ABOUT THE SPEAKER
Jean-Baptiste Michel - Data researcher
Jean-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.

More profile about the speaker
Jean-Baptiste Michel | Speaker | TED.com
TED2012

Jean-Baptiste Michel: The mathematics of history

Jean-Baptiste Michel: Matematika histórie.

Filmed:
1,279,350 views

Čo vedia matematici o histórii? Podľa Jean-Baptiste Michela toho vedia dosť veľa. Od zmien jazyka po krvavosť vojen, ukazuje, ako história premenená na čísla odkrýva vzorce, ktoré sú zakorenené hlboko v nás.
- Data researcher
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bio

Double-click the English transcript below to play the video.

00:15
So it turnszákruty out that mathematicsmatematika is a very powerfulmocný languageJazyk.
0
0
3671
Ukazuje sa, že matematika je veľmi silným jazykom.
00:19
It has generatedgenerované considerableznačné insightnáhľad in physicsfyzika,
1
3671
2312
Vďaka nej oveľa lepšie rozumieme fyzike,
00:21
in biologybiológie and economicsekonómie,
2
5983
2100
biológii aj ekonómii,
00:23
but not that much in the humanitieshumanitných and in historyhistórie.
3
8083
2817
ale v spoločenských vedách a histórií
sa až tak nevyužíva.
00:26
I think there's a beliefviera that it's just impossiblenemožné,
4
10900
2283
Myslím si, že ľudia veria, že je nemožné
00:29
that you cannotnemôžu quantifyvyčísliť the doingsskutky of mankindľudstvo,
5
13183
2646
kvantifikovať ľudské činy,
00:31
that you cannotnemôžu measurezmerať historyhistórie.
6
15829
2519
že história sa nedá zmerať.
00:34
But I don't think that's right.
7
18348
1527
Ale ja si myslím, že to nie je pravda.
00:35
I want to showšou you a couplepár of examplespríklady why.
8
19875
2042
Chcem vám ukázať, prečo si to myslím.
00:37
So my collaboratorspolupracovník ErezErez and I were consideringberúc do úvahy the followingnasledujúce factskutočnosť:
9
21917
2958
S mojim kolegom Erezom sme sa zamýšľali nad faktom,
00:40
that two kingskráli separatedoddelený by centuriesstoročia
10
24875
2729
že dvaja králi, ktorých delia stáročia,
00:43
will speakhovoriť a very differentrozdielny languageJazyk.
11
27604
1767
budú asi rozprávať veľmi odlišnými jazykmi.
00:45
That's a powerfulmocný historicalhistorický forcesila.
12
29371
2304
To je významná historická sila.
00:47
So the kingkráľ of EnglandAnglicko, AlfredAlfred the Great,
13
31675
1773
Alfréd Veľký, kráľ Anglicka,
00:49
will use a vocabularyslovná zásoba and grammarGramatika
14
33448
1640
používal slovnú zásobu a gramatiku,
00:50
that is quitecelkom differentrozdielny from the kingkráľ of hipbedro hophop, Jay-ZJay-Z.
15
35088
3700
ktorá sa významne líši od vyjadrovania kráľa hiphopu, Jay-Z.
00:54
(LaughterSmiech)
16
38788
1666
(Smiech)
00:56
Now it's just the way it is.
17
40454
2171
Proste je to tak.
00:58
LanguageJazyk changeszmeny over time, and it's a powerfulmocný forcesila.
18
42625
2292
Jazyk sa stáročiami mení a je to významná sila.
01:00
So ErezErez and I wanted to know more about that.
19
44917
2287
Preto sme s Erezom chceli o tom vedieť viac.
01:03
So we paidzaplatil attentionpozornosť to a particularkonkrétny grammaticalgramaticky rulepravidlo, past-tenseminulý čas conjugationčasovanie.
20
47204
3657
