TED@IBM
Susan Etlinger: What do we do with all this big data?
Susan Etlinger: Co robimy z ogromem danych?
Filmed:
Readability: 4.7
1,344,301 views
Czy zestaw danych sprawia, że czujesz się bardziej komfortowo? Bardziej spełniony? Jeśli tak, to twoja interpretacja jest prawdopodobnie zła. W nieoczekiwanie poruszającej prelekcji Susan Etlinger tłumaczy, dlaczego wraz z napływem coraz większej ilości danych musimy pogłębiać umiejętność krytycznego myślenia. Ponieważ ciężko jest przejść od liczenia rzeczy do ich rozumienia naprawdę.
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.
Technika przyniosła nam tak wiele:
00:13
Technology has brought us so much:
0
1354
3135
lądowanie na Księżycu, Internet,
sekwencjonowanie ludzkiego genomu.
sekwencjonowanie ludzkiego genomu.
00:16
the moon landing, the Internet,
1
4489
2019
00:18
the ability to sequence the human genome.
2
6508
2625
Wydobywa też wiele
naszych najskrytszych lęków.
naszych najskrytszych lęków.
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
00:24
and about 30 years ago,
4
12857
1856
Około 30 lat temu krytyk kultury,
Neil Postman, napisał książkę
Neil Postman, napisał książkę
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
pod tytułem "Zabawić się na śmierć",
która świetnie to odzwierciedla.
która świetnie to odzwierciedla.
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
00:31
which lays this out really brilliantly.
7
19381
2759
00:34
And here's what he said,
8
22140
1650
Oto co mówi, porównując dystopiczne wizje
00:35
comparing the dystopian visions
9
23790
2263
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
George'a Orwella i Aldousa Huxleya.
00:41
He said, Orwell feared we would become
11
29626
3126
Orwell bał się zniewolenia kultury.
00:44
a captive culture.
12
32752
2248
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
Huxley bał się trywializacji kultury.
00:50
Orwell feared the truth would be
14
38752
2145
Orwell bał się, że prawda
będzie przed nami ukrywana,
będzie przed nami ukrywana,
00:52
concealed from us,
15
40897
1923
00:54
and Huxley feared we would be drowned
16
42820
2190
a Huxley, że zaleje nas
morze trywialności.
morze trywialności.
00:57
in a sea of irrelevance.
17
45010
2693
Jednym słowem to wybór między
"Wielki Brat patrzy",
"Wielki Brat patrzy",
00:59
In a nutshell, it's a choice between
18
47703
2170
01:01
Big Brother watching you
19
49873
2600
a oglądaniem "Wielkiego Brata".
01:04
and you watching Big Brother.
20
52473
2496
01:06
(Laughter)
21
54969
1931
(Śmiech)
01:08
But it doesn't have to be this way.
22
56900
1734
Ale wcale nie musi tak być.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
Nie jesteśmy biernymi
konsumentami danych i technik.
konsumentami danych i technik.
01:13
We shape the role it plays in our lives
24
61970
2403
Kształtujemy ich rolę w naszym życiu
01:16
and the way we make meaning from it,
25
64373
2130
i ich znaczenie.
01:18
but to do that,
26
66503
1603
Jednak w tym celu
01:20
we have to pay as much attention to how we think
27
68106
3513
musimy zwracać tyle uwagi
na to, jak myślimy,
na to, jak myślimy,
jak i na to, jak kodujemy.
01:23
as how we code.
28
71619
2030
01:25
We have to ask questions, and hard questions,
29
73649
3098
Musimy zadawać pytania, trudne pytania,
01:28
to move past counting things
30
76747
1869
żeby przejść od powtarzania czynności
01:30
to understanding them.
31
78616
2602
do rozumienia ich.
Ciągle bombardują nas informacje
01:33
We're constantly bombarded with stories
32
81218
2446
01:35
about how much data there is in the world,
33
83664
2476
o tym, jak wiele danych jest na świecie,
01:38
but when it comes to big data
34
86140
1580
ale gdy chodzi o wyzwanie,
jakim jest ich interpretacja,
jakim jest ich interpretacja,
01:39
and the challenges of interpreting it,
35
87720
2596
rozmiar to nie wszystko.
