TED@IBM
Susan Etlinger: What do we do with all this big data?
Susan Etlinger: Bu kadar veri ile ne yapacağız?
Filmed:
Readability: 4.7
1,344,301 views
Bir veri kümesi daha rahat hissetmeni sağlıyor mu? Daha mı başarılı? O zaman yorumun büyük ihtimalle yanlış. Etkileyici bir konuşmada, Susan Etlinger, daha fazla ve daha fazla veri elde ettiğimizde eleştirel düşünme becerilerimizi geliştirmemiz gerektiğini açıklıyor. Çünkü gerçekten onları anlamak için hesaplama işlemlerinin ötesine taşımak zordur.
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
Teknoloji bize çok şey getirdi:
00:16
the moon landing, the Internet,
1
4489
2019
Aya ayak basılması, İnternet,
00:18
the ability to sequence the human genome.
2
6508
2625
insan geninin sıralanabilmesi.
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
Fakat aynı zamanda en derin
korkularımızın çoğunu da tetikliyor
korkularımızın çoğunu da tetikliyor
00:24
and about 30 years ago,
4
12857
1856
ve yaklaşık 30 yıl önce
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
kültür eleştirmeni Neil Postman,
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
bu etkileşimi harika bir şekilde işleyen
"Ölesiye Eğlenelim" isimli kitabı yazdı.
00:31
which lays this out really brilliantly.
7
19381
2759
00:34
And here's what he said,
8
22140
1650
Kitapta, George Orwell ve
00:35
comparing the dystopian visions
9
23790
2263
Aldous Huxley'nin distopik görüşlerini
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
karşılaştırırken şöyle diyordu:
00:41
He said, Orwell feared we would become
11
29626
3126
Orwell, tutsak bir topluma
00:44
a captive culture.
12
32752
2248
dönüşeceğimizden kaygılıydı.
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
Huxley, anlamsız bir kültüre
dönüşmemizden korkuyordu.
dönüşmemizden korkuyordu.
00:50
Orwell feared the truth would be
14
38752
2145
Orwell, gerçeğin bizden
00:52
concealed from us,
15
40897
1923
saklanacağından ve Huxley,
00:54
and Huxley feared we would be drowned
16
42820
2190
ilgisizlikler diyarında boğulacağımızdan
00:57
in a sea of irrelevance.
17
45010
2693
endişeleniyordu.
00:59
In a nutshell, it's a choice between
18
47703
2170
Kısaca, iki seçenek var:
01:01
Big Brother watching you
19
49873
2600
Ya 'Big Brother' bizi izleyecekti
01:04
and you watching Big Brother.
20
52473
2496
ya da biz 'Big Brother'ı izleyecektik.
01:06
(Laughter)
21
54969
1931
(Gülüşmeler)
01:08
But it doesn't have to be this way.
22
56900
1734
Fakat bu böyle olmak zorunda değil.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
Biz bilgi ve teknolojinin pasif
tüketicileri değiliz.
tüketicileri değiliz.
01:13
We shape the role it plays in our lives
24
61970
2403
Bunların hayatımızdaki rollerini ve
01:16
and the way we make meaning from it,
25
64373
2130
nasıl anlam çıkaracağımızı belirliyoruz,
01:18
but to do that,
26
66503
1603
fakat bunu yapmak için en azından
01:20
we have to pay as much attention to how we think
27
68106
3513
nasıl düşündüğümüz gibi nasıl
01:23
as how we code.
28
71619
2030
kodladığımıza da dikkat etmeliyiz.
01:25
We have to ask questions, and hard questions,
29
73649
3098
Sorular sormak zorundayız, zor sorular,
01:28
to move past counting things
30
76747
1869
bu şekilde bir şeyleri saymaktan öteye
01:30
to understanding them.
31
78616
2602
onları anlamaya başlayabiliriz.
01:33
We're constantly bombarded with stories
32
81218
2446
Sürekli dünyada ne kadar veri olduğu
01:35
about how much data there is in the world,
33
83664
2476
hakkında hikâyeler dinliyoruz
01:38
but when it comes to big data
34
86140
1580
ama söz konusu büyük veri
01:39
and the challenges of interpreting it,
35
87720
2596
ve onu yorumlamaktaki zorluklar olunca,
01:42
size isn't everything.