Zamerali sme sa na konkrétny gramatický jav, časovanie v minulom čase.
01:06
So you just addpridať "edEd" to a verbsloveso at the endkoniec to signifysignify the pastminulosť.
21
50861
3264
V angličtine sa v minulom čase pridáva na koniec slovesa "ed".
01:10
"TodayDnes I walkchôdza. YesterdayVčera I walkedpristúpil."
22
54125
1927
"Today I walk= Dnes kráčam.
Yesterday I walked= Včera som kráčal."
01:11
But some verbsslovesá are irregularnepravidelný.
23
56052
1344
Ale niektoré slovesá sú nepravidelné.
01:13
"YesterdayVčera I thought."
24
57396
1396
Think= myslieť,
"Yesterday I thought= Včera som myslel."
01:14
Now what's interestingzaujímavý about that
25
58792
1666
Zaujímavé na tom je, že
01:16
is irregularnepravidelný verbsslovesá betweenmedzi AlfredAlfred and Jay-ZJay-Z have becomestať sa more regularpravidelný.
26
60458
3830
nepravidelné slovesá sa od Alfreda k Jay-Zmu stávajú viac pravidelnými.
01:20
Like the verbsloveso "to wedSt" that you see here has becomestať sa regularpravidelný.
27
64288
2735
Napríklad sloveso "to wed"(oženiť/vydať sa) sa stalo pravidelným.
01:22
So ErezErez and I followednasledoval the fateosud of over 100 irregularnepravidelný verbsslovesá
28
67023
4022
Tak sme s Erezom skúmali osud viac, ako stovky nepravidelných slovies
01:26
throughskrz 12 centuriesstoročia of Englishangličtina languageJazyk,
29
71045
1919
v angličtine počas 12 storočí
01:28
and we saw that there's actuallyvlastne a very simpleprostý mathematicalmatematický patternvzor
30
72964
2911
a našli sme veľmi jednoduchý matematický vzorec,
01:31
that captureszachytí this complexkomplexné historicalhistorický changezmena,
31
75875
2542
ktorý vystihuje túto komplexnú historickú zmenu.
01:34
namelya to, if a verbsloveso is 100 timesdoba more frequentčastý than anotherďalší,
32
78417
3660
Konkrétne, že ak je sloveso 100-krát častejšie, ako iné,
01:37
it regularizesregularizes 10 timesdoba slowerpomalšie.
33
82077
2665
stáva sa pravidelným 10-krát pomalšie.
01:40
That's a piecekus of historyhistórie, but it comesprichádza in a mathematicalmatematický wrappingbalenie.
34
84742
3935
To je kúsok histórie vyjadrený matematickou rečou.
01:44
Now in some casesprípady mathmatematika can even help explainvysvetliť,
35
88677
3654
V niektorých prípadoch pomáha matematika dokonca vysvetliť
01:48
or proposenavrhnúť explanationsvysvetlenie for, historicalhistorický forcessily.
36
92331
2879
alebo ponúknuť hypotézy pre historické procesy.
01:51
So here SteveSteve PinkerPinker and I
37
95210
1832
Tak sme so Stevom Pinkerom
01:52
were consideringberúc do úvahy the magnituderozsah of warsvojny duringpočas the last two centuriesstoročia.
38
97042
3852
rozmýšľali nad veľkosťou vojen za posledných 200 rokov.
01:56
There's actuallyvlastne a well-knownznámy regularitypravidelnosť to them
39
100894
2495
Vládne medzi nimi známa pravidelnosť.
01:59
where the numberčíslo of warsvojny that are 100 timesdoba deadliersmrtelnější
40
103389
3422
počet vojen, ktoré sú 100-krát krvavejšie,
02:02
is 10 timesdoba smallermenšie.
41
106811
1952
je 10-krát nižší.
02:04
So there are 30 warsvojny that are about as deadlysmrteľný as the SixŠesť DaysDní WarVojna,
42
108763
3344
Takže bolo 30 vojen, ktoré sú zhruba rovnako krvavé ako Šesťdenná vojna,
02:08
