Technology has brought us so much: the moon landing, the Internet, the ability to sequence the human genome. But it also taps into a lot of our deepest fears, and about 30 years ago, the culture critic Neil Postman wrote a book called "Amusing Ourselves to Death," which lays this out really brilliantly. And here's what he said, comparing the dystopian visions of George Orwell and Aldous Huxley. He said, Orwell feared we would become a captive culture. Huxley feared we would become a trivial culture. Orwell feared the truth would be concealed from us, and Huxley feared we would be drowned in a sea of irrelevance. In a nutshell, it's a choice between Big Brother watching you and you watching Big Brother. (Laughter)
Technika przyniosła nam tak wiele: lądowanie na Księżycu, Internet, sekwencjonowanie ludzkiego genomu. Wydobywa też wiele naszych najskrytszych lęków. Około 30 lat temu krytyk kultury, Neil Postman, napisał książkę pod tytułem "Zabawić się na śmierć", która świetnie to odzwierciedla. Oto co mówi, porównując dystopiczne wizje George'a Orwella i Aldousa Huxleya. Orwell bał się zniewolenia kultury. Huxley bał się trywializacji kultury. Orwell bał się, że prawda będzie przed nami ukrywana, a Huxley, że zaleje nas morze trywialności. Jednym słowem to wybór między "Wielki Brat patrzy", a oglądaniem "Wielkiego Brata". (Śmiech)
But it doesn't have to be this way. We are not passive consumers of data and technology. We shape the role it plays in our lives and the way we make meaning from it, but to do that, we have to pay as much attention to how we think as how we code. We have to ask questions, and hard questions, to move past counting things to understanding them. We're constantly bombarded with stories about how much data there is in the world, but when it comes to big data and the challenges of interpreting it, size isn't everything. There's also the speed at which it moves, and the many varieties of data types, and here are just a few examples: images, text, video, audio. And what unites this disparate types of data is that they're created by people and they require context.
Ale wcale nie musi tak być. Nie jesteśmy biernymi konsumentami danych i technik. Kształtujemy ich rolę w naszym życiu i ich znaczenie. Jednak w tym celu musimy zwracać tyle uwagi na to, jak myślimy, jak i na to, jak kodujemy. Musimy zadawać pytania, trudne pytania, żeby przejść od powtarzania czynności do rozumienia ich. Ciągle bombardują nas informacje o tym, jak wiele danych jest na świecie, ale gdy chodzi o wyzwanie, jakim jest ich interpretacja, rozmiar to nie wszystko. Chodzi też o prędkość, z jaką się zmieniają i o różnorodność typów danych. Oto kilka przykładów: obrazy, tekst, wideo i audio. Łączy je to, że są stworzone przez ludzi i wymagają kontekstu.
Now, there's a group of data scientists out of the University of Illinois-Chicago, and they're called the Health Media Collaboratory, and they've been working with the Centers for Disease Control to better understand how people talk about quitting smoking, how they talk about electronic cigarettes, and what they can do collectively to help them quit. The interesting thing is, if you want to understand how people talk about smoking, first you have to understand what they mean when they say "smoking." And on Twitter, there are four main categories: number one, smoking cigarettes; number two, smoking marijuana; number three, smoking ribs; and number four, smoking hot women. (Laughter)
Grupa analityków danych z Uniwersytetu Illinois-Chicago pracuje w Health Media Collaboratory. Współpracują z Centrami Kontroli Chorób, żeby lepiej rozumieć, co ludzie mówią o rzucaniu palenia, co mówią o papierosach elektronicznych i co mogą wspólnie zrobić, żeby pomóc im rzucić palenie. Żeby zrozumieć, co ludzie mówią o paleniu, najpierw trzeba wiedzieć, co rozumieją przez "palenie". Na Twitterze są cztery główne kategorie: numer jeden: palenie papierosów; numer dwa: palenie marihuany; numer trzy: palenie w piecu i numer cztery: palenie się do kobiet. (Śmiech)
So then you have to think about, well, how do people talk about electronic cigarettes? And there are so many different ways that people do this, and you can see from the slide it's a complex kind of a query. And what it reminds us is that language is created by people, and people are messy and we're complex and we use metaphors and slang and jargon and we do this 24/7 in many, many languages, and then as soon as we figure it out, we change it up.