36
90316
2088
verinin büyüklüğü çok da önemli değil.
01:44
There's also the speed at which it moves,
37
92404
2903
Verilerin hareket etme hızı
01:47
and the many varieties of data types,
38
95307
1696
ve çok çeşitli veri türleri var.
01:49
and here are just a few examples:
39
97003
2498
Birkaç tane örnek vermek gerekirse:
01:51
images,
40
99501
2198
Görüntüler,
01:53
text,
41
101699
4007
yazı,
01:57
video,
42
105706
2095
video,
01:59
audio.
43
107801
1830
ses.
02:01
And what unites this disparate types of data
44
109631
3042
Tüm bu farklı verilerin ortak noktası ise,
02:04
is that they're created by people
45
112673
2221
insanlar tarafından yaratılmış
02:06
and they require context.
46
114894
2775
ve bir içeriğe sahip olmalarıdır.
02:09
Now, there's a group of data scientists
47
117669
2445
Şu anda Chicago Illinois Üniversitesi'nden,
02:12
out of the University of Illinois-Chicago,
48
120114
2305
Sağlık Medya İşbirliği adında
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
veri bilimci bir grup, Hastalık
Kontrol Merkezi
Kontrol Merkezi
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
ile birlikte insanların
sigarayı bırakması
sigarayı bırakması
02:19
to better understand
51
127560
1505
hakkında nasıl konuştuğunu,
02:21
how people talk about quitting smoking,
52
129065
2848
elektronik sigaralar için söylenenleri
02:23
how they talk about electronic cigarettes,
53
131913
2680
ve bu insanların sigarayı bırakması için
02:26
and what they can do collectively
54
134593
1985
nasıl yardımcı olabileceklerini
02:28
to help them quit.
55
136578
1984
bulmak için çalışıyorlar.
02:30
The interesting thing is, if you want to understand
56
138562
2013
İşin ilginç yanı, insanların
02:32
how people talk about smoking,
57
140575
2216
sigara içme hakkında nasıl konuştuğunu
02:34
first you have to understand
58
142791
1901
anlamanız için öncelikle, "içmek"
02:36
what they mean when they say "smoking."
59
144692
2565
derken neden bahsettiklerini
anlamanız gerekiyor.
anlamanız gerekiyor.
02:39
And on Twitter, there are four main categories:
60
147257
3926
Twitter'da dört ana başlıkta toplamışlar:
02:43
number one, smoking cigarettes;
61
151183
2997
Öncelikle, "Sigara içmek".
02:46
number two, smoking marijuana;
62
154180
2807
İkinci olarak, "Ot içmek".
02:48
number three, smoking ribs;
63
156987
2643
Üçüncü sırada: "Dumanı tüten pirzolalar"
02:51
and number four, smoking hot women.
64
159630
3553
ve son olarak, "Hatun, bir içim su".
02:55
(Laughter)
65
163183
2993
(Gülüşmeler)
02:58
So then you have to think about, well,
66
166176
2426
Sonra da mesela şunu düşünmek gerekiyor:
03:00
how do people talk about electronic cigarettes?
67
168602
2140
Elektronik sigaralar hakkında
ne konuşuyorlar?
ne konuşuyorlar?
03:02
And there are so many different ways
68
170742
2025
İnsanların bunu yapmasının birçok yolu var
03:04
that people do this, and you can see from the slide
69
172767
2599
ve görsellerden de görebileceğiniz gibi
03:07
it's a complex kind of a query.
70
175366
2610
karmaşık bir sorgu türü.
03:09
And what it reminds us is that
71
177976
3224
Bunun bize hatırlattığı şey ise,
03:13
language is created by people,
72
181200
2411
dilin insanlar tarafından yaratıldığı,
03:15
and people are messy and we're complex
73
183611
2340
insanların dağınık ve karmaşık olduğu
03:17
and we use metaphors and slang and jargon
74
185951
2767
ve metafor, jargon ve argo kullanmamız.
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
Hem de bunu birçok farklı dilde
7/24 yapmamız
7/24 yapmamız
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
ve bir yolunu bulur bulmaz değiştirmemiz.
