TEDxBoston 2011
Jean-Baptiste Michel + Erez Lieberman Aiden: What we learned from 5 million books
O que aprendemos de 5 milhões de livros
Filmed:
Readability: 3.9
2,049,453 views
Você já brincou com o Ngram Viewer do Google Labs? É uma ferramenta viciante que permite a você pesquisar por palavras e ideias em um banco de dados de 5 milhões de livros através dos séculos. Erez Lieberman Aiden e Jean-Baptiste Michel mostram como funciona, e algumas coisas surpreendentes que podemos aprender de 500 bilhões de palavras.
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: Todos sabem
00:17
that a picture is worth a thousand words.
1
2000
3000
que uma imagem vale mil palavras.
00:22
But we at Harvard
2
7000
2000
Mas nós em Harvard
00:24
were wondering if this was really true.
3
9000
3000
estávamos questionando se é mesmo verdade.
00:27
(Laughter)
4
12000
2000
(Risos)
00:29
So we assembled a team of experts,
5
14000
4000
Assim montamos uma equipe de peritos,
00:33
spanning Harvard, MIT,
6
18000
2000
desde Harvard, MIT,
00:35
The American Heritage Dictionary, The Encyclopedia Britannica
7
20000
3000
The American Heritage Dictionary, Enciclopédia Britânica
00:38
and even our proud sponsors,
8
23000
2000
e mesmo nossos orgulhosos patrocinadores,
00:40
the Google.
9
25000
3000
o Google.
00:43
And we cogitated about this
10
28000
2000
E pensamos sobre isto
00:45
for about four years.
11
30000
2000
por cerca de 4 anos.
00:47
And we came to a startling conclusion.
12
32000
5000
Chegamos a uma surpreendente conclusão.
00:52
Ladies and gentlemen, a picture is not worth a thousand words.
13
37000
3000
Senhoras e senhores, uma imagem não vale mil palavras.
00:55
In fact, we found some pictures
14
40000
2000
De fato, encontramos algumas imagens
00:57
that are worth 500 billion words.
15
42000
5000
que valem 500 bilhões de palavras.
01:02
Jean-Baptiste Michel: So how did we get to this conclusion?
16
47000
2000
Jean-Baptiste Michel: Como chegamos a esta conclusão?
01:04
So Erez and I were thinking about ways
17
49000
2000
Erez e eu pensávamos em maneiras
01:06
to get a big picture of human culture
18
51000
2000
de obter uma grande imagem da cultura e
01:08
and human history: change over time.
19
53000
3000
história humana: a mudança através dos tempos.
01:11
So many books actually have been written over the years.
20
56000
2000
Muitos livros tem sido escritos ao longo dos anos.
01:13
So we were thinking, well the best way to learn from them
21
58000
2000
Pensávamos, a melhor maneira de aprender com eles
01:15
is to read all of these millions of books.
22
60000
2000
é ler todos estes milhões de livros.
01:17
Now of course, if there's a scale for how awesome that is,
23
62000
3000
Naturalmente, se há uma medida do incrível que isso é,
01:20
that has to rank extremely, extremely high.
24
65000
3000
teria que ser colocado lá em cima.
01:23
Now the problem is there's an X-axis for that,
25
68000
2000
O problema é que existe um eixo-X para isso,
01:25
which is the practical axis.
26
70000
2000
que é o eixo da praticidade.
01:27
This is very, very low.
27
72000
2000
Que é muito, muito baixa.
01:29
(Applause)
28
74000
3000
(Aplausos)
01:32
Now people tend to use an alternative approach,
29
77000
3000
As pessoas costumam usar um método alternativo,
01:35
which is to take a few sources and read them very carefully.
30
80000
2000
que seria pegar algumas fontes e lê-las cuidadosamente.
01:37
This is extremely practical, but not so awesome.
31
82000
2000
É extremamente prático, mas nem um pouco incrível.
01:39
What you really want to do
32
84000
3000
O que realmente se quer fazer
01:42
is to get to the awesome yet practical part of this space.
33
87000
3000
é alcançar o incrível junto com a parte prática deste espaço.
01:45
So it turns out there was a company across the river called Google
34
90000
3000
Aconteceu que havia uma empresa próxima chamada Google
01:48
who had started a digitization project a few years back
35
93000
2000
que iniciou um projeto de digitalização alguns anos antes
01:50
that might just enable this approach.
36
95000
2000
que poderia viabilizar este método.
01:52
They have digitized millions of books.
37
97000
2000
Eles haviam digitalizado milhões de livros.
01:54
So what that means is, one could use computational methods
38
99000
3000
O que significa, que alguém poderia usar métodos computacionais
01:57
to read all of the books in a click of a button.