01:42
size isn't everything.
36
90316
2088
01:44
There's also the speed at which it moves,
37
92404
2903
Chodzi też o prędkość,
z jaką się zmieniają
z jaką się zmieniają
01:47
and the many varieties of data types,
38
95307
1696
i o różnorodność typów danych.
01:49
and here are just a few examples:
39
97003
2498
Oto kilka przykładów:
01:51
images,
40
99501
2198
obrazy,
01:53
text,
41
101699
4007
tekst,
wideo
01:57
video,
42
105706
2095
01:59
audio.
43
107801
1830
i audio.
02:01
And what unites this disparate types of data
44
109631
3042
Łączy je to, że są stworzone przez ludzi
i wymagają kontekstu.
i wymagają kontekstu.
02:04
is that they're created by people
45
112673
2221
02:06
and they require context.
46
114894
2775
02:09
Now, there's a group of data scientists
47
117669
2445
Grupa analityków danych
z Uniwersytetu Illinois-Chicago
z Uniwersytetu Illinois-Chicago
02:12
out of the University of Illinois-Chicago,
48
120114
2305
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
pracuje w Health Media Collaboratory.
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
Współpracują z Centrami Kontroli Chorób,
02:19
to better understand
51
127560
1505
żeby lepiej rozumieć,
02:21
how people talk about quitting smoking,
52
129065
2848
co ludzie mówią o rzucaniu palenia,
co mówią o papierosach elektronicznych
co mówią o papierosach elektronicznych
02:23
how they talk about electronic cigarettes,
53
131913
2680
i co mogą wspólnie zrobić,
żeby pomóc im rzucić palenie.
żeby pomóc im rzucić palenie.
02:26
and what they can do collectively
54
134593
1985
02:28
to help them quit.
55
136578
1984
Żeby zrozumieć, co ludzie mówią o paleniu,
02:30
The interesting thing is, if you want to understand
56
138562
2013
02:32
how people talk about smoking,
57
140575
2216
najpierw trzeba wiedzieć,
02:34
first you have to understand
58
142791
1901
co rozumieją przez "palenie".
02:36
what they mean when they say "smoking."
59
144692
2565
Na Twitterze są cztery główne kategorie:
02:39
And on Twitter, there are four main categories:
60
147257
3926
numer jeden: palenie papierosów;
numer dwa: palenie marihuany;
numer dwa: palenie marihuany;
02:43
number one, smoking cigarettes;
61
151183
2997
02:46
number two, smoking marijuana;
62
154180
2807
numer trzy: palenie w piecu
i numer cztery: palenie się do kobiet.
i numer cztery: palenie się do kobiet.
02:48
number three, smoking ribs;
63
156987
2643
02:51
and number four, smoking hot women.
64
159630
3553
(Śmiech)
02:55
(Laughter)
65
163183
2993
02:58
So then you have to think about, well,
66
166176
2426
Trzeba przemyśleć, jak ludzie
rozmawiają o e-papierosach.
rozmawiają o e-papierosach.
03:00
how do people talk about electronic cigarettes?
67
168602
2140
03:02
And there are so many different ways
68
170742
2025
Robią to na wiele sposobów,
03:04
that people do this, and you can see from the slide
69
172767
2599
jak widać na slajdzie,
to dosyć złożona sprawa.
to dosyć złożona sprawa.
03:07
it's a complex kind of a query.
70
175366
2610
03:09
And what it reminds us is that
71
177976
3224
Przypomina nam to, że język
jest tworzony przez ludzi,
jest tworzony przez ludzi,
03:13
language is created by people,
72
181200
2411
03:15
and people are messy and we're complex
73
183611
2340
a ludzie mieszają,
jesteśmy skomplikowani,
jesteśmy skomplikowani,
03:17
and we use metaphors and slang and jargon
74
185951
2767
używamy metafor, slangu, żargonu
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
i robimy to 24 godziny na dobę,
w bardzo wielu językach,
w bardzo wielu językach,
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
a jak tylko to zauważymy, zmieniamy to.
