TED@IBM
Susan Etlinger: What do we do with all this big data?
Susan Etlinger: O que fazer com todos esses megadados?
Filmed:
Readability: 4.7
1,344,301 views
Um conjunto de dados faz você se sentir mais confortável? Mais bem sucedido? Então é provável que sua interpretação esteja errada. Numa palestra surpreendentemente comovente, Susan Etlinger explica por que, à medida que recebemos cada vez mais dados, precisamos aprofundar nossa habilidade de pensamento crítico. Porque é difícil deixar para trás a contagem das coisas para realmente entendê-las.
Susan Etlinger - Data analyst
Susan Etlinger promotes the smart, well-considered and ethical use of data. Full bio
Susan Etlinger promotes the smart, well-considered and ethical use of data. Full bio
Double-click the English transcript below to play the video.
00:13
Technology has brought us so much:
0
1354
3135
A tecnologia já nos trouxe tantas coisas:
00:16
the moon landing, the Internet,
1
4489
2019
o pouso na Lua, a Internet,
00:18
the ability to sequence the human genome.
2
6508
2625
a habilidade de sequenciar
o genoma humano.
o genoma humano.
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
Mas ela também toca em vários
dos nossos medos mais profundos,
dos nossos medos mais profundos,
00:24
and about 30 years ago,
4
12857
1856
e, há cerca de 30 anos,
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
o crítico cultural Neil Postman
escreveu um livro
escreveu um livro
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
chamado "Divertindo-nos até a Morte",
00:31
which lays this out really brilliantly.
7
19381
2759
que coloca isso de forma brilhante.
00:34
And here's what he said,
8
22140
1650
Eis o que ele disse,
00:35
comparing the dystopian visions
9
23790
2263
comparando as visões distópicas
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
de George Orwell e Aldous Huxley.
00:41
He said, Orwell feared we would become
11
29626
3126
Ele disse que Orwell temia
que nos tornaríamos
que nos tornaríamos
00:44
a captive culture.
12
32752
2248
uma cultura cativa.
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
Huxley temia que nos tornaríamos
uma cultura trivial.
uma cultura trivial.
00:50
Orwell feared the truth would be
14
38752
2145
Orwell temia que a verdade seria
00:52
concealed from us,
15
40897
1923
escondida de nós,
00:54
and Huxley feared we would be drowned
16
42820
2190
e Huxley temia que submergiríamos
00:57
in a sea of irrelevance.
17
45010
2693
num mar de irrelevância.
00:59
In a nutshell, it's a choice between
18
47703
2170
Em suma, é uma escolha
01:01
Big Brother watching you
19
49873
2600
entre ter o Big Brother vigiando-nos
01:04
and you watching Big Brother.
20
52473
2496
ou assistir ao Big Brother.
01:06
(Laughter)
21
54969
1931
(Risos)
01:08
But it doesn't have to be this way.
22
56900
1734
Mas não precisa ser assim.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
Não somos consumidores passivos
de dados e tecnologia.
de dados e tecnologia.
01:13
We shape the role it plays in our lives
24
61970
2403
Nós definimos seu papel
em nossas vidas
em nossas vidas
01:16
and the way we make meaning from it,
25
64373
2130
e como fazemos sentido disso.
01:18
but to do that,
26
66503
1603
Mas para fazer isto,
01:20
we have to pay as much attention to how we think
27
68106
3513
precisamos prestar tanta atenção
à maneira como pensamos
à maneira como pensamos
01:23
as how we code.
28
71619
2030
quanto à maneira como codificamos.
01:25
We have to ask questions, and hard questions,
29
73649
3098
Temos que fazer perguntas,
perguntas difíceis,
perguntas difíceis,
para ir além de apenas contar as coisas,
01:28
to move past counting things
30
76747
1869
01:30
to understanding them.
31
78616
2602
para realmente entendê-las.