39
102000
2000
para ler todos os livros com um clique de botão.
01:59
That's very practical and extremely awesome.
40
104000
3000
Isso é muito prático e extremamente incrível.
02:03
ELA: Let me tell you a little bit about where books come from.
41
108000
2000
ELA: Permitam-me contar um pouco de onde os livros vêm.
02:05
Since time immemorial, there have been authors.
42
110000
3000
Desde tempos imemoriais, existem os autores.
02:08
These authors have been striving to write books.
43
113000
3000
Estes autores tem se esforçado para escrever livros.
02:11
And this became considerably easier
44
116000
2000
O que se tornou consideravelmente mais fácil
02:13
with the development of the printing press some centuries ago.
45
118000
2000
com o desenvolvimento da imprensa alguns séculos atrás.
02:15
Since then, the authors have won
46
120000
3000
Desde então, os autores venceram
02:18
on 129 million distinct occasions,
47
123000
2000
em 129 milhões de ocasiões distintas,
02:20
publishing books.
48
125000
2000
publicando livros.
02:22
Now if those books are not lost to history,
49
127000
2000
Agora se esses livros não se perderam na história,
02:24
then they are somewhere in a library,
50
129000
2000
então eles estão em algum lugar em uma biblioteca,
02:26
and many of those books have been getting retrieved from the libraries
51
131000
3000
e muitos deles estão sendo recuperados das bibliotecas
02:29
and digitized by Google,
52
134000
2000
e digitalizados pelo Google,
02:31
which has scanned 15 million books to date.
53
136000
2000
que escaneou 15 milhões de livros até agora.
02:33
Now when Google digitizes a book, they put it into a really nice format.
54
138000
3000
Quando o Google digitaliza, eles o colocam em um formato muito legal.
02:36
Now we've got the data, plus we have metadata.
55
141000
2000
Agora temos a informação, e temos os metadados.
02:38
We have information about things like where was it published,
56
143000
3000
Temos informações sobre coisas como onde foi publicado,
02:41
who was the author, when was it published.
57
146000
2000
quem era o autor, quando foi publicado.
02:43
And what we do is go through all of those records
58
148000
3000
E o que fazemos é percorrer todos estes registros
02:46
and exclude everything that's not the highest quality data.
59
151000
4000
e excluir tudo que não seja informação de alta qualidade.
02:50
What we're left with
60
155000
2000
O que permanece
02:52
is a collection of five million books,
61
157000
3000
é uma coleção de 5 milhões de livros,
02:55
500 billion words,
62
160000
3000
500 bilhões de palavras,
02:58
a string of characters a thousand times longer
63
163000
2000
uma sequência de caracteres mil vezes maior
03:00
than the human genome --
64
165000
3000
que o genoma humano --
03:03
a text which, when written out,
65
168000
2000
um texto que, quando escrito,
03:05
would stretch from here to the Moon and back
66
170000
2000
se estenderia daqui até a Lua e de volta
03:07
10 times over --
67
172000
2000
mais de 10 vezes --
03:09
a veritable shard of our cultural genome.
68
174000
4000
um verdadeiro fragmento de nosso genoma cultural.
03:13
Of course what we did
69
178000
2000
Claro que fizemos
03:15
when faced with such outrageous hyperbole ...
70
180000
3000
quando encaramos tal ultrajante hipérbole...
03:18
(Laughter)
71
183000
2000
(Risos)
03:20
was what any self-respecting researchers
72
185000
3000
foi o que qualquer pesquisador com respeito próprio
03:23
would have done.
73
188000
3000
teria feito.
03:26
We took a page out of XKCD,
74
191000
2000
Pegamos uma webcomic do XKCD,
03:28
and we said, "Stand back.
75
193000
2000
e dissemos, "Afastem-se.
03:30
We're going to try science."
76
195000
2000
Vamos tentar a ciência."
03:32
(Laughter)
77
197000
2000
(Risos)
03:34
JM: Now of course, we were thinking,
78
199000
2000
JM: Naturalmente, nós pensamos,
03:36
well let's just first put the data out there
79
201000
2000
primeiro vamos mostrar os dados
03:38
for people to do science to it.
80
203000
2000
para que as pessoas façam ciência com eles.
03:40
Now we're thinking, what data can we release?
81
205000
2000
Depois pensamos, que informação podemos liberar?
03:42
Well of course, you want to take the books
82
207000
2000
Naturalmente, você quer pegar os livros
03:44
and release the full text of these five million books.
83
209000
2000
e liberar o texto completo destes 5 milhões de livros.
