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: A történelem matematikája

Filmed:
1,279,350 views

Mit árulhat el a matematika a történelemről? Jean-Baptiste Michel TED Fellow szerint elég sok mindent. A nyelvi változásoktól kezdve a háborúk halálos jellegéig láthatjuk, hogy a digitalizált történelem épp miként kezdi felfedni a mélyen megalapozott rendszerességet.
- 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 turnsmenetek out that mathematicsmatematika is a very powerfulerős languagenyelv.
0
0
3671
Nos, úgy tűnik, hogy a matematika egy nagyon erőteljes nyelv.
00:19
It has generatedgenerált considerablejelentős insightbepillantás in physicsfizika,
1
3671
2312
Jelentős bepillantást nyújtott a fizika,
00:21
in biologybiológia and economicsközgazdaságtan,
2
5983
2100
a biológia és a közgazdaság számára,
00:23
but not that much in the humanitieshumán tárgyak and in historytörténelem.
3
8083
2817
de a bölcsészettudomány és a történelem számára már kevésbé volt ilyen hatással.
00:26
I think there's a beliefhit that it's just impossiblelehetetlen,
4
10900
2283
Azt hiszem, létezik egy elképzelés,
00:29
that you cannotnem tud quantifyszámszerűsíteni the doingstetteit of mankindaz emberiség,
5
13183
2646
hogy nem lehetséges az emberiség tetteit mennyiségileg meghatározni,
00:31
that you cannotnem tud measuremérték historytörténelem.
6
15829
2519
hogy nem lehet a történelmet megmérni.
00:34
But I don't think that's right.
7
18348
1527
Viszont én ezt nem tartom igaznak.
00:35
I want to showelőadás you a couplepárosít of examplespéldák why.
8
19875
2042
És szeretnék pár példát mutatni, hogy miért nem.
00:37
So my collaboratoregyüttműködő ErezErez and I were consideringfigyelembe véve the followingkövetkező facttény:
9
21917
2958
Ezért munkatársammal Erezzel, a következőket vettük fontolóra:
00:40
that two kingskirályok separatedelválasztott by centuriesszázadok
10
24875
2729
két, évszázadok elválasztotta király,
00:43
will speakbeszél a very differentkülönböző languagenyelv.
11
27604
1767
más nyelven fog beszélni.
00:45
That's a powerfulerős historicaltörténelmi forceerő.
12
29371
2304
Ez egy erőteljes történelmi erő.
00:47
So the kingkirály of EnglandAnglia, AlfredAlfred the Great,
13
31675
1773
Tehát Nagy Alfréd angol király
00:49
will use a vocabularyszójegyzék and grammarnyelvtan
14
33448
1640
elég más szókincset és nyelvtant használna,
00:50
that is quiteegészen differentkülönböző from the kingkirály of hipcsípő hophop, Jay-ZJay-Z.
15
35088
3700
mint a hiphop királya, Jay-Z.
00:54
(LaughterNevetés)
16
38788
1666
(Nevetés)
00:56
Now it's just the way it is.
17
40454
2171
Ez van.
00:58
LanguageNyelv changesváltoztatások over time, and it's a powerfulerős forceerő.
18
42625
2292
A nyelv nagyon hatalmas erő, és idővel változik.
01:00
So ErezErez and I wanted to know more about that.
19
44917
2287
Ezért Erez és én többet szerettünk volna tudni erről.
01:03
So we paidfizetett attentionFigyelem to a particularkülönös grammaticalnyelvtani ruleszabály, past-tensemúlt conjugationragozás.
20
47204
3657
Tehát, figyelemmel követtünk egy bizonyos nyelvtani szabályt, az angol múlt idő képzést.
01:06
So you just addhozzáad "edEd" to a verbige at the endvég to signifyjelent the pastmúlt.
21
50861
3264
Egyszerűen egy "ed"-et csatolunk az ige végéhez a múlt idő jeleként.
01:10
"TodayMa I walkséta. YesterdayTegnap I walkedsétált."
22
54125
1927
"Today I walk. Yesterday I walked."
01:11
But some verbsigék are irregularszabálytalan.
23
56052
1344
De néhány ige rendhagyó.
01:13
"YesterdayTegnap I thought."
24
57396
1396
"Yesterday I thought."
01:14
Now what's interestingérdekes about that
25
58792
1666
Az érdekes ebben az,
01:16
is irregularszabálytalan verbsigék betweenközött AlfredAlfred and Jay-ZJay-Z have becomeválik more regularszabályos.
26
60458
3830
hogy rendhagyó igék Alfréd és Jay-Z kora között elvesztették rendhagyóságukat.
01:20
Like the verbige "to wedsze" that you see here has becomeválik regularszabályos.
27
64288
2735
Mint a "to wed" ige amit itt látnak, nem rendhagyó igévé vált.