01:33
We're constantly bombarded with stories
32
81218
2446
Somos bombardeados
constantemente com histórias
constantemente com histórias
01:35
about how much data there is in the world,
33
83664
2476
sobre quanta informação há no mundo,
01:38
but when it comes to big data
34
86140
1580
mas quando se trata de megadados
01:39
and the challenges of interpreting it,
35
87720
2596
e os desafios para sua interpretação,
01:42
size isn't everything.
36
90316
2088
tamanho não é tudo.
01:44
There's also the speed at which it moves,
37
92404
2903
Há também a velocidade com que se move,
01:47
and the many varieties of data types,
38
95307
1696
e as variedade de tipos de dados,
01:49
and here are just a few examples:
39
97003
2498
e aqui são só alguns exemplos:
01:51
images,
40
99501
2198
imagens,
01:53
text,
41
101699
4007
texto, [por favor, aguarde aqui
até tornar-se útil, obrigado]
até tornar-se útil, obrigado]
01:57
video,
42
105706
2095
vídeo,
01:59
audio.
43
107801
1830
áudio.
02:01
And what unites this disparate types of data
44
109631
3042
O que reúne esses dados
de tipos tão diferentes
de tipos tão diferentes
02:04
is that they're created by people
45
112673
2221
é o fato de serem criados por pessoas
02:06
and they require context.
46
114894
2775
e de exigirem um contexto.
02:09
Now, there's a group of data scientists
47
117669
2445
Bem, há um grupo de cientistas de dados
02:12
out of the University of Illinois-Chicago,
48
120114
2305
da Universidade de Illinois-Chicago,
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
que são chamados de
Colaboração da Mídia da Saúde,
Colaboração da Mídia da Saúde,
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
e vêm trabalhando com o
Centro pelo Controle das Doenças
Centro pelo Controle das Doenças
02:19
to better understand
51
127560
1505
para entender melhor
02:21
how people talk about quitting smoking,
52
129065
2848
o que as pessoas falam
sobre parar de fumar,
sobre parar de fumar,
02:23
how they talk about electronic cigarettes,
53
131913
2680
o que falam sobre cigarros eletrônicos,
02:26
and what they can do collectively
54
134593
1985
e o que podem fazer coletivamente
02:28
to help them quit.
55
136578
1984
para ajudá-las a parar.
O interessante é que
se você quiser entender
se você quiser entender
02:30
The interesting thing is, if you want to understand
56
138562
2013
02:32
how people talk about smoking,
57
140575
2216
como que as pessoas falam sobre fumar,
02:34
first you have to understand
58
142791
1901
primeiro tem que entender
02:36
what they mean when they say "smoking."
59
144692
2565
o que elas querem dizer
quando dizem "fumar".
quando dizem "fumar".
02:39
And on Twitter, there are four main categories:
60
147257
3926
E no Twitter, há quatro
categorias principais:
categorias principais:
02:43
number one, smoking cigarettes;
61
151183
2997
número um: fumar cigarros;
02:46
number two, smoking marijuana;
62
154180
2807
número dois: fumar maconha;
02:48
number three, smoking ribs;
63
156987
2643
número três: defumar costelas;
02:51
and number four, smoking hot women.
64
159630
3553
número quatro :
mulheres quentes e gostosas.
mulheres quentes e gostosas.
02:55
(Laughter)
65
163183
2993
(Risos)
02:58
So then you have to think about, well,
66
166176
2426
Então você precisar refletir sobre
o que as pessoas falam
sobre cigarros eletrônicos?
sobre cigarros eletrônicos?
03:00
how do people talk about electronic cigarettes?
67
168602
2140
03:02
And there are so many different ways
68
170742
2025
E há tantas maneiras diferentes
03:04
that people do this, and you can see from the slide
69
172767
2599
de falar disso - dá para ver no slide -
03:07
it's a complex kind of a query.
70
175366
2610
que é uma pesquisa bem complexa.