03:46
Now Google, and Jon Orwant in particular,
84
211000
2000
Aí o Google, e Jon Orwant em especial,
03:48
told us a little equation that we should learn.
85
213000
2000
falaram sobre uma equação que devíamos aprender.
03:50
So you have five million, that is, five million authors
86
215000
3000
Você tem 5 milhões, que são, 5 milhões de autores
03:53
and five million plaintiffs is a massive lawsuit.
87
218000
3000
e 5 milhões de queixosos é um processo e tanto.
03:56
So, although that would be really, really awesome,
88
221000
2000
Ainda que fosse muito, mas muito incrível,
03:58
again, that's extremely, extremely impractical.
89
223000
3000
de novo, é extremamente, extremamente impraticável.
04:01
(Laughter)
90
226000
2000
(Risos)
04:03
Now again, we kind of caved in,
91
228000
2000
Então, nós meio que nos aprofundamos,
04:05
and we did the very practical approach, which was a bit less awesome.
92
230000
3000
e fizemos uma alternativa prática, que foi só um pouco menos incrível.
04:08
We said, well instead of releasing the full text,
93
233000
2000
Falamos, ao invés de liberar o texto completo,
04:10
we're going to release statistics about the books.
94
235000
2000
vamos liberar estatísticas sobre os livros.
04:12
So take for instance "A gleam of happiness."
95
237000
2000
Peguem por exemplo "Um brilho de felicidade."
04:14
It's four words; we call that a four-gram.
96
239000
2000
São 4 palavras: nós chamamos de 4-grama.
04:16
We're going to tell you how many times a particular four-gram
97
241000
2000
Vamos dizer a vocês quantas vezes um 4-grama em especial
04:18
appeared in books in 1801, 1802, 1803,
98
243000
2000
apareceu nos livros em 1801, 1802, 1803,
04:20
all the way up to 2008.
99
245000
2000
até chegar em 2008.
04:22
That gives us a time series
100
247000
2000
Isso nos dá uma linha de tempo
04:24
of how frequently this particular sentence was used over time.
101
249000
2000
da frequência com que esta frase foi utilizada através dos tempos.
04:26
We do that for all the words and phrases that appear in those books,
102
251000
3000
Fizemos isso para todas as palavras e frases que aparecem nos livros,
04:29
and that gives us a big table of two billion lines
103
254000
3000
o que nos dá uma grande tabela de 2 bilhões de linhas
04:32
that tell us about the way culture has been changing.
104
257000
2000
que nos conta como a cultura tem se modificado.
04:34
ELA: So those two billion lines,
105
259000
2000
ELA: Essas 2 bilhões de linhas,
04:36
we call them two billion n-grams.
106
261000
2000
nós chamamos de 2 bilhões de n-gramas.
04:38
What do they tell us?
107
263000
2000
O que eles nos dizem?
04:40
Well the individual n-grams measure cultural trends.
108
265000
2000
Os n-gramas individuais medem as tendências culturais.
04:42
Let me give you an example.
109
267000
2000
Permitam-me dar um exemplo.
04:44
Let's suppose that I am thriving,
110
269000
2000
Suponhamos que eu esteja prosperando.
04:46
then tomorrow I want to tell you about how well I did.
111
271000
2000
e amanhã eu queira contar como eu me dei bem.
04:48
And so I might say, "Yesterday, I throve."
112
273000
3000
Em inglês eu diria, "Ontem, eu 'throve'."
04:51
Alternatively, I could say, "Yesterday, I thrived."
113
276000
3000
Ou eu poderia dizer, "Ontem, eu 'thrived'."
04:54
Well which one should I use?
114
279000
3000
Qual deles eu deveria usar?
04:57
How to know?
115
282000
2000
Como saber?
04:59
As of about six months ago,
116
284000
2000
Como cerca de 6 meses atras,
05:01
the state of the art in this field
117
286000
2000
o estado de arte nesta matéria
05:03
is that you would, for instance,
118
288000
2000
seria, por exemplo,
05:05
go up to the following psychologist with fabulous hair,
119
290000
2000
ir até este psicólogo com um cabelo fabuloso,
05:07
and you'd say,
120
292000
2000
e dizer,
05:09
"Steve, you're an expert on the irregular verbs.
121
294000
3000
"Steve, você é um expert em verbos irregulares.
05:12
What should I do?"
122
297000
2000
O que eu devo fazer?"
05:14
And he'd tell you, "Well most people say thrived,
123
299000
2000
E ele diria, "Bem a maioria diria 'thrived',
05:16
but some people say throve."
124
301000
3000
mas algumas diriam 'throve'."