Podobnie było z reklamami
wyemitowanymi przez CDC,
wyemitowanymi przez CDC,
03:27
So did these ads that the CDC put on,
77
195221
5118
03:32
these television ads that featured a woman
78
200339
2430
te bardzo obrazowe, niepokojące reklamy
z kobietą z dziurą w gardle.
z kobietą z dziurą w gardle.
03:34
with a hole in her throat and that were very graphic
79
202769
2021
03:36
and very disturbing,
80
204790
1904
Czy wpłynęły jakoś na rzucanie palenia?
03:38
did they actually have an impact
81
206694
1885
03:40
on whether people quit?
82
208579
2671
Health Media Collaboratory
mieli niewiele danych,
mieli niewiele danych,
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
03:46
but they were able to conclude
84
214557
2005
ale mogli wywnioskować,
że te reklamy, mogliście je widzieć,
że te reklamy, mogliście je widzieć,
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
wstrząsnęły ludźmi
i zmusiły do przemyśleń,
i zmusiły do przemyśleń,
03:51
that they had the effect of jolting people
86
219874
2591
03:54
into a thought process
87
222465
1822
03:56
that may have an impact on future behavior.
88
224287
3667
które mogą mieć wpływ
na przyszłe zachowania.
na przyszłe zachowania.
Tym co podziwiam
i doceniam w tym projekcie,
i doceniam w tym projekcie,
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
04:03
aside from the fact, including the fact
90
231845
1489
oprócz tego, że jest oparty
na prawdziwych, ludzkich potrzebach,
na prawdziwych, ludzkich potrzebach,
04:05
that it's based on real human need,
91
233334
4057
jest fantastyczny przykład odwagi
04:09
is that it's a fantastic example of courage
92
237391
2846
04:12
in the face of a sea of irrelevance.
93
240237
4443
wobec powodzi rzeczy nieistotnych.
04:16
And so it's not just big data that causes
94
244680
3305
Nie tylko ogromne dane powodują
problemy z ich interpretacją,
problemy z ich interpretacją,
04:19
challenges of interpretation, because let's face it,
95
247985
2601
Przyznajmy, że my, ludzie,
mamy bogatą historię wpadek,
mamy bogatą historię wpadek,
04:22
we human beings have a very rich history
96
250586
2594
04:25
of taking any amount of data, no matter how small,
97
253180
2693
kiedy to braliśmy dowolną ilość danych,
nawet bardzo małą i przekręcaliśmy je.
nawet bardzo małą i przekręcaliśmy je.
04:27
and screwing it up.
98
255873
1617
04:29
So many years ago, you may remember
99
257490
3737
Wiele lat temu, może pamiętacie,
ex-prezydenta Reagana bardzo krytykowano
ex-prezydenta Reagana bardzo krytykowano
04:33
that former President Ronald Reagan
100
261227
2273
04:35
was very criticized for making a statement
101
263500
1991
za oświadczenie, że fakty są głupie.
04:37
that facts are stupid things.
102
265491
3010
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
To było przejęzyczenie,
miał na myśli słowa Johna Adamsa,
miał na myśli słowa Johna Adamsa,
04:43
He actually meant to quote John Adams' defense
104
271295
2430
którymi ten bronił brytyjskich żołnierzy
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
podczas procesów
w sprawie masakry bostońskiej,
w sprawie masakry bostońskiej,
04:48
that facts are stubborn things.
106
276476
3150
że "fakty są uparte".
04:51
But I actually think there's
107
279626
2624
Jednak jest w tym trochę
przypadkowej mądrości,
przypadkowej mądrości,
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
bo fakty są uparte,
ale czasem są też głupie.
ale czasem są też głupie.
04:57
because facts are stubborn things,
109
285668
2776
05:00
but sometimes they're stupid, too.
110
288444
2923
05:03
I want to tell you a personal story
111
291367
1888
Opowiem wam prywatną historię,
05:05
about why this matters a lot to me.
112
293255
3548
zobaczycie, czemu to dla mnie ważne.
05:08
I need to take a breath.
113
296803
2437
Muszę złapać oddech.