01:22
So ErezErez and I followedmajd the fatesors of over 100 irregularszabálytalan verbsigék
28
67023
4022
Ezért Erez és én nyomon követtük 100 rendhagyó ige sorsát
01:26
throughkeresztül 12 centuriesszázadok of Englishangol languagenyelv,
29
71045
1919
az angol nyelv 12 évszázadán keresztül,
01:28
and we saw that there's actuallytulajdonképpen a very simpleegyszerű mathematicalmatematikai patternminta
30
72964
2911
és azt láttuk, hogy létezik egy igazán nagyon egyszerű matematikai minta,
01:31
that capturesrögzítések this complexösszetett historicaltörténelmi changeváltozás,
31
75875
2542
ami megragadja ezt a bonyolult történelmi változást,
01:34
namelyugyanis, if a verbige is 100 timesalkalommal more frequentgyakori than anotheregy másik,
32
78417
3660
vagyis, ha egy ige százszor gyakoribb, mint egy másik,
01:37
it regularizesregularizes 10 timesalkalommal slowerlassabb.
33
82077
2665
akkor tízszer lassabban válik nem rendhagyóvá.
01:40
That's a piecedarab of historytörténelem, but it comesjön in a mathematicalmatematikai wrappingcsomagolás.
34
84742
3935
Ez a történelem egy része, matematikai csomagolásban.
01:44
Now in some casesesetek mathmatematikai can even help explainmegmagyarázni,
35
88677
3654
Mindeközben, néhány esetben, a matematika akár segíthet megmagyarázni,
01:48
or proposejavasol explanationsmagyarázatok for, historicaltörténelmi forceserők.
36
92331
2879
vagy magyarázatot adhat történelmi erőkre.
01:51
So here SteveSteve PinkerPinker and I
37
95210
1832
Ebben az esetben Steve Pinkerrel vettük számításba
01:52
were consideringfigyelembe véve the magnitudenagyság of warsháborúk duringalatt the last two centuriesszázadok.
38
97042
3852
az elmúlt két évszázad háborúi nagyságát.
01:56
There's actuallytulajdonképpen a well-knownjól ismert regularityrendszeresség to them
39
100894
2495
Igazából egy ismert rendszeresség létezik erre,
01:59
where the numberszám of warsháborúk that are 100 timesalkalommal deadlierhalálosabb
40
103389
3422
mégpedig: a százszor halálosabb kimenetelű háborúk száma
02:02
is 10 timesalkalommal smallerkisebb.
41
106811
1952
tízszer kevesebb.
02:04
So there are 30 warsháborúk that are about as deadlyhalálos as the SixHat DaysNap WarHáború,
42
108763
3344
Tehát 30 olyan háború létezik, ami annyira halálos, mint a hatnapos háború,
02:08
but there's only fournégy warsháborúk that are 100 timesalkalommal deadlierhalálosabb --
43
112107
2820
de csak négy olyan van, ami százszor halálosabb kimenetelű --
02:10
like WorldVilág WarHáború I.
44
114927
1977
mint például az I. világháború.
02:12
So what kindkedves of historicaltörténelmi mechanismmechanizmus can producegyárt that?
45
116904
2923
Vajon miféle történelmi mechanizmus produkálhat ilyet?
02:15
What's the origineredet of this?
46
119827
2000
Mi az eredete ennek?
02:17
So SteveSteve and I, throughkeresztül mathematicalmatematikai analysiselemzés,
47
121827
2265
Ezért Steve és én, matematikai analízisen keresztül
02:19
proposejavasol that there's actuallytulajdonképpen a very simpleegyszerű phenomenonjelenség at the rootgyökér of this,
48
124092
4241
javasoljuk azt, hogy létezik egy nagyon egyszerű jelenség,
02:24
whichmelyik lieshazugságok in our brainsagyvelő.
49
128333
1690
ami az agyunkban rejlik.
02:25
This is a very well-knownjól ismert featurefunkció
50
130023
2019
Ez egy nagyon jól ismert agyi funkció,
02:27
in whichmelyik we perceiveérzékeli quantitiesmennyiségek in relativerelatív waysmódokon --
51
132042
2975
amellyel relatív módon ismerünk fel mennyiségeket --
02:30
quantitiesmennyiségek like the intensityintenzitás of lightfény or the loudnessfiziológiai hangerő of a soundhang.
52
135017
3716
olyanokat, mint a fény vagy a hang intenzitása.
02:34
For instancepélda, committingelkövetése 10,000 soldierskatonák to the nextkövetkező battlecsata soundshangok like a lot.
53
138733
5309
Például, 10.000 katonát a következő csatába küldeni, soknak hangzik.
02:39
It's relativelyviszonylag enormoushatalmas if you've alreadymár committedelkötelezett 1,000 soldierskatonák previouslykorábban.
54
144042
3444
Viszonylag rengeteg, ha már előzőleg 1000-et harcba küldtünk.
02:43
But it doesn't soundhang so much,
55
147486
1827
De nem hangzik olyan soknak,
02:45
it's not relativelyviszonylag enoughelég, it won'tszokás make a differencekülönbség
56
149313
3020
relatíve nem elég, nem tesz különbséget,
02:48
if you've alreadymár committedelkötelezett 100,000 soldierskatonák previouslykorábban.
57
152333
2952
ha már előzőleg 100.000-et oda küldtünk.