03:09
And what it reminds us is that
71
177976
3224
E isso nos lembra
que a língua é criada por pessoas,
03:13
language is created by people,
72
181200
2411
03:15
and people are messy and we're complex
73
183611
2340
e pessoas são confusas,
e nós somos complexos
e nós somos complexos
03:17
and we use metaphors and slang and jargon
74
185951
2767
usamos metáforas e gírias e jargões
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
e fazemos isso 24/7
em muitas línguas,
em muitas línguas,
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
e assim que decidimos,
já mudamos de novo.
já mudamos de novo.
03:27
So did these ads that the CDC put on,
77
195221
5118
Então, será que esses anúncios
que a CCD divulgou,
que a CCD divulgou,
03:32
these television ads that featured a woman
78
200339
2430
esses comercias que apresentam uma mulher
com um buraco na garganta
e que eram bastante explícitos
e que eram bastante explícitos
03:34
with a hole in her throat and that were very graphic
79
202769
2021
03:36
and very disturbing,
80
204790
1904
e bastante perturbadores,
03:38
did they actually have an impact
81
206694
1885
influenciaram realmente
03:40
on whether people quit?
82
208579
2671
sobre a decisão de parar?
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
A Colaboração da Mídia da Saúde
respeitou o limite de seus dados,
respeitou o limite de seus dados,
03:46
but they were able to conclude
84
214557
2005
mas conseguiram concluir
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
que esses comerciais;
e talvez vocês tenham visto;
e talvez vocês tenham visto;
03:51
that they had the effect of jolting people
86
219874
2591
tiveram o efeito de disparar nas pessoas
03:54
into a thought process
87
222465
1822
um processo de raciocínio
03:56
that may have an impact on future behavior.
88
224287
3667
que pode ter um impacto
no comportamento futuro.
no comportamento futuro.
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
O que eu admiro e aprecio nesse projeto,
04:03
aside from the fact, including the fact
90
231845
1489
além do fato
04:05
that it's based on real human need,
91
233334
4057
de que é baseado
numa real necessidade humana,
numa real necessidade humana,
04:09
is that it's a fantastic example of courage
92
237391
2846
é que é um exemplo fantástico de coragem
04:12
in the face of a sea of irrelevance.
93
240237
4443
em face a um mar de irrelevância.
04:16
And so it's not just big data that causes
94
244680
3305
Então não são só megadados que causam
04:19
challenges of interpretation, because let's face it,
95
247985
2601
desafios de interpretação,
porque, convenhamos,
porque, convenhamos,
04:22
we human beings have a very rich history
96
250586
2594
nós seres humanos temos
um histórico bem rico
um histórico bem rico
04:25
of taking any amount of data, no matter how small,
97
253180
2693
de pegar qualquer conjunto de dados,
tão pequenos sejam eles,
tão pequenos sejam eles,
04:27
and screwing it up.
98
255873
1617
e estragar tudo.
04:29
So many years ago, you may remember
99
257490
3737
Há muitos anos, vocês devem se lembrar
04:33
that former President Ronald Reagan
100
261227
2273
que o ex-presidente Ronald Reagan
04:35
was very criticized for making a statement
101
263500
1991
foi muito criticado por uma declaração
04:37
that facts are stupid things.
102
265491
3010
de que fatos são coisas estúpidas.
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
Isso foi um deslize no discurso,
sejamos justos.
sejamos justos.
04:43
He actually meant to quote John Adams' defense
104
271295
2430
Ele queria, de fato, citar
a defesa de John Adams
a defesa de John Adams
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
pelos soldados britânicos
nos julgamentos do Massacre de Boston
nos julgamentos do Massacre de Boston
04:48
that facts are stubborn things.
106
276476
3150
de que fatos são coisas teimosas.
04:51
But I actually think there's
107
279626
2624
Mas, na verdade, acho que há
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
um pouco de sabedoria acidental
no que ele disse,
no que ele disse,
04:57
because facts are stubborn things,
109
285668
2776
porque fatos são coisas teimosas,
05:00
but sometimes they're stupid, too.
110
288444
2923
mas às vezes são estúpidos também.