05:11
My son Isaac, when he was two,
114
299240
2754
Kiedy mój syn, Issac, miał dwa lata
zdiagnozowano u niego autyzm,
zdiagnozowano u niego autyzm,
05:13
was diagnosed with autism,
115
301994
2417
05:16
and he was this happy, hilarious,
116
304411
2161
był szczęśliwym, wesołym,
kochającym, czułym chłopczykiem,
kochającym, czułym chłopczykiem,
05:18
loving, affectionate little guy,
117
306572
2035
05:20
but the metrics on his developmental evaluations,
118
308607
2902
ale ocena jego rozwoju,
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
na przykład, ile zna słów,
05:25
at that point, none —
120
313579
3657
wówczas: zero,
wykazała: "brak komunikacji niewerbalnej,
05:29
communicative gestures and minimal eye contact,
121
317236
3940
minimalny kontakt wzrokowy",
określała jego poziom rozwoju
na etap 9-miesięcznego dziecka.
na etap 9-miesięcznego dziecka.
05:33
put his developmental level
122
321176
2003
05:35
at that of a nine-month-old baby.
123
323179
3961
05:39
And the diagnosis was factually correct,
124
327140
2960
Diagnoza faktycznie była poprawna,
ale nie mówiła wszystkiego.
ale nie mówiła wszystkiego.
05:42
but it didn't tell the whole story.
125
330100
3209
Jakieś półtora roku później,
kiedy miał prawie cztery lata,
kiedy miał prawie cztery lata,
05:45
And about a year and a half later,
126
333309
1401
05:46
when he was almost four,
127
334710
2102
zobaczyłam jak szuka w grafice Google
05:48
I found him in front of the computer one day
128
336812
2363
05:51
running a Google image search on women,
129
339175
5453
hasła "kobiety",
(Śmiech)
05:56
spelled "w-i-m-e-n."
130
344628
3616
napisanego trochę niepoprawnie.
Postąpiłam jak każdy obsesyjny rodzic,
06:00
And I did what any obsessed parent would do,
131
348244
2740
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
zaczęłam klikać "wstecz", żeby zobaczyć,
czego szukał wcześniej.
czego szukał wcześniej.
06:04
to see what else he'd been searching for.
133
352885
3363
06:08
And they were, in order: men,
134
356248
2171
Hasła brzmiały: mężczyźni, szkoła,
autobus i komputer.
autobus i komputer.
06:10
school, bus and computer.
135
358419
7267
06:17
And I was stunned,
136
365686
2070
Byłam w szoku, bo nie wiedzieliśmy,
że umie literować, co dopiero czytać,
że umie literować, co dopiero czytać,
06:19
because we didn't know that he could spell,
137
367756
2002
06:21
much less read, and so I asked him,
138
369758
1766
więc spytałam go, jak to zrobił.
06:23
"Isaac, how did you do this?"
139
371524
2193
06:25
And he looked at me very seriously and said,
140
373717
2678
Spojrzał na mnie bardzo poważnie
i powiedział: "Wpisałem w okienko".
i powiedział: "Wpisałem w okienko".
06:28
"Typed in the box."
141
376395
3352
Uczył się komunikować,
tylko my szukaliśmy w złym miejscu.
tylko my szukaliśmy w złym miejscu.
06:31
He was teaching himself to communicate,
142
379747
3734
06:35
but we were looking in the wrong place,
143
383481
3004
Tak się dzieje, gdy oceny i analizy
przeceniają jedną cechę,
przeceniają jedną cechę,
06:38
and this is what happens when assessments
144
386485
2295
06:40
and analytics overvalue one metric —
145
388780
2396
06:43
in this case, verbal communication —
146
391176
2609
w tym wypadku komunikację werbalną,
a zaniżają wartość innych,
a zaniżają wartość innych,
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
takich jak twórcze
rozwiązywanie problemów.
rozwiązywanie problemów.
Komunikacja była trudna dla Isaaca,
więc znalazł inną drogę,
więc znalazł inną drogę,
06:51
Communication was hard for Isaac,
148
399488
2307
06:53
and so he found a workaround
149
401795
1912
06:55
to find out what he needed to know.
150
403707
2857
żeby dowiedzieć się tego,
czego potrzebował.
czego potrzebował.
