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.
Eric Berlow: Jestem ekologiem, a Sean fizykiem. Badamy złożone sieci. Poznaliśmy się kilka lat temu, gdy okazało się, że obaj wygłosiliśmy krótkie prelekcje TED o ekologii wojny. Zrozumieliśmy, że łączą nas poglądy które podzielaliśmy, nigdy się nie spotkawszy. Stwierdziliśmy, że istnieją tysiące innych prelekcji, zwłaszcza TEDx, pojawiających się na całym świecie. Jak się łączą? Jak wygląda globalna rozmowa? Sean opowie, jak do tego doszliśmy.
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.
Sean Gourley: Zebraliśmy 24 tys. prelekcji TEDx ze 147 krajów całego świata, chcąc poznać struktury matematyczne leżące u podstaw kryjących się za nimi idei. Chcieliśmy sprawdzić, jak są ze sobą połączone.
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.
Aby to zrobić, potrzeba wielu danych. Mamy wspaniałe narzędzie: YouTube, skąd możemy wydobyć wszystkie dostępne informacje, komentarze, wyświetlenia, kto i gdzie je ogląda, co ludzie piszą w komentarzach. Dzięki tłumaczeniu mowy na tekst możemy uzyskać transkrypcję. Działa nawet w przypadku śmiesznych akcentów, jak mój. Możemy wziąć transkrypcję i zrobić fajne rzeczy. Można skorzystać z algorytmów przetwarzania języka naturalnego, analizować tekst komputerowo, linijka po linijce, wydobywając kluczowe pojęcia. Te kluczowe pojęcia tworzą matematyczną strukturę idei, którą nazywamy "memom". Memom to po prostu matematyka będąca podstawą idei, Pozwala przeprowadzić ciekawą analizę, którą teraz przedstawię.
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.
Każda idea ma swój memom, każdy memom jest niepowtarzalny, ale idee zapożyczają od siebie, czasami wręcz kradną, a z pewnością bazują na sobie. Możemy je przejrzeć matematycznie, wybrać memom z jednej prelekcji i porównać z memomami z innych prelekcji. Jeśli dwa z nich są podobne, możemy je połączyć i pokazać to graficznie. Ja i Eric jesteśmy połączeni.
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.
Oto teoria. Spójrzmy, jak działa w praktyce. Oto globalny schemat prelekcji TEDx z ostatnich 4 lat, wygłaszanych na całym świecie od Nowego Jorku po Nową Zelandię. Przeanalizowaliśmy jedną czwartą i zaczęliśmy dostrzegać powiązania, miejsca połączeń. Cameron Russell mówiąca o urodzie zaprowadziła nas do Europy. Dialog na temat Izraela i Palestyny promieniuje z Bliskiego Wschodu. Mamy też coś szerszego jak "big data" o globalnym zasięgu, co przypomina rozmowę prowadzoną na całym świecie.
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.
Napotkaliśmy ograniczenia odwzorowania kartograficznego, ale komputery pozwalają nam wkroczyć w przestrzeń wielowymiarową. Odwzorowanie sieci poddajemy prawom fizyki i podobne prelekcje zbliżają się do siebie, a odmienne oddalają się. Powstaje coś pięknego.
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.
EB: Każdy węzeł to prelekcja. Łączą się, jeśli komunikują podobne idee. To pochodzi z odczytu komputerowego transkrypcji całych prelekcji. Wszystkie pojawiające się tematy nie pochodzą z tagów czy słów kluczowych. Pochodzą ze struktury sieciowej połączonych ze sobą idei.
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.
SG: Trochę się zapędziłem, ale on mnie przyhamuje. Wykształcenie łączy się z opowiadaniem historii, a to z mediami społecznościowymi. Mózg ludzki łączy się z opieką zdrowotną, co dość oczywiste, ale też z grami komputerowymi, te dwie sfery łączą się ze sobą.
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.