03:27
So did these ads that the CDC put on,
77
195221
5118
Peki şimdi CDC (Hastalık Kontrol
Merkezi)'nin yayınladığı,
Merkezi)'nin yayınladığı,
03:32
these television ads that featured a woman
78
200339
2430
boğazında bir delik olan kadını gösteren
03:34
with a hole in her throat and that were very graphic
79
202769
2021
oldukça görsel ve rahatsız edici
03:36
and very disturbing,
80
204790
1904
bu televizyon reklamları,
03:38
did they actually have an impact
81
206694
1885
gerçekten insanların sigarayı
03:40
on whether people quit?
82
208579
2671
bırakmasına yardımcı oldu mu?
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
Sağlık Medya İşbirliği, veri limitlerini
sınırlandırdı
sınırlandırdı
03:46
but they were able to conclude
84
214557
2005
ama bu reklamlar hakkında
şuna karar verdiler
şuna karar verdiler
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
— onları görmüş olabilirsiniz —
03:51
that they had the effect of jolting people
86
219874
2591
Bu reklamlar, insanları şok edici bir
03:54
into a thought process
87
222465
1822
düşünce sürecine sokarak etkiler
03:56
that may have an impact on future behavior.
88
224287
3667
ve bu sonraki davranışlara da
etkide bulunabilir.
etkide bulunabilir.
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
Bu projede benim takdir ettiğim
ve hayran olduğum,
ve hayran olduğum,
04:03
aside from the fact, including the fact
90
231845
1489
insanların gerçek ihtiyaçlarına
04:05
that it's based on real human need,
91
233334
4057
dayanması gerçeğinden başka,
04:09
is that it's a fantastic example of courage
92
237391
2846
bir ilgisizlik denizinin karşısında,
04:12
in the face of a sea of irrelevance.
93
240237
4443
cesaretin harika bir örnek olmasıdır.
04:16
And so it's not just big data that causes
94
244680
3305
Bu nedenle, sadece yorumlama
zorluklarına neden olan
zorluklarına neden olan
04:19
challenges of interpretation, because let's face it,
95
247985
2601
büyük veri değildir, çünkü kabul edelim,
04:22
we human beings have a very rich history
96
250586
2594
insanlar olarak, herhangi bir veri
miktarını almada,
miktarını almada,
04:25
of taking any amount of data, no matter how small,
97
253180
2693
ne kadar küçük olursa olsun
ve bozulursa bozulsun,
ve bozulursa bozulsun,
04:27
and screwing it up.
98
255873
1617
çok zengin bir tarihe sahibiz.
04:29
So many years ago, you may remember
99
257490
3737
Uzun yıllar önce, eski başkan
Ronald Reagan'ın,
Ronald Reagan'ın,
04:33
that former President Ronald Reagan
100
261227
2273
gerçekler aptalca şeylerdir açıklaması
04:35
was very criticized for making a statement
101
263500
1991
yaptığı için çok eleştirildiğini
04:37
that facts are stupid things.
102
265491
3010
hatırlayabilirsin.
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
Açık konuşalım, bu açıklama bir
dil sürçmesiydi.
dil sürçmesiydi.
04:43
He actually meant to quote John Adams' defense
104
271295
2430
Gerçekte Boston Katliamı davalarında,
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
John Adams'ın İngiliz askerlerini
savunmasını -
savunmasını -
04:48
that facts are stubborn things.
106
276476
3150
"Gerçekler acıdır"'ı alıntılamaya çalıştı.
04:51
But I actually think there's
107
279626
2624
Aslında, söylediği şeyde tesadüfi
bir bilgeliğin
bir bilgeliğin
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
parçası olduğunu düşünüyorum,
04:57
because facts are stubborn things,
109
285668
2776
çünkü gerçekler acıdır,
05:00
but sometimes they're stupid, too.
110
288444
2923
ama bazen aynı zamanda aptalcadır.
05:03
I want to tell you a personal story
111
291367
1888
Bunun benim için neden
çok önemli olduğu
çok önemli olduğu
05:05
about why this matters a lot to me.
112
293255
3548
hakkında kişisel bir öykü
anlatmak istiyorum.
anlatmak istiyorum.
05:08
I need to take a breath.
