicht mogelijk kon maken.
01:52
They have digitized millions of books.
37
97000
2000
Ze hebben miljoenen boeken gedigitaliseerd.
01:54
So what that means is, one could use computational methods
38
99000
3000
Dit betekent dat je rekenkundige methoden kunt gebruiken
01:57
to read all of the books in a click of a button.
39
102000
2000
om al deze boeken te lezen met één muisklik.
01:59
That's very practical and extremely awesome.
40
104000
3000
Dat is zeer praktisch en extreem vet.
02:03
ELA: Let me tell you a little bit about where books come from.
41
108000
2000
ELA: Ik zal even vertellen waar boeken vandaan komen.
02:05
Since time immemorial, there have been authors.
42
110000
3000
Sinds mensenheugenis zijn er schrijvers geweest.
02:08
These authors have been striving to write books.
43
113000
3000
Deze schrijvers streefden ernaar boeken te schrijven.
02:11
And this became considerably easier
44
116000
2000
Dit werd aanzienlijk vergemakkelijkt
02:13
with the development of the printing press some centuries ago.
45
118000
2000
door de komst van drukpers, enkele eeuwen geleden.
02:15
Since then, the authors have won
46
120000
3000
Sindsdien is het deze schrijvers
02:18
on 129 million distinct occasions,
47
123000
2000
129 miljoen maal gelukt
02:20
publishing books.
48
125000
2000
een boek te publiceren.
02:22
Now if those books are not lost to history,
49
127000
2000
Als deze boeken niet verloren zijn gegaan,
02:24
then they are somewhere in a library,
50
129000
2000
staan ze ergens in een bibliotheek,
02:26
and many of those books have been getting retrieved from the libraries
51
131000
3000
en veel van die boeken zijn uit bibliotheken gehaald
02:29
and digitized by Google,
52
134000
2000
en gedigitaliseerd door Google,
02:31
which has scanned 15 million books to date.
53
136000
2000
dat tot op heden 15 miljoen boeken heeft gescand.
02:33
Now when Google digitizes a book, they put it into a really nice format.
54
138000
3000
Google digitaliseert boeken tot een heel mooi formaat.
02:36
Now we've got the data, plus we have metadata.
55
141000
2000
We hebben de data, plus meta-data.
02:38
We have information about things like where was it published,
56
143000
3000
We hebben informatie over waar het gepubliceerd was,
02:41
who was the author, when was it published.
57
146000
2000
wie de auteur was, wanneer het uitkwam.
02:43
And what we do is go through all of those records
58
148000
3000
Wij gaan door al die documenten heen
02:46
and exclude everything that's not the highest quality data.
59
151000
4000
en sluiten alles uit wat niet van de hoogste kwaliteit is.
02:50
What we're left with
60
155000
2000
Wat we dan overhouden,
02:52
is a collection of five million books,
61
157000
3000
is een collectie van 5 miljoen boeken,
02:55
500 billion words,
62
160000
3000
500 miljard woorden,
02:58
a string of characters a thousand times longer
63
163000
2000
een rij letters duizend maal langer
03:00
than the human genome --
64
165000
3000
dan het menselijk genoom --
03:03
a text which, when written out,
65
168000
2000
een tekst die, uitgeschreven,
03:05
would stretch from here to the Moon and back
66
170000
2000
10 maal tot de maan
03:07
10 times over --
67
172000
2000
en terug zou reiken --
03:09
a veritable shard of our cultural genome.
68
174000
4000
een waarachtige scherf van ons culturele genoom.
03:13
Of course what we did
69
178000
2000
Wat we uiteraard deden
03:15
when faced with such outrageous hyperbole ...
70
180000
3000
ten overstaan van zulk buitensporig hyperbool ...
03:18
(Laughter)
71
183000
2000
(Gelach)
03:20
was what any self-respecting researchers
72
185000
3000
was wat ieder zichzelf respecterend onderzoeker
03:23
would have done.
73
188000
3000
gedaan zou hebben.
03:26
We took a page out of XKCD,
74
191000
2000
We namen een pagina uit XKDC,
03:28
and we said, "Stand back.
75
193000
2000
en zeiden: "Pas op!
03:30
We're going to try science."
76
195000
2000
We gaan een poging tot wetenschap doen."
03:32
(Laughter)
77
197000
2000
(Gelach)
03:34
JM: Now of course, we were thinking,
78
199000
2000
JM: Natuurlijk dachten we:
03:36
well let's just first put the data out there
79
201000
2000
laten we eerst de data produceren
03:38
for people to do science to it.