Kiedy się o tym pomyśli, to ma sens,
bo ułożenie pytania to złożony proces,
bo ułożenie pytania to złożony proces,
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
07:00
because forming a question
152
408454
2081
07:02
is a really complex process,
153
410535
2565
a do wyszukania wystarcza jedno słowo.
07:05
but he could get himself a lot of the way there
154
413100
2522
07:07
by putting a word in a search box.
155
415622
4092
07:11
And so this little moment
156
419714
2936
Ten krótki moment miał ogromny wpływ
na mnie i naszą rodzinę,
na mnie i naszą rodzinę,
07:14
had a really profound impact on me
157
422650
2836
07:17
and our family
158
425486
1309
07:18
because it helped us change our frame of reference
159
426795
3141
bo dał nam punkt odniesienia
do tego, co się z nim dzieje
do tego, co się z nim dzieje
07:21
for what was going on with him,
160
429936
2208
i pozwolił martwić się odrobinę mniej
i bardziej docenić jego pomysłowość.
i bardziej docenić jego pomysłowość.
07:24
and worry a little bit less and appreciate
161
432144
2976
07:27
his resourcefulness more.
162
435120
2182
07:29
Facts are stupid things.
163
437302
2861
Fakty są głupie.
Łatwo je przekręcić,
bardziej lub mniej świadomie.
bardziej lub mniej świadomie.
07:32
And they're vulnerable to misuse,
164
440163
2397
07:34
willful or otherwise.
165
442560
1653
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
Mam przyjaciółkę, Emily Willingham,
która jest naukowcem
która jest naukowcem
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
i niedawno napisała artykuł
do magazynu Forbes
do magazynu Forbes
07:42
entitled "The 10 Weirdest Things
168
450040
1980
"10 Najdziwniejszych Rzeczy
Łączonych z Autyzmem".
Łączonych z Autyzmem".
07:44
Ever Linked to Autism."
169
452020
1810
07:45
It's quite a list.
170
453830
3005
To całkiem długa lista.
Internet, winiony za wszystko,
to jedno źródło.
to jedno źródło.
07:48
The Internet, blamed for everything, right?
171
456835
3532
Oprócz tego, oczywiście, matki,
07:52
And of course mothers, because.
172
460367
3757
ale czekajcie, jest więcej,
jest cała masa w kategorii "matki".
jest cała masa w kategorii "matki".
07:56
And actually, wait, there's more,
173
464124
1587
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
To całkiem bogata i interesująca lista.
08:05
I'm a big fan of
176
473956
2193
Najbardziej mi się podoba
08:08
being pregnant near freeways, personally.
177
476149
3704
"ciąża w pobliżu autostrad".
08:11
The final one is interesting,
178
479853
1539
Ostatnie jest interesujące,
bo termin "matka-lodówka"
bo termin "matka-lodówka"
08:13
because the term "refrigerator mother"
179
481392
3003
08:16
was actually the original hypothesis
180
484395
2605
był pierwotną hipotezą
co do przyczyny autyzmu,
co do przyczyny autyzmu,
08:19
for the cause of autism,
181
487000
1431
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
oznaczał osobę zimną
i niezdolną do kochania.
i niezdolną do kochania.
08:23
And at this point, you might be thinking,
183
491166
1562
Teraz możecie myśleć:
"Już załapaliśmy,
"Już załapaliśmy,
08:24
"Okay, Susan, we get it,
184
492728
1657
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
można wziąć dane i sprawić,
że będą znaczyć cokolwiek".
że będą znaczyć cokolwiek".
08:28
And this is true, it's absolutely true,
186
496167
4703
I to prawda, absolutnie,
08:32
but the challenge is that
187
500870
5610
ale prawdziwym wyzwaniem jest,
żeby samodzielnie wydobyć to znaczenie,
bo przecież tak naprawdę
bo przecież tak naprawdę
08:38
we have this opportunity
188
506480
2448
08:40
to try to make meaning out of it ourselves,
189
508928
2284
żadne dane nie mają znaczenia,
dopóki im go nie nadamy.
dopóki im go nie nadamy.