Trzeba przemyśleć, jak ludzie rozmawiają o e-papierosach. Robią to na wiele sposobów, jak widać na slajdzie, to dosyć złożona sprawa. Przypomina nam to, że język jest tworzony przez ludzi, a ludzie mieszają, jesteśmy skomplikowani, używamy metafor, slangu, żargonu i robimy to 24 godziny na dobę, w bardzo wielu językach, a jak tylko to zauważymy, zmieniamy to.
So did these ads that the CDC put on, these television ads that featured a woman with a hole in her throat and that were very graphic and very disturbing, did they actually have an impact on whether people quit? And the Health Media Collaboratory respected the limits of their data, but they were able to conclude that those advertisements — and you may have seen them — that they had the effect of jolting people into a thought process that may have an impact on future behavior. And what I admire and appreciate about this project, aside from the fact, including the fact that it's based on real human need, is that it's a fantastic example of courage in the face of a sea of irrelevance.
Podobnie było z reklamami wyemitowanymi przez CDC, te bardzo obrazowe, niepokojące reklamy z kobietą z dziurą w gardle. Czy wpłynęły jakoś na rzucanie palenia? Health Media Collaboratory mieli niewiele danych, ale mogli wywnioskować, że te reklamy, mogliście je widzieć, wstrząsnęły ludźmi i zmusiły do przemyśleń, które mogą mieć wpływ na przyszłe zachowania. Tym co podziwiam i doceniam w tym projekcie, oprócz tego, że jest oparty na prawdziwych, ludzkich potrzebach, jest fantastyczny przykład odwagi wobec powodzi rzeczy nieistotnych.
And so it's not just big data that causes challenges of interpretation, because let's face it, we human beings have a very rich history of taking any amount of data, no matter how small, and screwing it up. So many years ago, you may remember that former President Ronald Reagan was very criticized for making a statement that facts are stupid things. And it was a slip of the tongue, let's be fair. He actually meant to quote John Adams' defense of British soldiers in the Boston Massacre trials that facts are stubborn things. But I actually think there's a bit of accidental wisdom in what he said, because facts are stubborn things, but sometimes they're stupid, too.
Nie tylko ogromne dane powodują problemy z ich interpretacją, Przyznajmy, że my, ludzie, mamy bogatą historię wpadek, kiedy to braliśmy dowolną ilość danych, nawet bardzo małą i przekręcaliśmy je. Wiele lat temu, może pamiętacie, ex-prezydenta Reagana bardzo krytykowano za oświadczenie, że fakty są głupie. To było przejęzyczenie, miał na myśli słowa Johna Adamsa, którymi ten bronił brytyjskich żołnierzy podczas procesów w sprawie masakry bostońskiej, że "fakty są uparte". Jednak jest w tym trochę przypadkowej mądrości, bo fakty są uparte, ale czasem są też głupie.
I want to tell you a personal story about why this matters a lot to me. I need to take a breath. My son Isaac, when he was two, was diagnosed with autism, and he was this happy, hilarious, loving, affectionate little guy, but the metrics on his developmental evaluations, which looked at things like the number of words — at that point, none — communicative gestures and minimal eye contact, put his developmental level at that of a nine-month-old baby. And the diagnosis was factually correct, but it didn't tell the whole story. And about a year and a half later, when he was almost four, I found him in front of the computer one day running a Google image search on women, spelled "w-i-m-e-n." And I did what any obsessed parent would do, which is immediately started hitting the "back" button to see what else he'd been searching for. And they were, in order: men, school, bus and computer. And I was stunned, because we didn't know that he could spell, much less read, and so I asked him, "Isaac, how did you do this?" And he looked at me very seriously and said, "Typed in the box."
Opowiem wam prywatną historię, zobaczycie, czemu to dla mnie ważne. Muszę złapać oddech. Kiedy mój syn, Issac, miał dwa lata zdiagnozowano u niego autyzm, był szczęśliwym, wesołym, kochającym, czułym chłopczykiem, ale ocena jego rozwoju, na przykład, ile zna słów, wówczas: zero, wykazała: "brak komunikacji niewerbalnej, minimalny kontakt wzrokowy", określała jego poziom rozwoju na etap 9-miesięcznego dziecka. Diagnoza faktycznie była poprawna, ale nie mówiła wszystkiego. Jakieś półtora roku później, kiedy miał prawie cztery lata, zobaczyłam jak szuka w grafice Google hasła "kobiety", (Śmiech) napisanego trochę niepoprawnie. Postąpiłam jak każdy obsesyjny rodzic, zaczęłam klikać "wstecz", żeby zobaczyć, czego szukał wcześniej. Hasła brzmiały: mężczyźni, szkoła, autobus i komputer. Byłam w szoku, bo nie wiedzieliśmy, że umie literować, co dopiero czytać, więc spytałam go, jak to zrobił. Spojrzał na mnie bardzo poważnie i powiedział: "Wpisałem w okienko". Uczył się komunikować, tylko my szukaliśmy w złym miejscu.