80
203000
2000
waarop mensen wetenschap kunnen loslaten.
03:40
Now we're thinking, what data can we release?
81
205000
2000
We dachten: welke data kunnen we produceren?
03:42
Well of course, you want to take the books
82
207000
2000
Natuurlijk wil je de volledige tekst
03:44
and release the full text of these five million books.
83
209000
2000
van deze 5 miljoen boeken publiceren.
03:46
Now Google, and Jon Orwant in particular,
84
211000
2000
Google, en Jon Orwant in het bijzonder,
03:48
told us a little equation that we should learn.
85
213000
2000
hielden ons het volgende sommetje voor.
03:50
So you have five million, that is, five million authors
86
215000
3000
Je hebt 5 miljoen boeken; dat is 5 miljoen auteurs...
03:53
and five million plaintiffs is a massive lawsuit.
87
218000
3000
...en 5 miljoen eisers is een gigantische rechtszaak.
03:56
So, although that would be really, really awesome,
88
221000
2000
Ook al zou dat uitermate vet zijn,
03:58
again, that's extremely, extremely impractical.
89
223000
3000
het is, nogmaals, extreem onpraktisch.
04:01
(Laughter)
90
226000
2000
(Gelach)
04:03
Now again, we kind of caved in,
91
228000
2000
Dus we gingen overstag,
04:05
and we did the very practical approach, which was a bit less awesome.
92
230000
3000
en we kozen de praktische aanpak, die iets minder vet was.
04:08
We said, well instead of releasing the full text,
93
233000
2000
We zeiden, in plaats van de hele tekst uitgeven,
04:10
we're going to release statistics about the books.
94
235000
2000
gaan we statistieken uitgeven over de boeken.
04:12
So take for instance "A gleam of happiness."
95
237000
2000
Neem bijvoorbeeld "A gleam of happiness".
04:14
It's four words; we call that a four-gram.
96
239000
2000
Vier woorden; we noemen dat een four-gram.
04:16
We're going to tell you how many times a particular four-gram
97
241000
2000
We gaan laten zien hoe vaak een specifiek four-gram
04:18
appeared in books in 1801, 1802, 1803,
98
243000
2000
verscheen in boeken in 1801, 1802, 1803,
04:20
all the way up to 2008.
99
245000
2000
tot en met 2008.
04:22
That gives us a time series
100
247000
2000
Dat levert een tijdverloop op
04:24
of how frequently this particular sentence was used over time.
101
249000
2000
van hoe frequent deze specifieke zin gebruikt werd.
04:26
We do that for all the words and phrases that appear in those books,
102
251000
3000
We doen dat met alle woorden en zinnen die in die boeken voorkomen,
04:29
and that gives us a big table of two billion lines
103
254000
3000
wat een lijst van twee miljard zinnen oplevert
04:32
that tell us about the way culture has been changing.
104
257000
2000
die laat zien hoe onze cultuur veranderd is.
04:34
ELA: So those two billion lines,
105
259000
2000
ELA: Die 2 miljard zinnen
04:36
we call them two billion n-grams.
106
261000
2000
noemen we 2 miljard n-grams.
04:38
What do they tell us?
107
263000
2000
Wat vertellen ze ons?
04:40
Well the individual n-grams measure cultural trends.
108
265000
2000
De individuele n-grams meten culturele trends.
04:42
Let me give you an example.
109
267000
2000
Ik zal een voorbeeld geven.
04:44
Let's suppose that I am thriving,
110
269000
2000
Stel dat ik geluk ervaar,
04:46
then tomorrow I want to tell you about how well I did.
111
271000
2000
en morgen vertel ik je daarover.
04:48
And so I might say, "Yesterday, I throve."
112
273000
3000
Dan kan ik zeggen: "Gisteren ervoer ik geluk."
04:51
Alternatively, I could say, "Yesterday, I thrived."
113
276000
3000
Of: "Gisteren ervaarde ik geluk."
04:54
Well which one should I use?
114
279000
3000
Wat moet ik gebruiken?
04:57
How to know?
115
282000
2000
Hoe kom je daar achter?