05:19
And you also knew, more or less,
125
304000
2000
E vocês também sabem, talvez,
05:21
that if you were to go back in time 200 years
126
306000
3000
que se voltassem no tempo 200 anos
05:24
and ask the following statesman with equally fabulous hair,
127
309000
3000
e perguntassem a esse estadista também de cabelo fabuloso,
05:27
(Laughter)
128
312000
3000
(Risos)
05:30
"Tom, what should I say?"
129
315000
2000
"Tom, o que devo falar?"
05:32
He'd say, "Well, in my day, most people throve,
130
317000
2000
Ele diria, "No meu tempo a maioria dizia 'throve',
05:34
but some thrived."
131
319000
3000
mas alguns 'thrive'."
05:37
So now what I'm just going to show you is raw data.
132
322000
2000
Agora o que vou lhes mostrar são dados crus.
05:39
Two rows from this table of two billion entries.
133
324000
4000
Duas linhas desta tabela de 2 bilhões de lançamentos.
05:43
What you're seeing is year by year frequency
134
328000
2000
O que estão vendo é a frequencia ano a ano
05:45
of "thrived" and "throve" over time.
135
330000
3000
de "thrived" e "throve" através dos tempos.
05:49
Now this is just two
136
334000
2000
Isso são apenas duas
05:51
out of two billion rows.
137
336000
3000
de 2 bilhões de linhas.
05:54
So the entire data set
138
339000
2000
Assim o conjunto completo de dados
05:56
is a billion times more awesome than this slide.
139
341000
3000
é 2 bilhões de vezes mais incrível que esse slide.
05:59
(Laughter)
140
344000
2000
(Risos)
06:01
(Applause)
141
346000
4000
(Aplausos)
06:05
JM: Now there are many other pictures that are worth 500 billion words.
142
350000
2000
JM: Existem muitas outras imagens que valem 500 bilhões de palavras.
06:07
For instance, this one.
143
352000
2000
Por exemplo, esta aqui.
06:09
If you just take influenza,
144
354000
2000
Se você escolher influenza,
06:11
you will see peaks at the time where you knew
145
356000
2000
verá picos nas épocas onde se sabe
06:13
big flu epidemics were killing people around the globe.
146
358000
3000
de grandes epidemias de gripe que mataram pessoas pelo mundo.
06:16
ELA: If you were not yet convinced,
147
361000
3000
ELA: Se vocês ainda não se convenceram,
06:19
sea levels are rising,
148
364000
2000
o nível dos mares está subindo,
06:21
so is atmospheric CO2 and global temperature.
149
366000
3000
junto com o CO2 na atmosfera e a temperatura global.
06:24
JM: You might also want to have a look at this particular n-gram,
150
369000
3000
JM: Vocês também podem querer dar uma olhada neste n-grama,
06:27
and that's to tell Nietzsche that God is not dead,
151
372000
3000
que diz ao Nietzsche que Deus não morreu,
06:30
although you might agree that he might need a better publicist.
152
375000
3000
apesar que ele podia ter um publicitário melhor.
06:33
(Laughter)
153
378000
2000
(Risos)
06:35
ELA: You can get at some pretty abstract concepts with this sort of thing.
154
380000
3000
ELA: Se pode entender alguns conceitos bem abstratos com essa coisa.
06:38
For instance, let me tell you the history
155
383000
2000
Por exemplo, permitam-me contar a história
06:40
of the year 1950.
156
385000
2000
do ano de 1950.
06:42
Pretty much for the vast majority of history,
157
387000
2000
Durante todo o transcurso da história,
06:44
no one gave a damn about 1950.
158
389000
2000
ninguém dava a mínima para 1950.
06:46
In 1700, in 1800, in 1900,
159
391000
2000
Em 1700, em 1800, em 1900,
06:48
no one cared.
160
393000
3000
ninguém ligava.
06:52
Through the 30s and 40s,
161
397000
2000
Nos anos 30 e 40,
06:54
no one cared.
162
399000
2000
ninguém ligava.
06:56
Suddenly, in the mid-40s,
163
401000
2000
De repente, no meio dos anos 40,
06:58
there started to be a buzz.
164
403000
2000
começou um rumor.
07:00
People realized that 1950 was going to happen,
165
405000
2000
As pessoas perceberam que 1950 viria,
07:02
and it could be big.
166
407000
2000
e que seria algo grande.
07:04
(Laughter)
167
409000
3000
(Risos)
07:07
But nothing got people interested in 1950
168
412000
3000
Nada interessou tanto às pessoas em 1950
07:10
like the year 1950.
169
415000
3000
como o ano 1950.