He was teaching himself to communicate, but we were looking in the wrong place, and this is what happens when assessments and analytics overvalue one metric — in this case, verbal communication — and undervalue others, such as creative problem-solving. Communication was hard for Isaac, and so he found a workaround to find out what he needed to know. And when you think about it, it makes a lot of sense, because forming a question is a really complex process, but he could get himself a lot of the way there by putting a word in a search box.
Tak się dzieje, gdy oceny i analizy przeceniają jedną cechę, w tym wypadku komunikację werbalną, a zaniżają wartość innych, takich jak twórcze rozwiązywanie problemów. Komunikacja była trudna dla Isaaca, więc znalazł inną drogę, żeby dowiedzieć się tego, czego potrzebował. Kiedy się o tym pomyśli, to ma sens, bo ułożenie pytania to złożony proces, a do wyszukania wystarcza jedno słowo.
And so this little moment had a really profound impact on me and our family because it helped us change our frame of reference for what was going on with him, and worry a little bit less and appreciate his resourcefulness more.
Ten krótki moment miał ogromny wpływ na mnie i naszą rodzinę, bo dał nam punkt odniesienia do tego, co się z nim dzieje i pozwolił martwić się odrobinę mniej i bardziej docenić jego pomysłowość.
Facts are stupid things. And they're vulnerable to misuse, willful or otherwise. I have a friend, Emily Willingham, who's a scientist, and she wrote a piece for Forbes not long ago entitled "The 10 Weirdest Things Ever Linked to Autism." It's quite a list. The Internet, blamed for everything, right? And of course mothers, because. And actually, wait, there's more, there's a whole bunch in the "mother" category here. And you can see it's a pretty rich and interesting list. I'm a big fan of being pregnant near freeways, personally. The final one is interesting, because the term "refrigerator mother" was actually the original hypothesis for the cause of autism, and that meant somebody who was cold and unloving.
Fakty są głupie. Łatwo je przekręcić, bardziej lub mniej świadomie. Mam przyjaciółkę, Emily Willingham, która jest naukowcem i niedawno napisała artykuł do magazynu Forbes "10 Najdziwniejszych Rzeczy Łączonych z Autyzmem". To całkiem długa lista. Internet, winiony za wszystko, to jedno źródło. Oprócz tego, oczywiście, matki, ale czekajcie, jest więcej, jest cała masa w kategorii "matki". To całkiem bogata i interesująca lista. Najbardziej mi się podoba "ciąża w pobliżu autostrad". Ostatnie jest interesujące, bo termin "matka-lodówka" był pierwotną hipotezą co do przyczyny autyzmu, oznaczał osobę zimną i niezdolną do kochania.
And at this point, you might be thinking, "Okay, Susan, we get it, you can take data, you can make it mean anything." And this is true, it's absolutely true, but the challenge is that we have this opportunity to try to make meaning out of it ourselves, because frankly, data doesn't create meaning. We do. So as businesspeople, as consumers, as patients, as citizens, we have a responsibility, I think, to spend more time focusing on our critical thinking skills. Why? Because at this point in our history, as we've heard many times over, we can process exabytes of data at lightning speed, and we have the potential to make bad decisions far more quickly, efficiently, and with far greater impact than we did in the past. Great, right? And so what we need to do instead is spend a little bit more time on things like the humanities and sociology, and the social sciences, rhetoric, philosophy, ethics, because they give us context that is so important for big data, and because they help us become better critical thinkers. Because after all, if I can spot a problem in an argument, it doesn't much matter whether it's expressed in words or in numbers. And this means teaching ourselves to find those confirmation biases and false correlations and being able to spot a naked emotional appeal from 30 yards, because something that happens after something doesn't mean it happened because of it, necessarily, and if you'll let me geek out on you for a second, the Romans called this "post hoc ergo propter hoc," after which therefore because of which.