04:59
As of about six months ago,
116
284000
2000
Sinds een maand of zes,
05:01
the state of the art in this field
117
286000
2000
is de meest vooruitstrevende manier
05:03
is that you would, for instance,
118
288000
2000
om hier achter te komen, bijvoorbeeld,
05:05
go up to the following psychologist with fabulous hair,
119
290000
2000
het benaderen van de volgende psycholoog met geweldig haar,
05:07
and you'd say,
120
292000
2000
en je zegt:
05:09
"Steve, you're an expert on the irregular verbs.
121
294000
3000
"Steve, jij weet alles van onregelmatige werkwoorden.
05:12
What should I do?"
122
297000
2000
Wat moet ik doen?"
05:14
And he'd tell you, "Well most people say thrived,
123
299000
2000
Dan zegt hij: "Nou, de meeste mensen zeggen 'ervaarde',
05:16
but some people say throve."
124
301000
3000
maar sommige mensen zeggen 'ervaarde'."
05:19
And you also knew, more or less,
125
304000
2000
Je weet ook, min of meer,
05:21
that if you were to go back in time 200 years
126
306000
3000
dat als je 200 jaar teruggaat in de tijd
05:24
and ask the following statesman with equally fabulous hair,
127
309000
3000
en deze staatsman met even geweldig haar, vraagt:
05:27
(Laughter)
128
312000
3000
(Gelach)
05:30
"Tom, what should I say?"
129
315000
2000
"Tom, wat moet ik zeggen?'"
05:32
He'd say, "Well, in my day, most people throve,
130
317000
2000
Dan zou hij zeggen: "Nou, in mijn tijd ervoeren
05:34
but some thrived."
131
319000
3000
de meeste mensen, maar sommigen ervaarden."
05:37
So now what I'm just going to show you is raw data.
132
322000
2000
Nu ga ik wat rauwe data laten zien.
05:39
Two rows from this table of two billion entries.
133
324000
4000
Twee kolommen uit de lijst met 2 miljard gegevens.
05:43
What you're seeing is year by year frequency
134
328000
2000
Wat je ziet, is de jaarlijkse frequentie
05:45
of "thrived" and "throve" over time.
135
330000
3000
van 'ervoeren' en 'ervaarden' doorheen de tijd.
05:49
Now this is just two
136
334000
2000
Dit zijn slechts twee
05:51
out of two billion rows.
137
336000
3000
van de twee miljard kolommen.
05:54
So the entire data set
138
339000
2000
Dus de hele dataset
05:56
is a billion times more awesome than this slide.
139
341000
3000
is een miljard maal vetter dan deze dia.
05:59
(Laughter)
140
344000
2000
(Gelach)
06:01
(Applause)
141
346000
4000
(Applaus)
06:05
JM: Now there are many other pictures that are worth 500 billion words.
142
350000
2000
JM: Er zijn veel andere beelden die 500 miljard woorden waard zijn.
06:07
For instance, this one.
143
352000
2000
Bijvoorbeeld dit beeld.
06:09
If you just take influenza,
144
354000
2000
Als je enkel griep neemt,
06:11
you will see peaks at the time where you knew
145
356000
2000
zie je pieken op tijdstippen waarvan je weet dat
06:13
big flu epidemics were killing people around the globe.
146
358000
3000
grote griepepidemieën wereldwijd levens kostten.
06:16
ELA: If you were not yet convinced,
147
361000
3000
ELA: Mocht je nog niet overtuigd zijn:
06:19
sea levels are rising,
148
364000
2000
zeewaterniveaus stijgen,
06:21
so is atmospheric CO2 and global temperature.
149
366000
3000
evenals CO2 in de lucht, en de globale temperatuur.
06:24
JM: You might also want to have a look at this particular n-gram,
150
369000
3000
JM: Kijk ook even naar dit n-gram,
06:27
and that's to tell Nietzsche that God is not dead,
151
372000
3000
dat Nietzsche vertelt dat God niet dood is,
06:30
although you might agree that he might need a better publicist.
152
375000
3000
hoewel je kunt zeggen dat hij betere pr nodig heeft.
06:33
(Laughter)
153
378000
2000
(Gelach)
06:35
ELA: You can get at some pretty abstract concepts with this sort of thing.
154
380000
3000
ELA: Je komt bij behoorlijk abstracte concepten met dit soort dingen.
06:38
For instance, let me tell you the history
155
383000
2000
Ik zal je bijvoorbeeld de geschiedenis laten zien
06:40
of the year 1950.
156
385000
2000
van het jaar 1950.