113
296803
2437
Bir nefes almam gerekiyor.
05:11
My son Isaac, when he was two,
114
299240
2754
Oğlum Isaac'e, 2 yaşındayken,
05:13
was diagnosed with autism,
115
301994
2417
otizm tanısı konuldu
05:16
and he was this happy, hilarious,
116
304411
2161
ve mutlu, neşeli, sevgi dolu,
05:18
loving, affectionate little guy,
117
306572
2035
şefkatli küçük adamdı
05:20
but the metrics on his developmental evaluations,
118
308607
2902
ama sözcük sayısı - o sırada hiç yoktu -
iletişimsel mimikler
iletişimsel mimikler
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
ve kısa göz teması gibi şeylerin
05:25
at that point, none —
120
313579
3657
bakıldığı gelişimsel
değerlendirme ölçümleri,
değerlendirme ölçümleri,
05:29
communicative gestures and minimal eye contact,
121
317236
3940
onun gelişimsel düzeyinin,
05:33
put his developmental level
122
321176
2003
9 aylık bir bebeğin gelişim düzeyinde
05:35
at that of a nine-month-old baby.
123
323179
3961
olduğunu gösterdi.
05:39
And the diagnosis was factually correct,
124
327140
2960
Tanı gerçeklere dayalı olarak doğruydu
05:42
but it didn't tell the whole story.
125
330100
3209
ama tüm hikâye bu değildi.
05:45
And about a year and a half later,
126
333309
1401
Yaklaşık bir buçuk yıl sonra,
05:46
when he was almost four,
127
334710
2102
hemen hemen 4 yaşındayken,
05:48
I found him in front of the computer one day
128
336812
2363
bir gün bilgisayarın önünde,
05:51
running a Google image search on women,
129
339175
5453
kadınlar üzerine Google görsel
arama yaparken buldum.
arama yaparken buldum.
05:56
spelled "w-i-m-e-n."
130
344628
3616
"Kidın" yazılmış.
06:00
And I did what any obsessed parent would do,
131
348244
2740
Her obsesif ebeveynin
yapacağı şeyi yaptım;
yapacağı şeyi yaptım;
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
daha önce neyin aranmış
olduğunu görmek için
olduğunu görmek için
06:04
to see what else he'd been searching for.
133
352885
3363
hemen "geri" düğmesine
tıklamaya başladım.
tıklamaya başladım.
06:08
And they were, in order: men,
134
356248
2171
Arananlar sırasıyla; erkekler,
06:10
school, bus and computer.
135
358419
7267
okul, otobüs ve bilgisayardı.
06:17
And I was stunned,
136
365686
2070
Buz kesildim,
06:19
because we didn't know that he could spell,
137
367756
2002
çünkü O'nun okuması bir yana harfleri
06:21
much less read, and so I asked him,
138
369758
1766
söyleyebildiğini bilmiyorduk.
06:23
"Isaac, how did you do this?"
139
371524
2193
"Isaac, Bunu nasıl yaptın?" diye sordum.
06:25
And he looked at me very seriously and said,
140
373717
2678
Isaac bana çok ciddi bir şekilde baktı
06:28
"Typed in the box."
141
376395
3352
ve "Kutunun içine yazılır" dedi.
06:31
He was teaching himself to communicate,
142
379747
3734
İletişimi kendi kendine öğreniyordu.
06:35
but we were looking in the wrong place,
143
383481
3004
Ama biz yanlış yere bakıyorduk
06:38
and this is what happens when assessments
144
386485
2295
ve bu, değerlendirmelerin ve analizlerin,
06:40
and analytics overvalue one metric —
145
388780
2396
bir ölçümü — bu vakada, sözel iletişim —
olduğundan
olduğundan
06:43
in this case, verbal communication —
146
391176
2609
fazla ve yaratıcı sorun çözme gibi
diğer ölçümleri az
diğer ölçümleri az
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
değerlendirdiğinde olan şeydir.
06:51
Communication was hard for Isaac,
148
399488
2307
İletişim, Isaac için zordu
06:53
and so he found a workaround
149
401795
1912
ve bu yüzden bilmesi gereken şeyi
06:55
to find out what he needed to know.