Teraz możecie myśleć: "Już załapaliśmy, można wziąć dane i sprawić, że będą znaczyć cokolwiek". I to prawda, absolutnie, ale prawdziwym wyzwaniem jest, żeby samodzielnie wydobyć to znaczenie, bo przecież tak naprawdę żadne dane nie mają znaczenia, dopóki im go nie nadamy. Jako ludzie biznesu, klienci, pacjenci, obywatele miast, powinniśmy poświęcić więcej uwagi naszym zdolnościom krytycznego myślenia. Dlaczego? Bo na obecnym etapie, jak już mówiono, możemy przetwarzać eksabajty danych z prędkością światła i podejmować złe decyzje dużo szybciej i wydajniej, wpływające na nas o wiele bardziej niż w przeszłości. Świetnie, prawda? Zamiast tego, trzeba spędzić trochę więcej czasu na naukach humanistycznych, socjologii, naukach społecznych, retoryce, filozofii, etyce, bo one zapewniają kontekst, który jest tak ważny w analizie ogromnych danych, bo pomagają nam poprawiać krytyczne myślenie. Przy poruszaniu jakiegoś problemu nie ma większego znaczenia czy użyjemy słów, czy liczb. Powinniśmy uczyć się znajdowania tych tendencyjnych znaczeń i fałszywych korelacji, a być w stanie z daleka rozpoznać emocjonalne wyznanie, bo to, że jedno dzieje się po drugim nie znaczy, że jest jego skutkiem. Rzymianie nazywali to "post hoc ergo propter hoc", "po tym, więc w skutek tego".
And it means questioning disciplines like demographics. Why? Because they're based on assumptions about who we all are based on our gender and our age and where we live as opposed to data on what we actually think and do. And since we have this data, we need to treat it with appropriate privacy controls and consumer opt-in, and beyond that, we need to be clear about our hypotheses, the methodologies that we use, and our confidence in the result. As my high school algebra teacher used to say, show your math, because if I don't know what steps you took, I don't know what steps you didn't take, and if I don't know what questions you asked, I don't know what questions you didn't ask. And it means asking ourselves, really, the hardest question of all: Did the data really show us this, or does the result make us feel more successful and more comfortable?
To oznacza poddanie w wątpliwość takich dyscyplin, jak demografia. Dlaczego? Bo opierają się na założeniach, kim jesteśmy, popartych jedynie informacjami o płci, wieku i miejscu zamieszkania, w przeciwieństwie do tego, co naprawdę robimy i myślimy. Skoro mamy te dane, należy je traktować z szacunkiem dla cudzej prywatności i za wiedzą konsumentów. Trzeba mieć jasność co do używanych hipotez i metodologii oraz pewność co do rezultatów. Jak mówił mój nauczyciel z liceum: "Pokaż mi obliczenia, bo jeśli nie wiem, co zrobiłeś, nie wiem, czego nie zrobiłeś, a jeśli nie wiem, jakie pytanie zadałeś, nie wiem, jakich pytań nie zadałeś". To znaczy, że trzeba sobie zadać najtrudniejsze pytanie: czy też może wynik przynosi nam większą satysfakcję i komfort?
So the Health Media Collaboratory, at the end of their project, they were able to find that 87 percent of tweets about those very graphic and disturbing anti-smoking ads expressed fear, but did they conclude that they actually made people stop smoking? No. It's science, not magic.
Health Media Collaboratory na koniec projektu mogli stwierdzić, że 87% wpisów na Tweeterze na temat obrazowych, niepokojących reklam przeciwko paleniu wyrażało strach, ale czy doszli do wniosku, że skłonili kogoś do rzucenia nałogu? Nie, bo to nauka, a nie magia.
So if we are to unlock the power of data, we don't have to go blindly into Orwell's vision of a totalitarian future, or Huxley's vision of a trivial one, or some horrible cocktail of both. What we have to do is treat critical thinking with respect and be inspired by examples like the Health Media Collaboratory, and as they say in the superhero movies, let's use our powers for good.
Jeśli chcemy korzystać z możliwości, jakie dają nam dane, nie musimy ślepo iść w orwellowską wizję totalitarnej przyszłości, czy trywializację Huxleya, albo jakąś okropną mieszankę obu. Wystarczy, że będziemy szanować zdolność krytycznego myślenia i będziemy się inspirować takimi przykładami, jak Health Media Collaboratory. Jak mawiają w filmach o superbohaterach: użyjmy naszych mocy na rzecz dobra.
Thank you.
Dziękuję.
(Applause)
(Brawa)