06:42
Pretty much for the vast majority of history,
157
387000
2000
Tijdens het grootste deel van de geschiedenis,
06:44
no one gave a damn about 1950.
158
389000
2000
kon 1950 niemand iets schelen.
06:46
In 1700, in 1800, in 1900,
159
391000
2000
In 1700, 1800, en 1900
06:48
no one cared.
160
393000
3000
interesseerde het niemand.
06:52
Through the 30s and 40s,
161
397000
2000
In de jaren '30 en '40,
06:54
no one cared.
162
399000
2000
interesseerde het niemand.
06:56
Suddenly, in the mid-40s,
163
401000
2000
Opeens, midden jaren '40,
06:58
there started to be a buzz.
164
403000
2000
ontstond er rumoer.
07:00
People realized that 1950 was going to happen,
165
405000
2000
Mensen beseften dat 1950 er aan ging komen,
07:02
and it could be big.
166
407000
2000
en het zou belangrijk kunnen zijn.
07:04
(Laughter)
167
409000
3000
(Gelach)
07:07
But nothing got people interested in 1950
168
412000
3000
Maar niets liet mensen zo warmlopen voor 1950
07:10
like the year 1950.
169
415000
3000
als het jaar 1950.
07:13
(Laughter)
170
418000
3000
(Gelach)
07:16
People were walking around obsessed.
171
421000
2000
Mensen liepen geobsedeerd rond.
07:18
They couldn't stop talking
172
423000
2000
Ze bleven maar praten
07:20
about all the things they did in 1950,
173
425000
3000
over alle dingen die ze deden in 1950,
07:23
all the things they were planning to do in 1950,
174
428000
3000
alle dingen die ze van plan waren in 1950,
07:26
all the dreams of what they wanted to accomplish in 1950.
175
431000
5000
alle dromen die ze wilden verwezenlijken in 1950.
07:31
In fact, 1950 was so fascinating
176
436000
2000
In feite was 1950 zo fascinerend
07:33
that for years thereafter,
177
438000
2000
dat mensen jaren later
07:35
people just kept talking about all the amazing things that happened,
178
440000
3000
nog steeds praatten over alle verbazingwekkends dat gebeurd was,
07:38
in '51, '52, '53.
179
443000
2000
in '51, '52, '53.
07:40
Finally in 1954,
180
445000
2000
Uiteindelijk in 1954,
07:42
someone woke up and realized
181
447000
2000
werd er iemand wakker die zich realiseerde
07:44
that 1950 had gotten somewhat passé.
182
449000
4000
dat 1950 nu wat achterhaald was.
07:48
(Laughter)
183
453000
2000
(Gelach)
07:50
And just like that, the bubble burst.
184
455000
2000
Opeens was de zeepbel gebarsten.
07:52
(Laughter)
185
457000
2000
(Gelach)
07:54
And the story of 1950
186
459000
2000
Het verhaal van 1950
07:56
is the story of every year that we have on record,
187
461000
2000
is het verhaal van elk jaar dat gemeten is,
07:58
with a little twist, because now we've got these nice charts.
188
463000
3000
met een kleine draai, want nu hebben we deze mooie grafieken.
08:01
And because we have these nice charts, we can measure things.
189
466000
3000
Omdat we die hebben, kunnen we dingen meten.
08:04
We can say, "Well how fast does the bubble burst?"
190
469000
2000
We kunnen vragen: "Hoe snel is de zeepbel gebarsten?"
08:06
And it turns out that we can measure that very precisely.
191
471000
3000
Dat blijken we zeer precies te kunnen meten.
08:09
Equations were derived, graphs were produced,
192
474000
3000
Vergelijkingen en grafieken werden gemaakt,
08:12
and the net result
193
477000
2000
en het netto resultaat
08:14
is that we find that the bubble bursts faster and faster
194
479000
3000
is dat we zien dat de bel steeds sneller barst
08:17
with each passing year.
195
482000
2000
naarmate de tijd vordert.
08:19
We are losing interest in the past more rapidly.
196
484000
5000
We raken sneller uitgekeken op het verleden.
08:24
JM: Now a little piece of career advice.
197
489000
2000
JM: Nu wat carrière-advies.
08:26
So for those of you who seek to be famous,
198
491000
2000
Diegenen van jullie die beroemd willen worden,
08:28
we can learn from the 25 most famous political figures,
199
493000
2000
kunnen leren van de 25 beroemdste politieke figuren,
08:30
authors, actors and so on.