02:51
So you see that because of the way we perceiveérzékeli quantitiesmennyiségek,
58
155285
3613
Ezért látható, hogy amiért így fogunk fel mennyiségeket,
02:54
as the warháború dragselhúzódik on,
59
158898
1767
ahogy a háború tovább húzódik,
02:56
the numberszám of soldierskatonák committedelkötelezett to it and the casualtiesveszteség
60
160665
3085
a besorozott katonák és az áldozatok száma
02:59
will increasenövekedés not linearlylineárisan --
61
163750
1683
nem lineárisan fog növekedni --
03:01
like 10,000, 11,000, 12,000 --
62
165433
1888
mint 10.000, 11.000, 12.000 --,
03:03
but exponentiallyexponenciálisan -- 10,000, latera későbbiekben 20,000, latera későbbiekben 40,000.
63
167321
4275
hanem hatványozottan -- 10.000, majd 20.000, majd 40.000.
03:07
And so that explainsmagyarázza this patternminta that we'vevoltunk seenlátott before.
64
171596
3085
És ez magyarázza ezt a rendszert, amit az előbb néztünk.
03:10
So here mathematicsmatematika is ableképes to linklink a well-knownjól ismert featurefunkció of the individualEgyedi mindelme
65
174681
5498
Tehát itt, a matematikával az egyéni tudat egy jól ismert funkcióját
03:16
with a long-termhosszútávú historicaltörténelmi patternminta
66
180179
2989
össze tudjuk kapcsolni egy hosszú távú történelmi rendszerrel,
03:19
that unfoldsbontakozik ki over centuriesszázadok and acrossát continentskontinensek.
67
183168
2857
ami évszázadokon keresztül és kontinensekszerte, bontakozik ki.
03:21
So these typestípusok of examplespéldák, todayMa there are just a fewkevés of them,
68
186025
4017
Az ilyen típusú példákból ma még kevés van,
03:25
but I think in the nextkövetkező decadeévtized they will becomeválik commonplaceközhely.
69
190042
2689
de úgy gondolom a következő évtizedben általánossá fognak válni.
03:28
The reasonok for that is that the historicaltörténelmi recordrekord
70
192731
2392
Ez azért lesz, mert a történelmi feljegyzések
03:31
is becomingegyre digitizeddigitalizált at a very fastgyors pacesebesség.
71
195123
2460
nagyon nagy iramban digitalizálódnak.
03:33
So there's about 130 millionmillió bookskönyvek
72
197583
2610
Körülbelül 130 millió könyvet írtak
03:36
that have been writtenírott sincemivel the dawnhajnal of time.
73
200193
2311
az idők hajnala óta.
03:38
CompaniesVállalatok like GoogleGoogle have digitizeddigitalizált manysok of them --
74
202504
2454
Olyan cégek, mint a Google, sokukat digitalizált --
03:40
abovefelett 20 millionmillió actuallytulajdonképpen.
75
204958
1584
valójában 20 milliónál is többet.
03:42
And when the stuffdolog of historytörténelem is availableelérhető in digitaldigitális formforma,
76
206542
3578
És ha már a történelem anyaga digitálisan is hozzáférhető,
03:46
it makesgyártmányú it possiblelehetséges for a mathematicalmatematikai analysiselemzés
77
210120
2380
matematikai analízissel lehetővé téve,
03:48
to very quicklygyorsan and very convenientlykényelmesen
78
212500
2375
nagyon gyorsan és kényelmesen
03:50
reviewfelülvizsgálat trendstrendek in our historytörténelem and our culturekultúra.
79
214875
2725
tekinthetjük át kultúránk és történelmünk tendenciáit.
03:53
So I think in the nextkövetkező decadeévtized,
80
217600
2721
Ezért úgy vélem, hogy a következő évtizedben,
03:56
the sciencestudományok and the humanitieshumán tárgyak will come closerközelebb togetheregyütt
81
220321
2750
a reál és a humán tárgyak közelebb fognak kerülni egymáshoz,
03:58
to be ableképes to answerválasz deepmély questionskérdések about mankindaz emberiség.
82
223071
3329
hogy az emberiség nagy kérdéseit megválaszolhassuk.
04:02
And I think that mathematicsmatematika will be a very powerfulerős languagenyelv to do that.
83
226400
4121
És erre a matematika egy nagyon erőteljes nyelvként fog szolgálni majd.
04:06
It will be ableképes to revealfelfed newúj trendstrendek in our historytörténelem,
84
230521
3146
Lehetővé fogja tenni, hogy történelmünkben új tendenciákat fedjünk fel,
04:09
sometimesnéha to explainmegmagyarázni them,
85
233667
1750
néha, hogy megmagyarázzuk azokat,
04:11
and maybe even in the futurejövő to predictmegjósolni what's going to happentörténik.
86
235417
3306
és hogy talán még előre is jelezzük velük a jövőben, hogy mi fog történni.
04:14
Thank you very much.
87
238723
1491
Köszönöm szépen.
04:16
(ApplauseTaps)
88
240214
3678
(Taps)
Translated by Reka Pal
Reviewed by Krisztian Stancz

▲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