05:03
I want to tell you a personal story
111
291367
1888
Quero contar-lhes uma história pessoal
05:05
about why this matters a lot to me.
112
293255
3548
sobre porque isso é
tão importante para mim.
tão importante para mim.
05:08
I need to take a breath.
113
296803
2437
Preciso respirar fundo.
05:11
My son Isaac, when he was two,
114
299240
2754
Meu filho Isaac, quando tinha dois anos,
05:13
was diagnosed with autism,
115
301994
2417
foi diagnosticado com autismo.
05:16
and he was this happy, hilarious,
116
304411
2161
Era um garotinho feliz,
05:18
loving, affectionate little guy,
117
306572
2035
hilário, carinhoso, afetuoso,
05:20
but the metrics on his developmental evaluations,
118
308607
2902
mas os números em suas avaliações
de desenvolvimento,
de desenvolvimento,
que analisavam coisas
como o número de palavras;
como o número de palavras;
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
05:25
at that point, none —
120
313579
3657
até aquele momento: nenhuma;
05:29
communicative gestures and minimal eye contact,
121
317236
3940
gestos comunicativos
e contato visual mínimo,
e contato visual mínimo,
05:33
put his developmental level
122
321176
2003
colocavam seu nível de desenvolvimento
05:35
at that of a nine-month-old baby.
123
323179
3961
a par com o de um bebê de nove meses.
05:39
And the diagnosis was factually correct,
124
327140
2960
O diagnóstico estava correto, de fato,
05:42
but it didn't tell the whole story.
125
330100
3209
mas não mostrava a história completa.
E cerca de um ano e meio depois,
05:45
And about a year and a half later,
126
333309
1401
05:46
when he was almost four,
127
334710
2102
quando ele tinha quase quatro anos,
05:48
I found him in front of the computer one day
128
336812
2363
Encontrei-o em frente ao computador,
um belo dia,
um belo dia,
05:51
running a Google image search on women,
129
339175
5453
buscando no Google imagens de mulheres,
05:56
spelled "w-i-m-e-n."
130
344628
3616
escrito "m-o-l-h-e-r-e-s".
06:00
And I did what any obsessed parent would do,
131
348244
2740
Eu fiz o que qualquer pai obcecado faria,
imediatamente comecei
a clicar no botão "voltar"
a clicar no botão "voltar"
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
06:04
to see what else he'd been searching for.
133
352885
3363
para ver o que mais ele tinha buscando.
06:08
And they were, in order: men,
134
356248
2171
E era, na ordem: homens,
06:10
school, bus and computer.
135
358419
7267
escola, ônibus e computador.
06:17
And I was stunned,
136
365686
2070
E eu fiquei pasma,
06:19
because we didn't know that he could spell,
137
367756
2002
porque não sabíamos
que ele sabia soletrar,
que ele sabia soletrar,
06:21
much less read, and so I asked him,
138
369758
1766
muito menos ler, e então eu perguntei,
06:23
"Isaac, how did you do this?"
139
371524
2193
"Isaac, como você fez isso?"
06:25
And he looked at me very seriously and said,
140
373717
2678
Ele me olhou muito sério e disse:
06:28
"Typed in the box."
141
376395
3352
"Digitei no quadradinho".
06:31
He was teaching himself to communicate,
142
379747
3734
Ele estava se ensinando a comunicar-se,
06:35
but we were looking in the wrong place,
143
383481
3004
mas estávamos olhando no lugar errado,
06:38
and this is what happens when assessments
144
386485
2295
e é isso o que acontece
quando as avaliações
quando as avaliações
06:40
and analytics overvalue one metric —
145
388780
2396
e as análises superestimam
um indicador;
um indicador;
06:43
in this case, verbal communication —
146
391176
2609
nesse caso, a comunicação verbal;
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
e subestimam outros,
como resolução criativa de problemas.
como resolução criativa de problemas.
06:51
Communication was hard for Isaac,
148
399488
2307
A comunicação era difícil para Isaac,
06:53
and so he found a workaround
149
401795
1912
então ele encontrou uma alternativa
06:55
to find out what he needed to know.