Pokażę teraz skupisko szczególnie dla mnie ważne: środowisko. Powiększę trochę obraz i zwiększę rozdzielczość. Znów poddam je prawom fizyki. Znów poddam je prawom fizyki. Widać, że jedna rozmowa składa się z wielu mniejszych. Wyłania się struktura, w której widać fraktalne zachowanie słów i języka używanych do opisania kwestii ważnych na całym świecie. Na górze gospodarka żywnościowa i lokalna żywność, gazy cieplarniane, odpady energetyczne i jądrowe. Otrzymujemy szereg mniejszych rozmów, każdą łączą z innymi wspólne idee wspólny język, tworząc szersze pojęcie środowiska. Powiększamy obraz i sprawdzamy, co oglądają młodzi ludzie. Interesuje ich energetyka i reakcja termojądrowa. To ich odpowiedź na rozmowę o środowisku. Jeśli podzielimy to według płci, widać, że kobiety silnie reagują na temat gospodarki żywnościowej, ale z nadzieją i optymizmem.
And so there's a lot of exciting stuff we can do here, and I'll throw to Eric for the next part.
Możemy zrobić wiele ciekawych rzeczy. Przekazuję pałeczkę Ericowi.
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.
EB: Chcę zauważyć, że nie można uzyskać takiej perspektywy przeglądając tagi na YouTube. Spójrzmy na rozmowę globalną, nie tylko środowisko, ale wszystkie prelekcje jednocześnie. Gdy mamy przed sobą tyle treści, staramy się je uprościć. Zobaczmy na przykład, które prelekcje są najpopularniejsze? Kilka wypłynie do góry. Prelekcja o wdzięczności. O zdrowiu osobistym i odżywianiu. Oczywiście, jedna o pornografii. Można stwierdzić, że wdzięczność wyszła z mody. Co jest modne teraz? Jaka prelekcja jest popularna? Gorącym obecnie tematem jest prywatność cyfrowa.
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.
To ułatwia sprawę. Sporo treści pogrzebanych jest na dnie. Sporo treści pogrzebanych jest na dnie. Fatalnie. Jak przesunąć do góry treści, które są twórcze i ciekawe? Możemy wrócić do struktury sieciowej idei. Możemy wrócić do struktury sieciowej idei. To struktura sieciowa tworzy nowe tematy. Weźmy miasta i genetykę, zobaczmy, czy istnieją prelekcje, które twórczo łączą te dwie dyscypliny. Taki kreatywny remiks jest jedną z oznak innowacji. Oto prelekcja Jessiki Green o drobnoustrojach w budynkach. Tworzy to nową dziedzinę badań. Wróćmy do tych tematów i sprawdźmy, które prelekcje są osią rozmów? W grupie miast jedną z najważniejszych jest prelekcja Mitcha Joachima o ekologicznych miastach, a w grupie genetyki prelekcja Craiga Ventera o biologii syntetycznej. Te prelekcje są łącznikiem dla wielu prelekcji w danych dyscyplinach. Możemy pójść w drugą stronę i sprawdzić, które prelekcje syntetyzują wiedzę z różnych dziedzin. Wykorzystaliśmy miarę zróżnicowania ekologicznego. Prelekcja Stevena Pinkera o historii przemocy, bardzo syntetyczna.
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.
Są prelekcje tak wyjątkowe, że zajmują wyjątkowe miejsce w stratosferze idei. Nazywamy to wskaźnikiem Colleen Flanagan. Colleen jest artystką. Spytałem ją: "Jak to jest, być w stratosferze idei?". Spytałem ją: "Jak to jest, być w stratosferze idei?". Podobno pachnie bekonem. Nie wiem. Korzystamy z tych wzorów sieciowych, aby znaleźć wyjątkowe prelekcje, które kreatywnie syntetyzują wiele dziedzin. Najważniejsze w swoim temacie. i takie, które twórczo łączą odmienne dziedziny. Nie znaleźlibyśmy ich szukając tylko tego, co jest modne dzisiaj. Wszystko to jest efektem architektury złożoności lub wzorów połączeń.
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.
SG: Masz rację. Żyjemy w niesamowicie złożonym świecie, Żyjemy w niesamowicie złożonym świecie, Wykorzystujemy algorytmy, aby go trochę przefiltrować, by móc się po nim poruszać. Algorytmy są przydatne, ale są także bardzo wąskie, a możemy stworzyć lepsze. Ich złożoność nie jest przypadkowa. Ma strukturę matematyczną, którą możemy wykorzystać, by odkrywać choćby świat idei, by sprawdzić, o czym się mówi, a o czym nie, by być trochę bardziej ludzkim i mądrzejszym, miejmy nadzieję.
Thank you.
Dziękuję.
(Applause)
(Brawa)