Eric Berlow: Ich bin Ökologe und Sean ist ein Physiker und wir erforschen beide komplexe Netzwerke. Vor ein paar Jahren trafen wir uns, als wir herausfanden, dass wir beide einen kurzen TED-Talk über die Ökologie des Krieges gehalten hatten und bemerkten, dass wir durch unsere gemeinsamen Ideen verbunden waren, bevor wir uns überhaupt getroffen hatten. Wir dachten uns, es gibt tausende anderer Vorträge, besonders TEDx-Talks, die auf der ganzen Welt aus dem Boden sprießen. Wie sind sie vernetzt und wie schaut dieser globale Dialog aus? Sean wird Ihnen also etwas darüber erzählen, wie wir das gemacht haben.
Eric Berlow: I'm an ecologist, and Sean's a physicist, and we both study complex networks. And we met a couple years ago when we discovered that we had both given a short TED Talk about the ecology of war, and we realized that we were connected by the ideas we shared before we ever met. And then we thought, you know, there are thousands of other talks out there, especially TEDx Talks, that are popping up all over the world. How are they connected, and what does that global conversation look like? So Sean's going to tell you a little bit about how we did that.
Sean Gourley: Genau. Wir haben also 24.000 TEDx-Talks aus aller Welt genommen, 147 verschiedene Länder, wir haben diese Vorträge genommen und wollten die mathematischen Strukturen herausfinden, die den dazugehörigen Ideen zugrunde liegen. Wir wollten das tun, um zu erkennen, wie sie miteinander verbunden sind.
Sean Gourley: Exactly. So we took 24,000 TEDx Talks from around the world, 147 different countries, and we took these talks and we wanted to find the mathematical structures that underly the ideas behind them. And we wanted to do that so we could see how they connected with each other.
Wenn man solche Dinge machen möchte, braucht man große Datenmengen. Die vorhanden Daten ist dieses tolle Ding namens YouTube. Wir können im Grunde in die Tiefe gehen und alle freien Inhalte aus YouTube beziehen, alle Kommentare, alle Besuche, wer sie ansieht, wo sie sie ansehen und was in den Kommentaren gesagt wird. Mithilfe von Sprache-Text-Übertragung können wir aber auch die ganze Abschrift heranziehen, und das funktioniert selbst bei Leuten mit etwas komischem Akzent, wie mir. Wir können also ihre Abschriften erfassen und einige ziemlich tolle Sachen damit machen. Durch Algorithmen zur Verarbeitung von natürlicher Sprache können wir mit einem Computer Zeile für Zeile durchlesen und die wesentlichen Konzepte herausarbeiten. Diese Konzepte bilden gemeinsam diese mathematische Struktur einer Idee. Und das nennen wir das Meme-Ome. Das Meme-Ome ist ganz einfach die Mathematik, die einer Idee zugrunde liegt und damit lassen sich ziemlich interesante Analysen durchführen, die ich nun mit Ihnen teilen möchte.
And so, of course, if you're going to do this kind of stuff, you need a lot of data. So the data that you've got is a great thing called YouTube, and we can go down and basically pull all the open information from YouTube, all the comments, all the views, who's watching it, where are they watching it, what are they saying in the comments. But we can also pull up, using speech-to-text translation, we can pull the entire transcript, and that works even for people with kind of funny accents like myself. So we can take their transcript and actually do some pretty cool things. We can take natural language processing algorithms to kind of read through with a computer, line by line, extracting key concepts from this. And we take those key concepts and they sort of form this mathematical structure of an idea. And we call that the meme-ome. And the meme-ome, you know, quite simply, is the mathematics that underlies an idea, and we can do some pretty interesting analysis with it, which I want to share with you now.
Jede Idee hat also ihr Meme-Ome und damit ist jede Idee einzigartig, aber natürlich leihen sie sich voneinander, manchmal klauen sie gewissermaßen und sicherlich bauen sie aufeinander auf. Wir können sie mathematisch durchlaufen und das Meme-One eines Vortrages mit dem jedes anderen Vortrages vergleichen und wenn zwischen zweien eine Ähnlichkeit besteht, können wir einen Querverweis schaffen und diesen als Graphen darstellen, genauso wie Eric und ich verbunden sind.
So each idea has its own meme-ome, and each idea is unique with that, but of course, ideas, they borrow from each other, they kind of steal sometimes, and they certainly build on each other, and we can go through mathematically and take the meme-ome from one talk and compare it to the meme-ome from every other talk, and if there's a similarity between the two of them, we can create a link and represent that as a graph, just like Eric and I are connected.