but there's only fourštyri warsvojny that are 100 timesdoba deadliersmrtelnější --
43
112107
2820
ale sú len 4 vojny, ktoré boli 100-krát krvavejšie,
02:10
like WorldSvet WarVojna I.
44
114927
1977
ako prvá svetová vojna.
02:12
So what kinddruh of historicalhistorický mechanismmechanizmus can producevyrobiť that?
45
116904
2923
Aký historický mechanizmus to spôsobuje?
02:15
What's the originpôvod of this?
46
119827
2000
Kde to má korene?
02:17
So SteveSteve and I, throughskrz mathematicalmatematický analysisanalýza,
47
121827
2265
Steve a ja sme pomocou matematickej analýzy
02:19
proposenavrhnúť that there's actuallyvlastne a very simpleprostý phenomenonjav at the rootkoreň of this,
48
124092
4241
zistili, že to korení vo veľmi jednoduchom fenoméne
02:24
whichktorý lieslži in our brainsmozgy.
49
128333
1690
ktorý je v našich mozgoch.
02:25
This is a very well-knownznámy featurevlastnosť
50
130023
2019
Je to veľmi známy proces,
02:27
in whichktorý we perceivevnímať quantitiesmnožstvá in relativerelatívna waysspôsoby --
51
132042
2975
vďaka ktorému vnímame množstvo relatívne --
02:30
quantitiesmnožstvá like the intensityintenzita of lightsvetlo or the loudnessLoudness of a soundznieť.
52
135017
3716
napríklad intenzitu svetla alebo hlasitosť zvukov.
02:34
For instanceinštancie, committingspáchanie 10,000 soldiersvojaci to the nextĎalšie battlebitka soundszvuky like a lot.
53
138733
5309
Napríklad, vyslanie 10 000 vojakov do boja je veľa.
02:39
It's relativelypomerne enormousobrovský if you've already committedangažovaný 1,000 soldiersvojaci previouslyskôr.
54
144042
3444
Je to relatívne obrovský počet, ak ste predtým vyslali len 1 000 vojakov.
02:43
But it doesn't soundznieť so much,
55
147486
1827
Ale neznie to ako veľmi veľa,
02:45
it's not relativelypomerne enoughdosť, it won'tnebude make a differencerozdiel
56
149313
3020
relatívne to nie je dosť a je to zanedbateľné,
02:48
if you've already committedangažovaný 100,000 soldiersvojaci previouslyskôr.
57
152333
2952
ak ste predtým už vyslali 100 000 vojakov.
02:51
So you see that because of the way we perceivevnímať quantitiesmnožstvá,
58
155285
3613
Takže vidíme, že kvôli spôsobu, akým vnímame množstvo,
02:54
as the warvojna dragsvlečie on,
59
158898
1767
sa počas priebehu vojny
02:56
the numberčíslo of soldiersvojaci committedangažovaný to it and the casualtiesstraty
60
160665
3085
počet vyslaných vojakov a úmrtí
02:59
will increasezvýšiť not linearlylineárne --
61
163750
1683
zvyšuje nie lineárnym radom
03:01
like 10,000, 11,000, 12,000 --
62
165433
1888
ako 10 000, 11 000, 12 000...
03:03
but exponentiallyexponenciálne -- 10,000, laterneskôr 20,000, laterneskôr 40,000.
63
167321
4275
ale radom geometrickým: 10 000, potom 20 000, 40 000 a tak ďalej.
03:07
And so that explainsvysvetľuje this patternvzor that we'vemy máme seenvidieť before.
64
171596
3085
A to vysvetľuje vzorec, ktorý sme už predtým spomínali.
03:10
So here mathematicsmatematika is ableschopný to linkodkaz a well-knownznámy featurevlastnosť of the individualjednotlivec mindmyseľ
65
174681
5498
V tomto matematika spája známu vlastnosť mysle jednotlivca
03:16
with a long-termdlhý termín historicalhistorický patternvzor
66
180179
2989
s dlhodobým historickým vzorcom,