200
495000
2000
schrijvers, acteurs enzovoort.
08:32
So if you want to become famous early on, you should be an actor,
201
497000
3000
Om snel beroemd te worden, zou je acteur moeten zijn,
08:35
because then fame starts rising by the end of your 20s --
202
500000
2000
want dan stijgt je bekendheid nog vóór je dertigste --
08:37
you're still young, it's really great.
203
502000
2000
je bent nog jong, helemaal geweldig.
08:39
Now if you can wait a little bit, you should be an author,
204
504000
2000
Als je wat langer kunt wachten, zou je schrijver moeten zijn,
08:41
because then you rise to very great heights,
205
506000
2000
want dan stijg je tot grote hoogten,
08:43
like Mark Twain, for instance: extremely famous.
206
508000
2000
zoals Mark Twain, bijvoorbeeld: extreem beroemd.
08:45
But if you want to reach the very top,
207
510000
2000
Maar als je de absolute top wilt bereiken,
08:47
you should delay gratification
208
512000
2000
moet je kunnen wachten,
08:49
and, of course, become a politician.
209
514000
2000
en, uiteraard, politicus worden.
08:51
So here you will become famous by the end of your 50s,
210
516000
2000
Hier word je beroemd vlak voor je zestigste,
08:53
and become very, very famous afterward.
211
518000
2000
en daarna word je nog veel beroemder.
08:55
So scientists also tend to get famous when they're much older.
212
520000
3000
Wetenschappers worden doorgaans ook beroemd op hogere leeftijd.
08:58
Like for instance, biologists and physics
213
523000
2000
Bijvoorbeeld, biologen en natuurkundigen
09:00
tend to be almost as famous as actors.
214
525000
2000
zijn vaak bijna zo beroemd als acteurs.
09:02
One mistake you should not do is become a mathematician.
215
527000
3000
Een fout die je niet moet maken, is wiskundige worden.
09:05
(Laughter)
216
530000
2000
(Gelach)
09:07
If you do that,
217
532000
2000
Als je dat doet,
09:09
you might think, "Oh great. I'm going to do my best work when I'm in my 20s."
218
534000
3000
denk je wellicht: "Mooi, ik ga mijn beste werk doen als begin twintiger."
09:12
But guess what, nobody will really care.
219
537000
2000
Maar dat kan niemand wat schelen.
09:14
(Laughter)
220
539000
3000
(Gelach)
09:17
ELA: There are more sobering notes
221
542000
2000
ELA: Er zijn meer ontnuchterende aspecten
09:19
among the n-grams.
222
544000
2000
aan de n-grams.
09:21
For instance, here's the trajectory of Marc Chagall,
223
546000
2000
Hier is bijvoorbeeld het traject van Marc Chagall,
09:23
an artist born in 1887.
224
548000
2000
een kunstenaar geboren in 1887.
09:25
And this looks like the normal trajectory of a famous person.
225
550000
3000
Het lijkt het normale traject van een beroemd persoon.
09:28
He gets more and more and more famous,
226
553000
4000
Hij wordt steeds beroemder,
09:32
except if you look in German.
227
557000
2000
behalve als je in het Duits kijkt.
09:34
If you look in German, you see something completely bizarre,
228
559000
2000
Daar zie je iets volledig bizars,
09:36
something you pretty much never see,
229
561000
2000
wat je bijna nooit ziet, namelijk
09:38
which is he becomes extremely famous
230
563000
2000
dat hij eerst heel beroemd wordt,
09:40
and then all of a sudden plummets,
231
565000
2000
en dan opeens sterk daalt,
09:42
going through a nadir between 1933 and 1945,
232
567000
3000
met een dieptepunt tussen 1933 en 1945,
09:45
before rebounding afterward.
233
570000
3000
voordat hij weer stijgt.
09:48
And of course, what we're seeing
234
573000
2000
Wat we hier uiteraard zien,
09:50
is the fact Marc Chagall was a Jewish artist
235
575000
3000
is het feit dat Marc Chagall een Joodse kunstenaar was
09:53
in Nazi Germany.
236
578000
2000
in Nazi-Duitsland.
09:55
Now these signals
237
580000
2000
Deze signalen
09:57
are actually so strong
238
582000
2000
zijn zo sterk
09:59
that we don't need to know that someone was censored.
239
584000
3000
dat we niet hoeven te weten dat iemand werd gecensureerd.