Das ist also die Theorie, das ist großartig. Lassen Sie uns betrachten, wie das in der Praxis aussieht. Das hier ist der globale Fußabdruck aller TEDx-Talks der letzten 4 Jahre, die auf der ganzen Welt entstehen, von New York bis zum kleinen Neuseeland hier in der Ecke. Wir haben hier die oberen 25% analysiert und begannen zu sehen, wo die Verbindungen entstanden, wo sie miteinander verbunden waren. Cameron Russell, die über Image und Schönheit spricht, verbindet nach Europa. Wie haben eine größere Unterhaltung über Israel und Palästina, die von Mittleren Osten ausgeht. Und wir haben etwas allgemeineres, wie Big Data, mit einem wirklich globalen Fußabdruck, der von einem Dialog zeugt, der überall passiert.
So that's theory, that's great. Let's see how it works in actual practice. So what we've got here now is the global footprint of all the TEDx Talks over the last four years exploding out around the world from New York all the way down to little old New Zealand in the corner. And what we did on this is we analyzed the top 25 percent of these, and we started to see where the connections occurred, where they connected with each other. Cameron Russell talking about image and beauty connected over into Europe. We've got a bigger conversation about Israel and Palestine radiating outwards from the Middle East. And we've got something a little broader like big data with a truly global footprint reminiscent of a conversation that is happening everywhere.
Damit stoßen wir irgendwie an die Grenzen dessen, was wir mit einer geografischen Projektion schaffen. Glücklicherweise aber, erlauben es uns die Computerwissenschaften, uns in den multidimensionalen Raum zu begeben. Wir können also unsere Projektion des Netzwerks heranziehen und darauf eine Physik-Engine anwenden, und die ähnlichen Vorträge kollidieren miteinander, die unterschiedlichen fliegen auseinander und das Ergebnis ist etwas ziemlich Schönes.
So from this, we kind of run up against the limits of what we can actually do with a geographic projection, but luckily, computer technology allows us to go out into multidimensional space. So we can take in our network projection and apply a physics engine to this, and the similar talks kind of smash together, and the different ones fly apart, and what we're left with is something quite beautiful.
EB: Ich möchte nur darauf hinweisen, dass jeder Knotenpunkt ein Vortrag ist. Sie sind verbunden, wenn sie ähnliche Ideen miteinander teilen, das entsteht indem eine Maschine die gesamten Abschriften durchliest. Und all diese Themen, die herausspringen, kommen nicht von Tags oder Stichworten. Sie kommen aus der Netzstruktur miteinander verbundener Ideen. Macht bitte weiter so.
EB: So I want to just point out here that every node is a talk, they're linked if they share similar ideas, and that comes from a machine reading of entire talk transcripts, and then all these topics that pop out, they're not from tags and keywords. They come from the network structure of interconnected ideas. Keep going.
SG: Ganz genau. Ich war ein bisschen schnell damit, aber er bremst mich schon. Bildung ist verbunden mit Geschichtenerzählen, im Dreieck mit sozialen Medien Natürlich haben wir das menschliche Gehirn direkt neben der Gesundheitsversorgung, was Sie vielleicht erwartet haben, wir haben aber auch Videospiele in der Nähe, da die beiden Bereiche sich miteinander kurzschließen.
SG: Absolutely. So I got a little quick on that, but he's going to slow me down. We've got education connected to storytelling triangulated next to social media. You've got, of course, the human brain right next to healthcare, which you might expect, but also you've got video games, which is sort of adjacent, as those two spaces interface with each other.
Ich möchte Sie aber in einen Cluster mitnehmen, der mir besonders wichtig ist und das ist die Umwelt. Und ich möchte näher heranzoomen und schauen, ob wir noch eine höhere Auflösung bekommen. Wenn wir uns hier annähern, sehen wir, – wir wenden wieder die Physik-Engine an – erkennen wir, dass eine Unterhaltung eigentlich aus vielen kleineren besteht. Ihre Struktur tritt in Erscheinung, wodurch wir ein fraktales Verhalten der Wörter und der Sprache beobachten, die wir tagtäglich verwenden, um die Dinge zu beschreiben, die uns wichtig sind, auf der ganzen Welt. Oben haben wir also Lebensmittelwirtschaft und regionale Lebensmittel, Treibhausgase, Solarenergie und Atommüll. Wir erhalten eine Reihe kleinerer Unterhaltungen, die untereinander durch ihre gemeinsamen Ideen und ihre Sprache verbunden sind und so eine vielseitigere Auffassung der Umwelt schaffen. Von hier aus, können wir natürlich hineinzoomen und herausfinden, wofür interessieren sich junge Leute. Und Sie interessieren sich für Energietechnologie und Kernfusion. Das ist ihre eigene Resonanz zu der Unterhaltung rund um die Umwelt. Wenn wir nach Geschlechtern trennen, sehen wir, dass Lebensmittelwirtschaft bei Frauen starken Widerhall findet, aber auch Hoffnung und Optimismus.