07:13
(Laughter)
170
418000
3000
(Risos)
07:16
People were walking around obsessed.
171
421000
2000
As pessoas caminhavam obcecadas.
07:18
They couldn't stop talking
172
423000
2000
Não podiam parar de falar
07:20
about all the things they did in 1950,
173
425000
3000
sobre as coisas que fizeram em 1950,
07:23
all the things they were planning to do in 1950,
174
428000
3000
tudo o que estavam planejando para 1950,
07:26
all the dreams of what they wanted to accomplish in 1950.
175
431000
5000
todos os sonhos que queriam alcançar em 1950.
07:31
In fact, 1950 was so fascinating
176
436000
2000
De fato, 1950 foi tão fascinante
07:33
that for years thereafter,
177
438000
2000
que nos anos seguintes,
07:35
people just kept talking about all the amazing things that happened,
178
440000
3000
as pessoas continuavam falando sobre as coisas incríveis que aconteceram,
07:38
in '51, '52, '53.
179
443000
2000
em 51, 52, 53.
07:40
Finally in 1954,
180
445000
2000
Finalmente em 1954,
07:42
someone woke up and realized
181
447000
2000
alguém acordou e percebeu
07:44
that 1950 had gotten somewhat passé.
182
449000
4000
que 1950 tinha ficado algo 'passé'.
07:48
(Laughter)
183
453000
2000
(Risos)
07:50
And just like that, the bubble burst.
184
455000
2000
E de repente, a bolha estourou.
07:52
(Laughter)
185
457000
2000
(Risos)
07:54
And the story of 1950
186
459000
2000
A história de 1950
07:56
is the story of every year that we have on record,
187
461000
2000
é a história de todo ano que temos registro,
07:58
with a little twist, because now we've got these nice charts.
188
463000
3000
com um toque a mais, porque agora temos estes gráficos.
08:01
And because we have these nice charts, we can measure things.
189
466000
3000
E porque temos estes gráficos bacanas, podemos medir coisas.
08:04
We can say, "Well how fast does the bubble burst?"
190
469000
2000
Podemos dizer, "Quão rápido a bolha estourou?"
08:06
And it turns out that we can measure that very precisely.
191
471000
3000
E acontece que podemos medir muito precisamente.
08:09
Equations were derived, graphs were produced,
192
474000
3000
Equações foram derivadas, gráficos foram produzidos,
08:12
and the net result
193
477000
2000
e o resultado líquido
08:14
is that we find that the bubble bursts faster and faster
194
479000
3000
é que descobrimos que a bolha estoura cada vez mais rápido
08:17
with each passing year.
195
482000
2000
a cada ano que passa.
08:19
We are losing interest in the past more rapidly.
196
484000
5000
Perdemos interesse no passado cada vez mais rápido.
08:24
JM: Now a little piece of career advice.
197
489000
2000
JM: Agora uma dica para a carreira.
08:26
So for those of you who seek to be famous,
198
491000
2000
Aqueles de vocês que procuram ser famosos,
08:28
we can learn from the 25 most famous political figures,
199
493000
2000
podemos aprender com as 25 personalidades mais famosas,
08:30
authors, actors and so on.
200
495000
2000
políticos, autores, atores e demais.
08:32
So if you want to become famous early on, you should be an actor,
201
497000
3000
Se você quer se tornar famoso cedo, deveria ser um ator,
08:35
because then fame starts rising by the end of your 20s --
202
500000
2000
porque sua fama começa ao final dos vinte anos --
08:37
you're still young, it's really great.
203
502000
2000
você ainda é jovem, é muito bom.
08:39
Now if you can wait a little bit, you should be an author,
204
504000
2000
Agora se quiser esperar um pouco, deveria ser autor,
08:41
because then you rise to very great heights,
205
506000
2000
porque assim você alcançará grandes alturas,
08:43
like Mark Twain, for instance: extremely famous.
206
508000
2000
como Mark Twain, por exemplo, extremamente famoso.
08:45
But if you want to reach the very top,
207
510000
2000
Mas se você quiser alcançar mesmo o topo,
08:47
you should delay gratification
208
512000
2000
deveria postergar o reconhecimento
08:49
and, of course, become a politician.
209
514000
2000
e, claro, tornar-se um político.
08:51
So here you will become famous by the end of your 50s,
210
516000
2000
Assim você se torna famoso no final dos seus 50,
08:53
and become very, very famous afterward.
211
518000
2000
e se torna muito, muito famoso depois.
08:55
So scientists also tend to get famous when they're much older.
212
520000
3000
Cientistas também tendem a ficar famosos quando são mais velhos.