150
403707
2857
öğrenmek için geçici bir çözüm buldu.
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
Bunu düşündüğünüzde, çok mantıklı geliyor,
07:00
because forming a question
152
408454
2081
çünkü bir soru oluşturmak,
07:02
is a really complex process,
153
410535
2565
gerçekten karmaşık bir süreçtir.
07:05
but he could get himself a lot of the way there
154
413100
2522
Ama o, arama kutusuna bir kelime yazarak
07:07
by putting a word in a search box.
155
415622
4092
kendi kendine çoğu şeyi yapabildi.
07:11
And so this little moment
156
419714
2936
Bundan dolayı bu küçük an,
07:14
had a really profound impact on me
157
422650
2836
benim ve ailemizin üzerinde derin
07:17
and our family
158
425486
1309
bir etki bıraktı.
07:18
because it helped us change our frame of reference
159
426795
3141
Onunla ilgili olan şeye ilişkin referans
sistemimizin değişmesine
sistemimizin değişmesine
07:21
for what was going on with him,
160
429936
2208
ve biraz daha az endişelenmemize ve
07:24
and worry a little bit less and appreciate
161
432144
2976
becerikliliğini daha fazla takdir etmemize
07:27
his resourcefulness more.
162
435120
2182
yardım etti.
07:29
Facts are stupid things.
163
437302
2861
Gerçekler aptalca şeylerdir.
07:32
And they're vulnerable to misuse,
164
440163
2397
Yanlış kullanıma açıktır, inatçıdırlar
07:34
willful or otherwise.
165
442560
1653
ya da başka türlü.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
Emily Willinghan adında, bilim insanı olan
bir arkadaşım var.
bir arkadaşım var.
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
Kısa bir süre önce Forbes için
07:42
entitled "The 10 Weirdest Things
168
450040
1980
"Otizmle İlgili En Tuhaf 10 Gerçek"
07:44
Ever Linked to Autism."
169
452020
1810
başlıklı bir makale yazdı.
07:45
It's quite a list.
170
453830
3005
Bütünüyle bir listeydi.
07:48
The Internet, blamed for everything, right?
171
456835
3532
İnternet her şey için suçlanır, doğru mu?
07:52
And of course mothers, because.
172
460367
3757
Elbette anneler de.
07:56
And actually, wait, there's more,
173
464124
1587
Aslında daha fazlası var.
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
"Anne" kategorisinde bir sürü var.
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
Listenin oldukça dolu ve ilginç
olduğunu burada görebilirsiniz.
olduğunu burada görebilirsiniz.
08:05
I'm a big fan of
176
473956
2193
Ben şahsen otoyolların yakınında hamile
08:08
being pregnant near freeways, personally.
177
476149
3704
kalmanın büyük bir hayranıyım.
08:11
The final one is interesting,
178
479853
1539
En sonuncusu ilginç,
08:13
because the term "refrigerator mother"
179
481392
3003
çünkü "buzdolabı anne" terimi,
08:16
was actually the original hypothesis
180
484395
2605
gerçekte otizmin nedeni için
08:19
for the cause of autism,
181
487000
1431
orijinal hipotezdi ve
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
soğuk ve sevgi göstermeyen birisi
anlamına gelmekteydi.
anlamına gelmekteydi.
08:23
And at this point, you might be thinking,
183
491166
1562
Bu noktada, "Tamam Susan,
08:24
"Okay, Susan, we get it,
184
492728
1657
veri alabilir, bilgi alabilirsin,
bir şeyleri anlamlandırabilirsin"
diye düşünüyor olabilirsiniz.
diye düşünüyor olabilirsiniz.
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
08:28
And this is true, it's absolutely true,
186
496167
4703
Bu doğru, kesinlikle doğru
08:32
but the challenge is that
187
500870
5610
ancak zorluk, bunun dışında
08:38
we have this opportunity
188
506480
2448
kendimize anlam çıkarmayı
08:40
to try to make meaning out of it ourselves,
189
508928
2284
denemek için fırsatımız olmasıdır.
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
Açıkçası veri anlam oluşturmaz.
Biz yaparız.
Biz yaparız.