But I want to take you into one cluster that's particularly important to me, and that's the environment. And I want to kind of zoom in on that and see if we can get a little more resolution. So as we go in here, what we start to see, apply the physics engine again, we see what's one conversation is actually composed of many smaller ones. The structure starts to emerge where we see a kind of fractal behavior of the words and the language that we use to describe the things that are important to us all around this world. So you've got food economy and local food at the top, you've got greenhouse gases, solar and nuclear waste. What you're getting is a range of smaller conversations, each connected to each other through the ideas and the language they share, creating a broader concept of the environment. And of course, from here, we can go and zoom in and see, well, what are young people looking at? And they're looking at energy technology and nuclear fusion. This is their kind of resonance for the conversation around the environment. If we split along gender lines, we can see females resonating heavily with food economy, but also out there in hope and optimism.
Es gibt also eine Menge aufregender Dinge, die wir hier machen können und ich übergebe für den nächsten Teil an Eric.
And so there's a lot of exciting stuff we can do here, and I'll throw to Eric for the next part.
EB: Ja, ich möchte nur darauf hinweisen, dass man diese Blickweise nicht durch eine einfache Stichwortsuche auf YouTube erhalten kann. Wir zoomen jetzt heraus auf die gesamte globale Unterhaltung, aus der Umwelt heraus, und sehen uns die Gesamtheit der Vorträge an. Bei einer solchen Menge an Inhalten tun wir meistens ein paar Dinge, um es einfacher zu gestalten. Man könnte auch einfach sagen, welche sind die beliebtesten Vorträge? Und einige treten zutage. Da gibt es einen Vortrag über Dankbarkeit. Ein anderer handelt von individueller Gesundheit und Ernährung Und selbstverständlich gehört einer über Pornografie dazu, oder? Dan könnten wir sagen, Dankbarkeit, das war letztes Jahr. Was ist gerade im Trend? Welcher Vortrag ist zurzeit beliebt? Und wir können erkennen, dass das neue, aufstrebende Thema die digitale Privatsphäre ist.
EB: Yeah, I mean, just to point out here, you cannot get this kind of perspective from a simple tag search on YouTube. Let's now zoom back out to the entire global conversation out of environment, and look at all the talks together. Now often, when we're faced with this amount of content, we do a couple of things to simplify it. We might just say, well, what are the most popular talks out there? And a few rise to the surface. There's a talk about gratitude. There's another one about personal health and nutrition. And of course, there's got to be one about porn, right? And so then we might say, well, gratitude, that was last year. What's trending now? What's the popular talk now? And we can see that the new, emerging, top trending topic is about digital privacy.
Das ist großartig. Es vereinfacht die Dinge. Aber so viel kreativer Inhalt ist einfach ganz unten vergraben. Und ich hasse das. Wie bekommen wir das Zeug an die Oberfläche, das möglicherweise echt kreativ und interessant ist? Wir können zur Netzstruktur der Ideen zurückgehen, um das zu erreichen. Erinnern Sie sich, jene Netzstruktur erzeugt diese aufstrebenden Themen und angenommen wir könnten zwei davon nehmen, z.B. Städte und Genetik, und schauen, ob es irgendwelche Vorträge gibt, die zwischen diesen zwei sehr unterschiedlichen Disziplinen eine Brücke schlagen. Im Wesentlichen ist diese Art kreativer Remix ein Gütesiegel für Innovation. Hier ist einer von Jessica Green über die mikrobielle Ökologie von Gebäuden. Er definiert buchstäblich ein neues Themenfeld. Und wir könnten zu jenen Themen zurückgehen und fragen, welche Vorträge sind wesentlich für jene Unterhaltungen? Im Städte-Cluster ist einer von Mitch Joachim über ökologische Städte einer der zentralsten. Und im Genetik-Cluster haben wir einen Vortrag über synthetische Biologie von Craig Venter. Diese Vorträge koppeln viele andere innerhalb ihrer Disziplin. Wir könnten es auch umdrehen und fragen, welche Vorträge verschmelzen weitgehend viele verschiedene Themenfelder. Wir haben ein Maß für ökologische Vielfalt verwendet, um das zu herauszufinden. Zum Beispiel ein Vortrag von Steven Pinker über die Geschichte der Gewalt, sehr künstlich.