08:58
Like for instance, biologists and physics
213
523000
2000
Por exemplo, biólogos e físicos
09:00
tend to be almost as famous as actors.
214
525000
2000
tendem a ser tão famosos quanto atores.
09:02
One mistake you should not do is become a mathematician.
215
527000
3000
Um erro que vocês devem evitar é serem matemáticos.
09:05
(Laughter)
216
530000
2000
(Risos)
09:07
If you do that,
217
532000
2000
Se fizerem isso,
09:09
you might think, "Oh great. I'm going to do my best work when I'm in my 20s."
218
534000
3000
podem pensar, "Ótimo. Farei meu melhor trabalho quando estou com 20 anos."
09:12
But guess what, nobody will really care.
219
537000
2000
Mas olha só, ninguém quer saber.
09:14
(Laughter)
220
539000
3000
(Risos)
09:17
ELA: There are more sobering notes
221
542000
2000
ELA: Existem notas mais sérias
09:19
among the n-grams.
222
544000
2000
entre os n-gramas.
09:21
For instance, here's the trajectory of Marc Chagall,
223
546000
2000
Por exemplo, eis a trajetória de Marc Chagall,
09:23
an artist born in 1887.
224
548000
2000
artista nascido em 1887.
09:25
And this looks like the normal trajectory of a famous person.
225
550000
3000
Parece a trajetória normal de uma pessoa famosa.
09:28
He gets more and more and more famous,
226
553000
4000
Ele fica mais e mais e mais famoso,
09:32
except if you look in German.
227
557000
2000
exceto se pesquisar em alemão.
09:34
If you look in German, you see something completely bizarre,
228
559000
2000
Se pesquisar em alemão, verá algo totalmente bizarro,
09:36
something you pretty much never see,
229
561000
2000
algo que nunca se vê,
09:38
which is he becomes extremely famous
230
563000
2000
que é ele se tornar extremamente famoso
09:40
and then all of a sudden plummets,
231
565000
2000
e de repente despenca,
09:42
going through a nadir between 1933 and 1945,
232
567000
3000
chegando ao fundo do poço entre 1933 e 1945,
09:45
before rebounding afterward.
233
570000
3000
antes de retornar com tudo.
09:48
And of course, what we're seeing
234
573000
2000
Naturalmente, o que vemos
09:50
is the fact Marc Chagall was a Jewish artist
235
575000
3000
é o fato de que Chagall era um artista judeu
09:53
in Nazi Germany.
236
578000
2000
na Alemanha nazista.
09:55
Now these signals
237
580000
2000
Estes sinais
09:57
are actually so strong
238
582000
2000
são na verdade tão fortes
09:59
that we don't need to know that someone was censored.
239
584000
3000
que não precisamos saber que alguém foi censurado.
10:02
We can actually figure it out
240
587000
2000
Podemos ter uma ideia
10:04
using really basic signal processing.
241
589000
2000
usando até um básico processamento de sinais.
10:06
Here's a simple way to do it.
242
591000
2000
Eis um modo simples de fazer.
10:08
Well, a reasonable expectation
243
593000
2000
Uma expectativa razoável
10:10
is that somebody's fame in a given period of time
244
595000
2000
é que a fama de alguém em um período de tempo
10:12
should be roughly the average of their fame before
245
597000
2000
deveria ser mais ou menos a média de sua fama antes
10:14
and their fame after.
246
599000
2000
e da fama depois.
10:16
So that's sort of what we expect.
247
601000
2000
É algo assim o que esperamos.
10:18
And we compare that to the fame that we observe.
248
603000
3000
E comparamos isso com a fama que observamos.
10:21
And we just divide one by the other
249
606000
2000
E dividimos uma pela outra
10:23
to produce something we call a suppression index.
250
608000
2000
para produzir algo que chamamos de índice de supressão.
10:25
If the suppression index is very, very, very small,
251
610000
3000
Se o índice é muito, mas muito pequeno,
10:28
then you very well might be being suppressed.
252
613000
2000
você pode muito bem estar sendo suprimido.
10:30
If it's very large, maybe you're benefiting from propaganda.
253
615000
3000
Se for muito grande, você pode estar se benificiando com a propaganda.
10:34
JM: Now you can actually look at
254
619000
2000
JM: Agora vocês podem até mesmo ver
10:36
the distribution of suppression indexes over whole populations.
255
621000
3000
a distribuição dos índices de supressão de populações inteiras.
10:39
So for instance, here --
256
624000
2000
Por exemplo, aqui --
10:41
this suppression index is for 5,000 people
257
626000
2000
este índice é para 5.000 pessoas
10:43
picked in English books where there's no known suppression --
258
628000
2000
escolhidas em livros ingleses onde não existe supressão conhecida --
10:45
it would be like this, basically tightly centered on one.