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
08:48
So as businesspeople, as consumers,
191
516564
3256
Jako ludzie biznesu, klienci,
pacjenci, obywatele miast,
pacjenci, obywatele miast,
08:51
as patients, as citizens,
192
519820
2539
powinniśmy poświęcić więcej uwagi
08:54
we have a responsibility, I think,
193
522359
2396
08:56
to spend more time
194
524755
2194
naszym zdolnościom krytycznego myślenia.
08:58
focusing on our critical thinking skills.
195
526949
2870
Dlaczego?
09:01
Why?
196
529819
1078
Bo na obecnym etapie, jak już mówiono,
możemy przetwarzać
możemy przetwarzać
09:02
Because at this point in our history, as we've heard
197
530897
3178
09:06
many times over,
198
534075
1706
09:07
we can process exabytes of data
199
535781
1981
eksabajty danych z prędkością światła
09:09
at lightning speed,
200
537762
2153
i podejmować złe decyzje
dużo szybciej i wydajniej,
dużo szybciej i wydajniej,
09:11
and we have the potential to make bad decisions
201
539915
3515
09:15
far more quickly, efficiently,
202
543430
1834
09:17
and with far greater impact than we did in the past.
203
545264
5028
wpływające na nas o wiele bardziej
niż w przeszłości.
niż w przeszłości.
09:22
Great, right?
204
550292
1388
Świetnie, prawda?
09:23
And so what we need to do instead
205
551680
3030
Zamiast tego, trzeba spędzić
trochę więcej czasu
trochę więcej czasu
09:26
is spend a little bit more time
206
554710
2330
na naukach humanistycznych,
09:29
on things like the humanities
207
557040
2746
09:31
and sociology, and the social sciences,
208
559786
3464
socjologii, naukach społecznych,
retoryce, filozofii, etyce,
retoryce, filozofii, etyce,
09:35
rhetoric, philosophy, ethics,
209
563250
2308
bo one zapewniają kontekst, który jest
tak ważny w analizie ogromnych danych,
tak ważny w analizie ogromnych danych,
09:37
because they give us context that is so important
210
565558
2856
09:40
for big data, and because
211
568414
2576
bo pomagają nam poprawiać
krytyczne myślenie.
krytyczne myślenie.
09:42
they help us become better critical thinkers.
212
570990
2418
09:45
Because after all, if I can spot
213
573408
4207
Przy poruszaniu jakiegoś problemu
nie ma większego znaczenia
nie ma większego znaczenia
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
czy użyjemy słów, czy liczb.
09:52
whether it's expressed in words or in numbers.
215
580101
2759
09:54
And this means
216
582860
2719
Powinniśmy uczyć się znajdowania
tych tendencyjnych znaczeń
tych tendencyjnych znaczeń
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
10:02
and false correlations
218
590000
1822
i fałszywych korelacji,
a być w stanie z daleka rozpoznać
emocjonalne wyznanie,
emocjonalne wyznanie,
10:03
and being able to spot a naked emotional appeal
219
591822
2138
10:05
from 30 yards,
220
593960
1662
10:07
because something that happens after something
221
595622
2522
bo to, że jedno dzieje się po drugim
nie znaczy, że jest jego skutkiem.
nie znaczy, że jest jego skutkiem.
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
Rzymianie nazywali to
"post hoc ergo propter hoc",
"post hoc ergo propter hoc",
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
10:19
after which therefore because of which.
225
607642
3296
"po tym, więc w skutek tego".
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
To oznacza poddanie w wątpliwość
takich dyscyplin, jak demografia.
takich dyscyplin, jak demografia.
10:26
Why? Because they're based on assumptions
227
614695
2520
Dlaczego?
Bo opierają się na założeniach,
kim jesteśmy, popartych jedynie
kim jesteśmy, popartych jedynie
10:29
about who we all are based on our gender
228
617215
2306
informacjami o płci, wieku
i miejscu zamieszkania,
i miejscu zamieszkania,
10:31
and our age and where we live
229
619521
1462
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
w przeciwieństwie do tego,
co naprawdę robimy i myślimy.
co naprawdę robimy i myślimy.
10:36
And since we have this data,
231
624461
1663
Skoro mamy te dane,
należy je traktować
należy je traktować
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
z szacunkiem dla cudzej prywatności
10:41
and consumer opt-in,
233
629263
3576
i za wiedzą konsumentów.