So this is great. It simplifies things. But there's so much creative content that's just buried at the bottom. And I hate that. How do we bubble stuff up to the surface that's maybe really creative and interesting? Well, we can go back to the network structure of ideas to do that. Remember, it's that network structure that is creating these emergent topics, and let's say we could take two of them, like cities and genetics, and say, well, are there any talks that creatively bridge these two really different disciplines. And that's -- Essentially, this kind of creative remix is one of the hallmarks of innovation. Well here's one by Jessica Green about the microbial ecology of buildings. It's literally defining a new field. And we could go back to those topics and say, well, what talks are central to those conversations? In the cities cluster, one of the most central was one by Mitch Joachim about ecological cities, and in the genetics cluster, we have a talk about synthetic biology by Craig Venter. These are talks that are linking many talks within their discipline. We could go the other direction and say, well, what are talks that are broadly synthesizing a lot of different kinds of fields. We used a measure of ecological diversity to get this. Like, a talk by Steven Pinker on the history of violence, very synthetic.
Dann gibt es natürlich Vorträge, die so einzigartig sind, dass sie irgendwie oben in der Stratosphäre liegen, an ihrem eigenen, besonderen Platz, und das nennen wir den Coolen-Flanagan-Index. Falls Sie Colleen nicht kennen, sie ist eine Künstlerin, und ich habe sie gefragt: "Wie ist es da draußen in der Stratosphäre unseres Ideenraums?" Und offenbar riecht es nach Speck. Keine Ahnung. Wir verwenden also diese Netzwerkmotive, um einzigartige Vorträge zu finden, solche, die auf kreative Weise viele verschiedene Felder miteinander verschmelzen, solche, die wesentlich für ihr Thema sind, und solche, die wirklich kreativ zwischen grundverschiedenen Feldern Brücken schlagen. Okay? Ohne unsere Besessenheit davon, was jetzt gerade im Trend liegt, hätten wir sie nie gefunden. Und das alles entsteht aus der Architektur der Komplexität, oder den Mustern, wie die Dinge verbunden sind.
And then, of course, there are talks that are so unique they're kind of out in the stratosphere, in their own special place, and we call that the Colleen Flanagan index. And if you don't know Colleen, she's an artist, and I asked her, "Well, what's it like out there in the stratosphere of our idea space?" And apparently it smells like bacon. I wouldn't know. So we're using these network motifs to find talks that are unique, ones that are creatively synthesizing a lot of different fields, ones that are central to their topic, and ones that are really creatively bridging disparate fields. Okay? We never would have found those with our obsession with what's trending now. And all of this comes from the architecture of complexity, or the patterns of how things are connected.
SG: Das stimmt genau. Wir finden uns wieder in einer Welt, die enorm komplex ist und bisher haben wir Algorithmen verwendet, um sie einigermaßen herunterzufiltern, damit wir uns in ihr zurechtfinden. Und obgleich diese Algorithmen nützlich sind, sind sie auch sehr, sehr beschränkt, und das können wir besser, denn wir können uns dessen bewusst werden, dass ihre Komplexität nicht beliebig ist. Sie hat eine mathematische Struktur die wir verwenden können, um Sachen, wie die Welt der Ideen, zu erkunden, um zu sehen, was die Leute zu sagen haben, und was sie nicht sagen und um ein wenig menschlicher zu sein und hoffentlich ein bisschen klüger.
SG: So that's exactly right. We've got ourselves in a world that's massively complex, and we've been using algorithms to kind of filter it down so we can navigate through it. And those algorithms, whilst being kind of useful, are also very, very narrow, and we can do better than that, because we can realize that their complexity is not random. It has mathematical structure, and we can use that mathematical structure to go and explore things like the world of ideas to see what's being said, to see what's not being said, and to be a little bit more human and, hopefully, a little smarter.
Vielen Dank.
Thank you.
(Beifall)
(Applause)