08:48
So as businesspeople, as consumers,
191
516564
3256
Dolayısıyla iş adamları, tüketiciler,
08:51
as patients, as citizens,
192
519820
2539
hastalar, vatandaşlar olarak
08:54
we have a responsibility, I think,
193
522359
2396
sorumluluğa sahibiz.
08:56
to spend more time
194
524755
2194
Kritik düşünme becerilerimize odaklanmaya
08:58
focusing on our critical thinking skills.
195
526949
2870
daha fazla zaman harcamalıyız
diye düşünüyorum.
diye düşünüyorum.
09:01
Why?
196
529819
1078
Neden?
09:02
Because at this point in our history, as we've heard
197
530897
3178
Çünkü tarihimizde bu noktada,
09:06
many times over,
198
534075
1706
defalarca duyduğumuz gibi,
09:07
we can process exabytes of data
199
535781
1981
yıldırım hızıyla eksabayt verileri
09:09
at lightning speed,
200
537762
2153
işleyebiliriz
09:11
and we have the potential to make bad decisions
201
539915
3515
ve çok daha hızlı ve etkili bir biçimde
kötü kararlar alma
kötü kararlar alma
09:15
far more quickly, efficiently,
202
543430
1834
potansiyeline sahibiz.
09:17
and with far greater impact than we did in the past.
203
545264
5028
Geçmişte yaptığımızdan
çok daha büyük bir etkiyle.
çok daha büyük bir etkiyle.
09:22
Great, right?
204
550292
1388
Müthiş, değil mi?
09:23
And so what we need to do instead
205
551680
3030
Dolayısıyla bunun yerine yapmamız
gereken şey,
gereken şey,
09:26
is spend a little bit more time
206
554710
2330
etik, felsefe, sözbilim,
toplumlar ve sosyoloji
toplumlar ve sosyoloji
09:29
on things like the humanities
207
557040
2746
ve sosyal bilimler gibi şeyler üzerine
09:31
and sociology, and the social sciences,
208
559786
3464
daha fazla vakit harcamak,
09:35
rhetoric, philosophy, ethics,
209
563250
2308
09:37
because they give us context that is so important
210
565558
2856
çünkü onlar bize büyük veriler için
09:40
for big data, and because
211
568414
2576
çok önemli içerik sağlar ve
09:42
they help us become better critical thinkers.
212
570990
2418
iyi eleştirel düşünürler olmamıza
yardım ederler.
yardım ederler.
09:45
Because after all, if I can spot
213
573408
4207
Sonuçta, bir tartışmada bir sorun
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
fark edebilirsem, bunun sayılarla
ya da kelimelerle
ya da kelimelerle
09:52
whether it's expressed in words or in numbers.
215
580101
2759
ifade edilip edilmediği çok önemli değil.
09:54
And this means
216
582860
2719
Bu,
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
onay ön yargılarını ve yanlış
ilişkileri kendi kendimize
ilişkileri kendi kendimize
10:02
and false correlations
218
590000
1822
bulmayı öğrenme ve 30 metreden çıplak
10:03
and being able to spot a naked emotional appeal
219
591822
2138
bir duygusal çağrıyı fark etme
10:05
from 30 yards,
220
593960
1662
anlamına gelir,
10:07
because something that happens after something
221
595622
2522
çünkü bir şeylerden sonra
gerçekleşen şeyler,
gerçekleşen şeyler,
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
ondan dolayı oldu anlamına gelmez,
zorunlu olarak
zorunlu olarak
ve bir saniye ukalalık etmeme izin
verirseniz,
verirseniz,
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
Romalılar buna,
"önceki olayı bir sonrakinin
"önceki olayı bir sonrakinin
10:19
after which therefore because of which.
225
607642
3296
nedeni gösterme yanlışı" derler.
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
Bu, demografi gibi disiplinleri
sorgulama anlamına gelir.
sorgulama anlamına gelir.
10:26
Why? Because they're based on assumptions
227
614695
2520
Neden? Çünkü aslında yapmayı
düşündüğümüz ve olduğumuz
düşündüğümüz ve olduğumuz
10:29
about who we all are based on our gender
228
617215
2306
şeylerin verilerinin aksine,
cinsiyetimiz,
cinsiyetimiz,
10:31
and our age and where we live
229
619521
1462
yaşımız ve nerede yaşadığımız
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
hakkında varsayımlara dayanırlar.