10:44
and beyond that, we need to be clear
234
632839
2993
Trzeba mieć jasność
co do używanych hipotez i metodologii
co do używanych hipotez i metodologii
10:47
about our hypotheses,
235
635832
2103
10:49
the methodologies that we use,
236
637935
2596
oraz pewność co do rezultatów.
10:52
and our confidence in the result.
237
640531
2804
Jak mówił mój nauczyciel z liceum:
10:55
As my high school algebra teacher used to say,
238
643335
2474
"Pokaż mi obliczenia,
bo jeśli nie wiem, co zrobiłeś,
bo jeśli nie wiem, co zrobiłeś,
10:57
show your math,
239
645809
1531
10:59
because if I don't know what steps you took,
240
647340
3441
nie wiem, czego nie zrobiłeś,
a jeśli nie wiem, jakie pytanie zadałeś,
a jeśli nie wiem, jakie pytanie zadałeś,
11:02
I don't know what steps you didn't take,
241
650781
1991
11:04
and if I don't know what questions you asked,
242
652772
2438
nie wiem, jakich pytań nie zadałeś".
11:07
I don't know what questions you didn't ask.
243
655210
3197
To znaczy, że trzeba sobie zadać
najtrudniejsze pytanie:
najtrudniejsze pytanie:
11:10
And it means asking ourselves, really,
244
658407
1523
11:11
the hardest question of all:
245
659930
1479
11:13
Did the data really show us this,
246
661409
3500
czy też może wynik przynosi nam
11:16
or does the result make us feel
247
664909
2311
większą satysfakcję i komfort?
11:19
more successful and more comfortable?
248
667220
3878
11:23
So the Health Media Collaboratory,
249
671098
2584
Health Media Collaboratory
na koniec projektu mogli stwierdzić,
na koniec projektu mogli stwierdzić,
11:25
at the end of their project, they were able
250
673682
1699
11:27
to find that 87 percent of tweets
251
675381
3408
że 87% wpisów na Tweeterze
na temat obrazowych,
na temat obrazowych,
11:30
about those very graphic and disturbing
252
678789
2144
niepokojących reklam
przeciwko paleniu wyrażało strach,
przeciwko paleniu wyrażało strach,
11:32
anti-smoking ads expressed fear,
253
680933
4038
ale czy doszli do wniosku,
że skłonili kogoś do rzucenia nałogu?
że skłonili kogoś do rzucenia nałogu?
11:36
but did they conclude
254
684971
1856
11:38
that they actually made people stop smoking?
255
686827
3161
11:41
No. It's science, not magic.
256
689988
2542
Nie, bo to nauka, a nie magia.
11:44
So if we are to unlock
257
692530
3190
Jeśli chcemy korzystać z możliwości,
jakie dają nam dane,
jakie dają nam dane,
11:47
the power of data,
258
695720
2862
11:50
we don't have to go blindly into
259
698582
3448
nie musimy ślepo iść w orwellowską
wizję totalitarnej przyszłości,
wizję totalitarnej przyszłości,
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
czy trywializację Huxleya,
11:57
or Huxley's vision of a trivial one,
261
705466
3117
12:00
or some horrible cocktail of both.
262
708583
3020
albo jakąś okropną mieszankę obu.
12:03
What we have to do
263
711603
2379
Wystarczy, że będziemy szanować
zdolność krytycznego myślenia
zdolność krytycznego myślenia
12:05
is treat critical thinking with respect
264
713982
2718
i będziemy się inspirować
takimi przykładami,
takimi przykładami,
12:08
and be inspired by examples
265
716700
2029
12:10
like the Health Media Collaboratory,
266
718729
2610
jak Health Media Collaboratory.
Jak mawiają w filmach o superbohaterach:
12:13
and as they say in the superhero movies,
267
721339
2328
użyjmy naszych mocy na rzecz dobra.
12:15
let's use our powers for good.
268
723667
1822
12:17
Thank you.
269
725489
2351
Dziękuję.
(Brawa)
12:19
(Applause)
270
727840
2334
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