10:02
We can actually figure it out
240
587000
2000
We kunnen het uitvissen
10:04
using really basic signal processing.
241
589000
2000
met wat simpele signaalverwerking.
10:06
Here's a simple way to do it.
242
591000
2000
Hier is een eenvoudige methode.
10:08
Well, a reasonable expectation
243
593000
2000
Een redelijke aanname is
10:10
is that somebody's fame in a given period of time
244
595000
2000
dat iemands roem in een bepaalde periode
10:12
should be roughly the average of their fame before
245
597000
2000
ruwweg het gemiddelde moet zijn van zijn roem
10:14
and their fame after.
246
599000
2000
ervoor en erna.
10:16
So that's sort of what we expect.
247
601000
2000
Dat is wat we zouden verwachten.
10:18
And we compare that to the fame that we observe.
248
603000
3000
Dat vergelijken we met de roem die we observeren.
10:21
And we just divide one by the other
249
606000
2000
Dan delen we het één door het ander,
10:23
to produce something we call a suppression index.
250
608000
2000
om iets te produceren dat we een suppressie-index noemen.
10:25
If the suppression index is very, very, very small,
251
610000
3000
Als de suppressie-index heel, heel, heel klein is,
10:28
then you very well might be being suppressed.
252
613000
2000
dan kon het zijn dat je tegengewerkt wordt.
10:30
If it's very large, maybe you're benefiting from propaganda.
253
615000
3000
Als hij erg groot is, zou er propaganda in het spel kunnen zijn.
10:34
JM: Now you can actually look at
254
619000
2000
JM: Je kunt ook kijken naar
10:36
the distribution of suppression indexes over whole populations.
255
621000
3000
de distributie van suppressie-indexen over hele populaties.
10:39
So for instance, here --
256
624000
2000
Dus bijvoorbeeld, hier:
10:41
this suppression index is for 5,000 people
257
626000
2000
deze suppressie-index is voor 5000 mensen
10:43
picked in English books where there's no known suppression --
258
628000
2000
genomen uit Engelse boeken zonder suppressie --
10:45
it would be like this, basically tightly centered on one.
259
630000
2000
dat is mooi gecentreerd rond 1.
10:47
What you expect is basically what you observe.
260
632000
2000
Wat je verwacht, observeer je ook.
10:49
This is distribution as seen in Germany --
261
634000
2000
Dit is de distributie in Duitsland --
10:51
very different, it's shifted to the left.
262
636000
2000
heel anders, het is verschoven naar links.
10:53
People talked about it twice less as it should have been.
263
638000
3000
Mensen praatten er tweemaal minder over dan normaal.
10:56
But much more importantly, the distribution is much wider.
264
641000
2000
Maar veel belangrijker: de distributie is veel breder.
10:58
There are many people who end up on the far left on this distribution
265
643000
3000
Er zijn veel mensen in de linkerkant van de distributie,
11:01
who are talked about 10 times fewer than they should have been.
266
646000
3000
waarover tienmaal minder gepraat wordt dan normaal.
11:04
But then also many people on the far right
267
649000
2000
Maar ook mensen helemaal rechts,
11:06
who seem to benefit from propaganda.
268
651000
2000
die schijnen te profiteren van propaganda.
11:08
This picture is the hallmark of censorship in the book record.
269
653000
3000
Dit beeld is het kenmerk van censuur in boeken.
11:11
ELA: So culturomics
270
656000
2000
ELA: Culturomica
11:13
is what we call this method.
271
658000
2000
noemen we deze methode.
11:15
It's kind of like genomics.
272
660000
2000
Het lijkt op genomica.
11:17
Except genomics is a lens on biology
273
662000
2000
Maar genomica is een lens op biologie
11:19
through the window of the sequence of bases in the human genome.
274
664000
3000
door het raam van de opeenvolging van basen in het menselijk genoom.
11:22
Culturomics is similar.
275
667000
2000
Culturomica lijkt hierop.
11:24
It's the application of massive-scale data collection analysis
276
669000
3000
Het is de toepassing van massale datacollectie-analyse
11:27
to the study of human culture.
277
672000
2000
op de studie van de menselijke cultuur.
11:29
Here, instead of through the lens of a genome,
278
674000
2000
In plaats van door de lens van een genoom,
11:31
through the lens of digitized pieces of the historical record.
279
676000
3000
hier door de lens van gedigitaliseerde stukjes historische data.