150
403707
2857
para descobrir o que ele precisava saber.
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
E, pensando bem,
faz muito sentido,
faz muito sentido,
07:00
because forming a question
152
408454
2081
porque formar uma pergunta,
07:02
is a really complex process,
153
410535
2565
é um processo muito complexo,
07:05
but he could get himself a lot of the way there
154
413100
2522
mas ele conseguiu andar
boa parte do caminho
boa parte do caminho
07:07
by putting a word in a search box.
155
415622
4092
digitando uma palavra
numa caixa de pesquisa.
numa caixa de pesquisa.
07:11
And so this little moment
156
419714
2936
Então, esse breve momento
07:14
had a really profound impact on me
157
422650
2836
teve um impacto muito profundo em mim
07:17
and our family
158
425486
1309
e em nossa família
07:18
because it helped us change our frame of reference
159
426795
3141
porque nos ajudou a mudar
nosso ponto de referência
nosso ponto de referência
07:21
for what was going on with him,
160
429936
2208
a respeito do que estava
acontecendo com ele,
acontecendo com ele,
07:24
and worry a little bit less and appreciate
161
432144
2976
e preocupar-nos um pouco menos
e apreciar mais sua desenvoltura.
07:27
his resourcefulness more.
162
435120
2182
07:29
Facts are stupid things.
163
437302
2861
Fatos são coisas estúpidas.
07:32
And they're vulnerable to misuse,
164
440163
2397
E são vulneráveis ao uso incorreto,
07:34
willful or otherwise.
165
442560
1653
obstinado ou outro.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
Eu tenho uma amiga,
Emily Willingham, que é cientista,
Emily Willingham, que é cientista,
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
que escreveu um texto
para a Forbes há pouco tempo
para a Forbes há pouco tempo
07:42
entitled "The 10 Weirdest Things
168
450040
1980
com o título "As 10 coisas mais estranhas
07:44
Ever Linked to Autism."
169
452020
1810
já vinculadas com autismo".
07:45
It's quite a list.
170
453830
3005
É uma lista e tanto.
07:48
The Internet, blamed for everything, right?
171
456835
3532
A Internet, culpada por tudo, certo?
07:52
And of course mothers, because.
172
460367
3757
E claro, as mães, porque sim.
07:56
And actually, wait, there's more,
173
464124
1587
Na verdade, esperem, tem mais,
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
há um monte de coisas
aqui na categoria "mãe".
aqui na categoria "mãe".
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
E dá para ver que é uma lista
bem rica e interessante.
bem rica e interessante.
08:05
I'm a big fan of
176
473956
2193
Eu gosto bastante
08:08
being pregnant near freeways, personally.
177
476149
3704
de ficar grávida próximo
a estradas, pessoalmente.
a estradas, pessoalmente.
08:11
The final one is interesting,
178
479853
1539
O último é interessante,
08:13
because the term "refrigerator mother"
179
481392
3003
porque o termo "mãe geladeira"
08:16
was actually the original hypothesis
180
484395
2605
era, na verdade, a hipótese original
08:19
for the cause of autism,
181
487000
1431
para a causa do autismo,
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
e denominava alguém
que era fria e desamorosa.
que era fria e desamorosa.
E a esta altura,
vocês devem estar pensando:
vocês devem estar pensando:
08:23
And at this point, you might be thinking,
183
491166
1562
08:24
"Okay, Susan, we get it,
184
492728
1657
"Certo, Susan, nós entendemos,
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
é possível pegar dados
e dá-los qualquer significado".
e dá-los qualquer significado".
08:28
And this is true, it's absolutely true,
186
496167
4703
E é verdade, verdade absoluta.
08:32
but the challenge is that
187
500870
5610
Mas, o desafio é que
08:38
we have this opportunity
188
506480
2448
nós temos a oportunidade
08:40
to try to make meaning out of it ourselves,
189
508928
2284
de tentar fazer sentido disso nós mesmos,
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
porque, francamente, dados não criam
significado. Nós criamos.
significado. Nós criamos.