259
630000
2000
seria assim, basicamente centrada no 1.
10:47
What you expect is basically what you observe.
260
632000
2000
O que se esperava é basicamente o que observamos.
10:49
This is distribution as seen in Germany --
261
634000
2000
Esta é a distribuição vista na Alemanha --
10:51
very different, it's shifted to the left.
262
636000
2000
bem diferente, é desviada para a esquerda.
10:53
People talked about it twice less as it should have been.
263
638000
3000
As pessoas falaram menos que o dobro do costumeiro.
10:56
But much more importantly, the distribution is much wider.
264
641000
2000
Mais importante, a distribuição é mais extensa.
10:58
There are many people who end up on the far left on this distribution
265
643000
3000
Existem muitas pessoas que acabaram no lado esquerdo desta distribuição
11:01
who are talked about 10 times fewer than they should have been.
266
646000
3000
que são faladas cerca de 10 vezes menos do que deveriam ter sido.
11:04
But then also many people on the far right
267
649000
2000
E também muitas pessoas bem à direita
11:06
who seem to benefit from propaganda.
268
651000
2000
que parecem ter se beneficiado da propaganda.
11:08
This picture is the hallmark of censorship in the book record.
269
653000
3000
Esta imagem é a marca da censura no registro de livros.
11:11
ELA: So culturomics
270
656000
2000
ELA: Cultorômica
11:13
is what we call this method.
271
658000
2000
é como chamamos este método.
11:15
It's kind of like genomics.
272
660000
2000
É como se fosse a genômica.
11:17
Except genomics is a lens on biology
273
662000
2000
Só que a genômica é uma lente para que a biologia
11:19
through the window of the sequence of bases in the human genome.
274
664000
3000
veja através da janela de sequencias das bases no genoma humano.
11:22
Culturomics is similar.
275
667000
2000
Cultorômica é parecido.
11:24
It's the application of massive-scale data collection analysis
276
669000
3000
É aplicação da análise da enorme quantidade de informações coletadas
11:27
to the study of human culture.
277
672000
2000
para estudo da cultura humana.
11:29
Here, instead of through the lens of a genome,
278
674000
2000
Ao invés de olharmos através das lentes de um genoma,
11:31
through the lens of digitized pieces of the historical record.
279
676000
3000
olhamos através de pedaços digitalizados do registro histórico.
11:34
The great thing about culturomics
280
679000
2000
O bom da culturômica
11:36
is that everyone can do it.
281
681000
2000
é que todos podem participar.
11:38
Why can everyone do it?
282
683000
2000
Por que todos podem?
11:40
Everyone can do it because three guys,
283
685000
2000
Todos podem porque três caras,
11:42
Jon Orwant, Matt Gray and Will Brockman over at Google,
284
687000
3000
Jon Orwant, Matt Gray e Will Brockman no Google,
11:45
saw the prototype of the Ngram Viewer,
285
690000
2000
viram o protótipo do Visualizador de N-Gramas,
11:47
and they said, "This is so fun.
286
692000
2000
e disseram, "Isso é bem divertido.
11:49
We have to make this available for people."
287
694000
3000
Temos que disponibilizar para as pessoas."
11:52
So in two weeks flat -- the two weeks before our paper came out --
288
697000
2000
Em exatamente 2 semanas - antes de nosso artigo ser publicado --
11:54
they coded up a version of the Ngram Viewer for the general public.
289
699000
3000
eles programaram uma versão do Visualizador para o público em geral.
11:57
And so you too can type in any word or phrase that you're interested in
290
702000
3000
Assim vocês podem digitar qualquer palavra ou frase que se interessarem
12:00
and see its n-gram immediately --
291
705000
2000
e imediatamente podem ver o n-grama --
12:02
also browse examples of all the various books
292
707000
2000
e também listar exemplos de todos os muitos livros
12:04
in which your n-gram appears.
293
709000
2000
nos quais o seu n-grama aparece.
12:06
JM: Now this was used over a million times on the first day,
294
711000
2000
JM: Já foi utilizado mais de um milhão de vezes no primeiro dia,
12:08
and this is really the best of all the queries.
295
713000
2000
e é de fato a melhor de todas as procuras.
12:10
So people want to be their best, put their best foot forward.
296
715000
3000
As pessoas querem ser as melhores, se destacar.
12:13
But it turns out in the 18th century, people didn't really care about that at all.
297
718000
3000
Mas acontece que no século 18, as pessoas não ligavam pra isso.
12:16
They didn't want to be their best, they wanted to be their beft.