11:34
The great thing about culturomics
280
679000
2000
Het mooie aan culturomica
11:36
is that everyone can do it.
281
681000
2000
is dat iedereen het kan doen.
11:38
Why can everyone do it?
282
683000
2000
Waarom kan iedereen het?
11:40
Everyone can do it because three guys,
283
685000
2000
Iedereen kan het omdat drie kerels,
11:42
Jon Orwant, Matt Gray and Will Brockman over at Google,
284
687000
3000
Jon Orwant, Matt Gray en Will Brockman bij Google,
11:45
saw the prototype of the Ngram Viewer,
285
690000
2000
het prototype zagen van de Ngram Viewer,
11:47
and they said, "This is so fun.
286
692000
2000
en zeiden: "Dit is zo leuk.
11:49
We have to make this available for people."
287
694000
3000
We moeten dit beschikbaar maken voor de mensen."
11:52
So in two weeks flat -- the two weeks before our paper came out --
288
697000
2000
In de twee weken voordat onze publicatie uitkwam,
11:54
they coded up a version of the Ngram Viewer for the general public.
289
699000
3000
codeerden ze een versie van de Ngram Viewer voor het grote publiek.
11:57
And so you too can type in any word or phrase that you're interested in
290
702000
3000
Dus ook jij kunt ieder woord of iedere zin intoetsen
12:00
and see its n-gram immediately --
291
705000
2000
en diens Ngram meteen zien --
12:02
also browse examples of all the various books
292
707000
2000
en tevens voorbeelden inkijken van de boeken
12:04
in which your n-gram appears.
293
709000
2000
waarin je Ngram voorkomt.
12:06
JM: Now this was used over a million times on the first day,
294
711000
2000
JM: De eerste dag is het meer dan een miljoen maal gebruikt.
12:08
and this is really the best of all the queries.
295
713000
2000
en het is echt de beste van alle zoekopdrachten.
12:10
So people want to be their best, put their best foot forward.
296
715000
3000
Mensen willen op hun best zijn, hun beste voetje voor zetten.
12:13
But it turns out in the 18th century, people didn't really care about that at all.
297
718000
3000
Maar in de 18e eeuw gaven mensen daar niet om.
12:16
They didn't want to be their best, they wanted to be their beft.
298
721000
3000
Ze wilden niet op hun best zijn, maar op hun beft.
12:19
So what happened is, of course, this is just a mistake.
299
724000
3000
Dit is uiteraard een vergissing.
12:22
It's not that strove for mediocrity,
300
727000
2000
Ze streefden niet naar middelmatigheid,
12:24
it's just that the S used to be written differently, kind of like an F.
301
729000
3000
maar de S werd toen anders geschreven, als een F.
12:27
Now of course, Google didn't pick this up at the time,
302
732000
3000
Dit heeft Google destijds niet opgepikt,
12:30
so we reported this in the science article that we wrote.
303
735000
3000
dus we gaven dit aan in het wetenschapsartikel.
12:33
But it turns out this is just a reminder
304
738000
2000
Maar het is dus een herinnering
12:35
that, although this is a lot of fun,
305
740000
2000
dat, ook al is dit allemaal erg leuk,
12:37
when you interpret these graphs, you have to be very careful,
306
742000
2000
wanneer je deze grafieken interpreteert, je erg moet oppassen,
12:39
and you have to adopt the base standards in the sciences.
307
744000
3000
en de wetenschappelijke basisprincipes moet toepassen.
12:42
ELA: People have been using this for all kinds of fun purposes.
308
747000
3000
ELA: Mensen hebben dit voor allerlei leuke dingen gebruikt.
12:45
(Laughter)
309
750000
7000
(Gelach)
12:52
Actually, we're not going to have to talk,
310
757000
2000
We hoeven eigenlijk niet te praten,
12:54
we're just going to show you all the slides and remain silent.
311
759000
3000
we laten gewoon alle dia's zien en houden onze mond.
12:57
This person was interested in the history of frustration.
312
762000
3000
Deze persoon was geïnteresseerd in de geschiedenis van frustratie.
13:00
There's various types of frustration.
313
765000
3000
Er zijn verschillende soorten frustratie.
13:03
If you stub your toe, that's a one A "argh."
314
768000
3000
Als je je teen stoot, is dat "argh" met één A.