08:48
So as businesspeople, as consumers,
191
516564
3256
Então como pessoas de negócios,
como consumidores,
como consumidores,
08:51
as patients, as citizens,
192
519820
2539
como pacientes, como cidadãos,
08:54
we have a responsibility, I think,
193
522359
2396
temos uma responsabilidade,
acredito eu,
acredito eu,
08:56
to spend more time
194
524755
2194
de passar mais tempo
08:58
focusing on our critical thinking skills.
195
526949
2870
focando nossas habilidades
de pensamento crítico.
de pensamento crítico.
09:01
Why?
196
529819
1078
Por quê?
09:02
Because at this point in our history, as we've heard
197
530897
3178
Porque, a esta altura da nossa história,
como temos ouvido
como temos ouvido
09:06
many times over,
198
534075
1706
repetidamente,
09:07
we can process exabytes of data
199
535781
1981
conseguimos processar exabytes de dados
09:09
at lightning speed,
200
537762
2153
à velocidade da luz,
09:11
and we have the potential to make bad decisions
201
539915
3515
e temos o potencial
de tomar más decisões
de tomar más decisões
09:15
far more quickly, efficiently,
202
543430
1834
muito mais rápido e eficientemente,
09:17
and with far greater impact than we did in the past.
203
545264
5028
e com um impacto muito maior
do que tínhamos no passado.
do que tínhamos no passado.
09:22
Great, right?
204
550292
1388
Ótimo, não é?
09:23
And so what we need to do instead
205
551680
3030
E o que precisamos fazer, em vez disso
09:26
is spend a little bit more time
206
554710
2330
é passar um pouco mais de tempo
09:29
on things like the humanities
207
557040
2746
em coisas como ciências humanas
09:31
and sociology, and the social sciences,
208
559786
3464
e sociologia, e ciências sociais,
09:35
rhetoric, philosophy, ethics,
209
563250
2308
retórica, filosofia, ética,
09:37
because they give us context that is so important
210
565558
2856
porque elas nos dão um contexto
que é tão importante
que é tão importante
09:40
for big data, and because
211
568414
2576
para os megadados,
e porque nos ajudam
a nos tornarmos pensadores críticos.
a nos tornarmos pensadores críticos.
09:42
they help us become better critical thinkers.
212
570990
2418
09:45
Because after all, if I can spot
213
573408
4207
Porque afinal de contas,
se eu conseguir identificar
se eu conseguir identificar
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
um problema em um argumento,
não importa tanto
não importa tanto
09:52
whether it's expressed in words or in numbers.
215
580101
2759
se está expressado
em palavras ou em números.
em palavras ou em números.
09:54
And this means
216
582860
2719
E isso significa
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
ensinar-nos a encontrar
o viés de confirmação
o viés de confirmação
10:02
and false correlations
218
590000
1822
e falsas correlações
10:03
and being able to spot a naked emotional appeal
219
591822
2138
e ser capaz de identificar
um apelo puramente emocional de longe,
um apelo puramente emocional de longe,
10:05
from 30 yards,
220
593960
1662
porque uma coisa
que acontece depois da outra
que acontece depois da outra
10:07
because something that happens after something
221
595622
2522
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
não significa que aconteceu
por causa da outra, necessariamente,
por causa da outra, necessariamente,
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
e se me deixarem ser geek por em segundo,
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
os romanos chamavam isso de
"post hoc ergo propter hoc",
"post hoc ergo propter hoc",
10:19
after which therefore because of which.
225
607642
3296
"depois disso, logo causado por isso".
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
E significa questionar
disciplinas como demografia.
disciplinas como demografia.
10:26
Why? Because they're based on assumptions
227
614695
2520
Por quê? Porque são baseadas em suposições
10:29
about who we all are based on our gender
228
617215
2306
sobre quem somos com base em nosso sexo
10:31
and our age and where we live
229
619521
1462
e nossa idade e onde vivemos
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
ao invés de dados sobre
o que realmente pensamos e fazemos.
o que realmente pensamos e fazemos.