10:36
And since we have this data,
231
624461
1663
Bu verilere sahip olduğumuz için
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
gizlilik ayarlarına ve tüketici
tercihlerine
tercihlerine
10:41
and consumer opt-in,
233
629263
3576
yeterince önem vermeliyiz
10:44
and beyond that, we need to be clear
234
632839
2993
ve bundan öteye,
10:47
about our hypotheses,
235
635832
2103
sonuçtaki hipotezimiz,
10:49
the methodologies that we use,
236
637935
2596
kullandığımız yöntemler
10:52
and our confidence in the result.
237
640531
2804
ve güvenilirliğimiz anlaşılır olmalı.
10:55
As my high school algebra teacher used to say,
238
643335
2474
Lise'de matematik hocamın dediği gibi,
10:57
show your math,
239
645809
1531
hesaplamanı göster,
10:59
because if I don't know what steps you took,
240
647340
3441
çünkü yöntemini göstermezsen,
11:02
I don't know what steps you didn't take,
241
650781
1991
hangi adımları atmadığını bilemem
11:04
and if I don't know what questions you asked,
242
652772
2438
ve ne tür soruları sorduğunu bilmezsem,
11:07
I don't know what questions you didn't ask.
243
655210
3197
hangi soruları sormadığını bilemem.
11:10
And it means asking ourselves, really,
244
658407
1523
Kendimize şunu sormalıyız,
11:11
the hardest question of all:
245
659930
1479
gerçekten en zor soru aslında:
11:13
Did the data really show us this,
246
661409
3500
Veri bunları bize gerçekten gösterdi mi,
11:16
or does the result make us feel
247
664909
2311
yoksa sonuçlar bizi rahatlığa ve
11:19
more successful and more comfortable?
248
667220
3878
başarılı olduğumuza dair hisse
mi kaptırdı?
mi kaptırdı?
11:23
So the Health Media Collaboratory,
249
671098
2584
Bu yüzden Sağlık Medya İşbirliği,
11:25
at the end of their project, they were able
250
673682
1699
projelerinin bitiminde,
11:27
to find that 87 percent of tweets
251
675381
3408
oldukça görsel ve rahatsız edici
11:30
about those very graphic and disturbing
252
678789
2144
sigara karşıtı reklamlar açığa
çıkardığı korku
çıkardığı korku
11:32
anti-smoking ads expressed fear,
253
680933
4038
hakkında %87 oranında tvit aldılar
11:36
but did they conclude
254
684971
1856
ama insanlar sigarayı bıraktı
11:38
that they actually made people stop smoking?
255
686827
3161
sonucunu vardılar mı?
11:41
No. It's science, not magic.
256
689988
2542
Hayır. Bu, bilim, büyü değil.
11:44
So if we are to unlock
257
692530
3190
Veri gücünün
11:47
the power of data,
258
695720
2862
kilidini açmak istiyorsak,
11:50
we don't have to go blindly into
259
698582
3448
totaliter bir rejimin Orwell görüşüne,
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
değersiz bir geleceğin bir Huxley görüşüne
11:57
or Huxley's vision of a trivial one,
261
705466
3117
ya da her ikisinin korkunç karışımlarına
12:00
or some horrible cocktail of both.
262
708583
3020
körü körüne gitmek zorunda değiliz.
12:03
What we have to do
263
711603
2379
Yapmamız gereken şey,
12:05
is treat critical thinking with respect
264
713982
2718
saygıyla ve Sağlık Medya İşbirliği gibi
12:08
and be inspired by examples
265
716700
2029
örneklerden ilham alarak
12:10
like the Health Media Collaboratory,
266
718729
2610
eleştirel düşünce
değerlendirmesi yapmaktır.
değerlendirmesi yapmaktır.
12:13
and as they say in the superhero movies,
267
721339
2328
Süper kahraman filmlerinde
söyledikleri gibi,
söyledikleri gibi,
12:15
let's use our powers for good.
268
723667
1822
iyilik için gücümüzü kullanalım.
12:17
Thank you.
269
725489
2351
Teşekkürler.
12:19
(Applause)
270
727840
2334
(Alkışlar)
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