298
721000
3000
Elas não queriam ser as 'the best', elas queriam ser 'beft'.
12:19
So what happened is, of course, this is just a mistake.
299
724000
3000
O que aconteceu, é claro, foi apenas um equívoco.
12:22
It's not that strove for mediocrity,
300
727000
2000
Não é um esforço pela mediocridade,
12:24
it's just that the S used to be written differently, kind of like an F.
301
729000
3000
apenas o 'S' costumava ser escrito diferente, quase um 'F'.
12:27
Now of course, Google didn't pick this up at the time,
302
732000
3000
Lógico, o Google não pegou isso na ocasião,
12:30
so we reported this in the science article that we wrote.
303
735000
3000
assim nós relatamos no artigo científico que escrevemos.
12:33
But it turns out this is just a reminder
304
738000
2000
Mas se tornou um lembrete
12:35
that, although this is a lot of fun,
305
740000
2000
de que, mesmo sendo muito divertido,
12:37
when you interpret these graphs, you have to be very careful,
306
742000
2000
quando se interpreta estes gráficos, temos que ter cuidado,
12:39
and you have to adopt the base standards in the sciences.
307
744000
3000
e vocês tem que adotar os métodos básicos da ciência.
12:42
ELA: People have been using this for all kinds of fun purposes.
308
747000
3000
ELA: Pessoas o tem utilizado para todo tipo de propósito.
12:45
(Laughter)
309
750000
7000
(Risos)
12:52
Actually, we're not going to have to talk,
310
757000
2000
Na verdade, não precisaremos falar,
12:54
we're just going to show you all the slides and remain silent.
311
759000
3000
vamos apenas mostrar todos os slides e ficar em silêncio.
12:57
This person was interested in the history of frustration.
312
762000
3000
Esta pessoa estava interessada na história da frustração.
13:00
There's various types of frustration.
313
765000
3000
Existem vários tipos de frustração.
13:03
If you stub your toe, that's a one A "argh."
314
768000
3000
Se você esfolar o dedo do pé, É um "ai" com um 'A'.
13:06
If the planet Earth is annihilated by the Vogons
315
771000
2000
Se a Terra é aniquilada pelos Vogons
13:08
to make room for an interstellar bypass,
316
773000
2000
pra dar lugar à um atalho interestelar,
13:10
that's an eight A "aaaaaaaargh."
317
775000
2000
é um "aaaaaaaai" com 8 'A's.
13:12
This person studies all the "arghs,"
318
777000
2000
Esta pessoa estudou todos os "ais",
13:14
from one through eight A's.
319
779000
2000
de 1 até 8 'A's.
13:16
And it turns out
320
781000
2000
E acontece
13:18
that the less-frequent "arghs"
321
783000
2000
que os "ais" menos frequentes
13:20
are, of course, the ones that correspond to things that are more frustrating --
322
785000
3000
são os que correspondem às coisas mais frustrantes --
13:23
except, oddly, in the early 80s.
323
788000
3000
exceto, curiosamente, no começo dos anos 80.
13:26
We think that might have something to do with Reagan.
324
791000
2000
Achamos que deve ter algo a ver com o Reagan.
13:28
(Laughter)
325
793000
2000
(Risos)
13:30
JM: There are many usages of this data,
326
795000
3000
JM: Existem muitos usos para estas informações,
13:33
but the bottom line is that the historical record is being digitized.
327
798000
3000
mas o principal é que o registro histórico está sendo digitalizado.
13:36
Google has started to digitize 15 million books.
328
801000
2000
Google começou a digitalizar 15 milhões de livros.
13:38
That's 12 percent of all the books that have ever been published.
329
803000
2000
É 12% de todos os livros já publicados.
13:40
It's a sizable chunk of human culture.
330
805000
3000
É um pedaço considerável da cultura humana.
13:43
There's much more in culture: there's manuscripts, there newspapers,
331
808000
3000
Há muito mais na cultura: existem manuscritos, jornais,
13:46
there's things that are not text, like art and paintings.
332
811000
2000
coisas que não são texto, como arte e pinturas.
13:48
These all happen to be on our computers,
333
813000
2000
Acontece que estes estão em nossos computadores,
13:50
on computers across the world.
334
815000
2000
em computadores ao redor do mundo.
13:52
And when that happens, that will transform the way we have
335
817000
3000
E quando isso acontece, vai transformar a maneira
13:55
to understand our past, our present and human culture.
336
820000
2000
de compreender nosso passado, o presente e a cultura humana.
13:57
Thank you very much.
337
822000
2000
Muito obrigado.
13:59
(Applause)
338
824000
3000
(Aplausos)
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