13:06
If the planet Earth is annihilated by the Vogons
315
771000
2000
Als de Aarde wordt verwoest door Vogons
13:08
to make room for an interstellar bypass,
316
773000
2000
om plaats te maken voor een galactische omleiding,
13:10
that's an eight A "aaaaaaaargh."
317
775000
2000
is dat een "aaaaaaaargh" met acht A's.
13:12
This person studies all the "arghs,"
318
777000
2000
Deze persoon bestudeerde alle "arghs",
13:14
from one through eight A's.
319
779000
2000
van één tot en met acht A's.
13:16
And it turns out
320
781000
2000
Nu blijkt
13:18
that the less-frequent "arghs"
321
783000
2000
dat de minder frequente "arghs"
13:20
are, of course, the ones that correspond to things that are more frustrating --
322
785000
3000
corresponderen met meer frustrerende dingen --
13:23
except, oddly, in the early 80s.
323
788000
3000
behalve, vreemd genoeg, begin jaren '80.
13:26
We think that might have something to do with Reagan.
324
791000
2000
We denken dat dit iets te maken heeft met Reagan.
13:28
(Laughter)
325
793000
2000
(Gelach)
13:30
JM: There are many usages of this data,
326
795000
3000
JM: Er zijn vele toepassingen voor deze data,
13:33
but the bottom line is that the historical record is being digitized.
327
798000
3000
maar het belangrijkste is dat historische data worden gedigitaliseerd.
13:36
Google has started to digitize 15 million books.
328
801000
2000
Google heeft nu 15 miljoen boeken gedigitaliseerd.
13:38
That's 12 percent of all the books that have ever been published.
329
803000
2000
Dat is 12% van alle boeken die ooit uitgegeven zijn.
13:40
It's a sizable chunk of human culture.
330
805000
3000
Dat is een behoorlijk deel van onze cultuur.
13:43
There's much more in culture: there's manuscripts, there newspapers,
331
808000
3000
Er is nog veel meer in de cultuur: er zijn manuscripten, kranten,
13:46
there's things that are not text, like art and paintings.
332
811000
2000
er zijn dingen zonder tekst, zoals kunst en schilderijen.
13:48
These all happen to be on our computers,
333
813000
2000
Deze staan allemaal op onze computers,
13:50
on computers across the world.
334
815000
2000
op computers over de wereld.
13:52
And when that happens, that will transform the way we have
335
817000
3000
Wanneer dat gebeurt, zal het ons begrip van ons verleden,
13:55
to understand our past, our present and human culture.
336
820000
2000
ons heden, en onze cultuur transformeren.
13:57
Thank you very much.
337
822000
2000
Dank je wel.
13:59
(Applause)
338
824000
3000
(Applaus)
ABOUT THE SPEAKERS
Jean-Baptiste Michel - Data researcherJean-Baptiste Michel looks at how we can use large volumes of data to better understand our world.
Why you should listen
Jean-Baptiste Michel holds joint academic appointments at Harvard (FQEB Fellow) and Google (Visiting Faculty). His research focusses on using large volumes of data as tools that help better understand the world around us -- from the way diseases progress in patients over years, to the way cultures change in human societies over centuries. With his colleague Erez Lieberman Aiden, Jean-Baptiste is a Founding Director of Harvard's Cultural Observatory, where their research team pioneers the use of quantitative methods for the study of human culture, language and history. His research was featured on the covers of Science and Nature, on the front pages of the New York Times and the Boston Globe, in The Economist, Wired and many other venues. The online tool he helped create -- ngrams.googlelabs.com -- was used millions of times to browse cultural trends. Jean-Baptiste is an Engineer from Ecole Polytechnique (Paris), and holds an MS in Applied Mathematics and a PhD in Systems Biology from Harvard.
Jean-Baptiste Michel | Speaker | TED.com
Erez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ...
Why you should listen
Erez Lieberman Aiden is a fellow at the Harvard Society of Fellows and Visiting Faculty at Google. His research spans many disciplines and has won numerous awards, including recognition for one of the top 20 "Biotech Breakthroughs that will Change Medicine", by Popular Mechanics; the Lemelson-MIT prize for the best student inventor at MIT; the American Physical Society's Award for the Best Doctoral Dissertation in Biological Physics; and membership in Technology Review's 2009 TR35, recognizing the top 35 innovators under 35. His last three papers -- two with JB Michel -- have all appeared on the cover of Nature and Science.
Erez Lieberman Aiden | Speaker | TED.com