10:36
And since we have this data,
231
624461
1663
E já que temos esses dados,
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
Precisamos lidar com eles
com o controle de privacidade apropriado
com o controle de privacidade apropriado
10:41
and consumer opt-in,
233
629263
3576
e o consentimento dos consumidores,
10:44
and beyond that, we need to be clear
234
632839
2993
e além disso, precisamos ser claros
10:47
about our hypotheses,
235
635832
2103
sobre nossas hipóteses,
10:49
the methodologies that we use,
236
637935
2596
as metodologias que usamos,
10:52
and our confidence in the result.
237
640531
2804
e nossa confiança no resultado.
10:55
As my high school algebra teacher used to say,
238
643335
2474
Como dizia meu professor
de álgebra no colégio,
de álgebra no colégio,
10:57
show your math,
239
645809
1531
mostre-me a matemática,
10:59
because if I don't know what steps you took,
240
647340
3441
porque se eu não souber
os passos que você deu,
os passos que você deu,
11:02
I don't know what steps you didn't take,
241
650781
1991
não saberei os passos que não deu,
11:04
and if I don't know what questions you asked,
242
652772
2438
e se eu não souber
as perguntas que você fez,
as perguntas que você fez,
11:07
I don't know what questions you didn't ask.
243
655210
3197
não saberei as perguntas que não fez.
E significa fazer-nos
a pergunta mais difícil de todas:
a pergunta mais difícil de todas:
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
Será que os dados realmente mostram isso,
11:16
or does the result make us feel
247
664909
2311
ou será que o resultado faz-nos sentir
11:19
more successful and more comfortable?
248
667220
3878
mais bem sucedidos e mais confortáveis?
11:23
So the Health Media Collaboratory,
249
671098
2584
A Colaboração da Mídia da Saúde,
11:25
at the end of their project, they were able
250
673682
1699
ao final de seu projeto, conseguiu
11:27
to find that 87 percent of tweets
251
675381
3408
descobrir que 87% dos tuítes
11:30
about those very graphic and disturbing
252
678789
2144
sobre aqueles comerciais contra o fumo
11:32
anti-smoking ads expressed fear,
253
680933
4038
bastante explícitos e perturbadores
expressavam medo,
expressavam medo,
11:36
but did they conclude
254
684971
1856
Mas será que chegaram à conclusão
11:38
that they actually made people stop smoking?
255
686827
3161
que eles realmente faziam
as pessoas pararem de fumar?
as pessoas pararem de fumar?
11:41
No. It's science, not magic.
256
689988
2542
Não. É ciência, não é mágica.
11:44
So if we are to unlock
257
692530
3190
Então se formos liberar
11:47
the power of data,
258
695720
2862
o poder dos dados,
11:50
we don't have to go blindly into
259
698582
3448
não precisamos assumir cegamente
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
a visão de Orwell
de um futuro totalitário,
de um futuro totalitário,
11:57
or Huxley's vision of a trivial one,
261
705466
3117
ou a visão de Huxley de um futuro trivial,
12:00
or some horrible cocktail of both.
262
708583
3020
ou uma mistura horrível das duas.
12:03
What we have to do
263
711603
2379
O que temos que fazer
12:05
is treat critical thinking with respect
264
713982
2718
é tratar o pensamento crítico
com respeito
com respeito
12:08
and be inspired by examples
265
716700
2029
e ser inspirados por exemplos
12:10
like the Health Media Collaboratory,
266
718729
2610
como a Colaboração da Mídia da Saúde,
12:13
and as they say in the superhero movies,
267
721339
2328
e como dizem nos filmes de super-heróis,
12:15
let's use our powers for good.
268
723667
1822
vamos usar o nosso poder para o bem.
12:17
Thank you.
269
725489
2351
Obrigada.
12:19
(Applause)
270
727840
2334
(Aplausos)
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