03:19
that unfoldssa odvíja over centuriesstoročia and acrossnaprieč continentssvetadiely.
67
183168
2857
ktorý sa opakuje počas storočí po celkom svete.
03:21
So these typestypy of examplespríklady, todaydnes there are just a fewmálo of them,
68
186025
4017
Toto sú príklady, ktorých je súčasnosti len pár,
03:25
but I think in the nextĎalšie decadedesaťročia they will becomestať sa commonplaceSamozrejmosťou.
69
190042
2689
ale myslím, že v budúcnosti budú úplne bežné.
03:28
The reasondôvod for that is that the historicalhistorický recordrekord
70
192731
2392
Dôvodom je to, že historické záznamy
03:31
is becomingslušivý digitizedDigitalizovaná at a very fastrýchly pacetempo.
71
195123
2460
sa veľkou rýchlosťou prevádzajú do digitálnej formy.
03:33
So there's about 130 millionmilión booksknihy
72
197583
2610
Existuje asi 130 miliónov kníh
03:36
that have been writtenpísaný sinceod tej doby the dawnsvitania of time.
73
200193
2311
napísaných od začiatku ľudstva až do súčasnosti.
03:38
CompaniesSpoločnosti like GoogleGoogle have digitizedDigitalizovaná manyveľa of them --
74
202504
2454
Spoločnosti ako napr. Google mnoho z nich už digitalizovala,
03:40
abovevyššie 20 millionmilión actuallyvlastne.
75
204958
1584
vlastne je to už cez 20 miliónov.
03:42
And when the stuffvec of historyhistórie is availablek dispozícii in digitaldigitálne formformulár,
76
206542
3578
A keď sa informácie stávajú dostupnými v digitálnej forme,
03:46
it makesznačky it possiblemožný for a mathematicalmatematický analysisanalýza
77
210120
2380
je možné vykonať matematickú analýzu,
03:48
to very quicklyrýchlo and very convenientlyvýhodne
78
212500
2375
aby sme rýchlo a jednoducho vyhodnotili
03:50
reviewpreskúmanie trendstrendy in our historyhistórie and our culturekultúra.
79
214875
2725
vývoj v našej histórii a kultúre.
03:53
So I think in the nextĎalšie decadedesaťročia,
80
217600
2721
Takže si myslím, že v budúcom desaťročí
03:56
the sciencesvedy and the humanitieshumanitných will come closerbližšie togetherspolu
81
220321
2750
sa prírodné a spoločenské vedy zblížia,
03:58
to be ableschopný to answerodpoveď deephlboký questionsotázky about mankindľudstvo.
82
223071
3329
aby dokázali odpovedať na najvýznamnejšie otázky o ľudstve.
04:02
And I think that mathematicsmatematika will be a very powerfulmocný languageJazyk to do that.
83
226400
4121
A myslím, že matematika bude dôležitým jazykom na odpoveď.
04:06
It will be ableschopný to revealodhaliť newNový trendstrendy in our historyhistórie,
84
230521
3146
Bude schopná odkrývať nové tendencie v histórii,
04:09
sometimesniekedy to explainvysvetliť them,
85
233667
1750
niekedy ich aj vysvetľovať,
04:11
and maybe even in the futurebudúcnosť to predictpredpovedať what's going to happenstať sa.
86
235417
3306
a možno dokonca aj predvídať, čo sa stane.
04:14
Thank you very much.
87
238723
1491
Ďakujem vám veľmi pekne.
04:16
(ApplausePotlesk)
88
240214
3678
(Potlesk)
Translated by Martina Kyjakova
Reviewed by Roman Studenic

▲Back to top

ABOUT THE SPEAKER
Jean-Baptiste Michel - Data researcher
Jean-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.

More profile about the speaker
Jean-Baptiste Michel | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee