TED@IBM
Susan Etlinger: What do we do with all this big data?
سوزن ایٹلنگر: ہمیں اتنے سارے ڈیٹا کے ساتھ کیا کرنا چاہیے؟
Filmed:
Readability: 4.7
1,344,301 views
کیا تھوڑا سا ڈیٹا آپکو اچھا محسوس کراتا ہے؟ کامیاب محسوس کراتا ہے؟ تو پھر آپ اسکو سہی نہیں سمجھ پا رہے. ایک دلچسپ گفتگو میے، سوزن ایٹلنگر سمجھاتی ہیں کہ کیوں ملنے والے ڈیٹا کے ساتھ ساتھ ہمیں اسکے بارے میے اپنی سوچ کو بدلنا چاہیے.
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
ٹیکنالوجی ہمارے لئے بہت کچھ لائی ہے:
00:16
the moon landing, the Internet,
1
4489
2019
چاند پر پہنچنا، انٹرنیٹ،
00:18
the ability to sequence the human genome.
2
6508
2625
انسانی جینوم کی ترتیب کی صلاحیت۔
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
لیکن یہ بھی ہمارے انتہائی
گہرے خوف کو دستک دیتی ہے
گہرے خوف کو دستک دیتی ہے
00:24
and about 30 years ago,
4
12857
1856
اور تقریباً تیس سال پہلے
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
ثقافتی ناقد نیل پوسٹ مین نے ایک کتاب لکھی
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
جس کا نام ’’امیوزنگ اوورسیلو ٹو ڈیتھ‘‘ تھا
00:31
which lays this out really brilliantly.
7
19381
2759
جو واقعی بہت شاندار ہے۔
00:34
And here's what he said,
8
22140
1650
اور یہاں وہ کیا کہتا ہے،
00:35
comparing the dystopian visions
9
23790
2263
عالم الواقع المریر (ایک تصوراتی جگہ)
کے بارے میں رائے کا موازنہ کرتا ہے۔
کے بارے میں رائے کا موازنہ کرتا ہے۔
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
جارج اورول اور الڈوس ہکسلی کی
00:41
He said, Orwell feared we would become
11
29626
3126
وہ کہتا ہے اورول خوفزدہ تھا, ہم ہوجائیں گے۔
00:44
a captive culture.
12
32752
2248
ایک ثقافت کے اسیر
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
ہکسلی خوفزدہ تھا کہ ہم
ادنیٰ ثقافت کی طرف جائیں گے۔
ادنیٰ ثقافت کی طرف جائیں گے۔
00:50
Orwell feared the truth would be
14
38752
2145
اوورل خرفزدہ تھا کہ حقیقت نہیں رہے گی،
00:52
concealed from us,
15
40897
1923
ہم سے مخفی
00:54
and Huxley feared we would be drowned
16
42820
2190
اور ہکسلی خوفزدہ تھا کہ ہم ڈوب جائیں گے۔
00:57
in a sea of irrelevance.
17
45010
2693
غیر متعلقہ کے سمندر میں
00:59
In a nutshell, it's a choice between
18
47703
2170
مختصر طور پر، ان کے
درمیان ایک کا انتخاب کریں۔
درمیان ایک کا انتخاب کریں۔
01:01
Big Brother watching you
19
49873
2600
بڑا بھائی آپ کو دیکھے
01:04
and you watching Big Brother.
20
52473
2496
اور آپ بڑے بھائی کو دیکھیں
01:06
(Laughter)
21
54969
1931
(ہنسی )
01:08
But it doesn't have to be this way.
22
56900
1734
لیکن یہ اس طرح ہونا ضروری نہیں۔
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
ہم ڈیٹا اور ٹیکنالوجی کے
غیر فعال صارفین نہیں ہیں۔
غیر فعال صارفین نہیں ہیں۔
01:13
We shape the role it plays in our lives
24
61970
2403
ہمیں اپنی زندگی میں کردار ادا کرنا ہے
01:16
and the way we make meaning from it,
25
64373
2130
اور اس طرح یہاں سے ہم معنی بنانے ہیں،
01:18
but to do that,
26
66503
1603
لیکن ایسا کرنے کے لئے
01:20
we have to pay as much attention to how we think
27
68106
3513
ہمیں بہت زیادہ توجہ دینا
ہوگی کہ ہم کیسے سوچتے ہیں۔
ہوگی کہ ہم کیسے سوچتے ہیں۔
01:23
as how we code.
28
71619
2030
ہم بحیثیت قواعد
01:25
We have to ask questions, and hard questions,
29
73649
3098
ہمیں سوالات پوچھنا ہے، اور مشکل سوالات
01:28
to move past counting things
30
76747
1869
گزشتہ شمار کی گئی
چیزیں منتقل کرنے کے لئے
چیزیں منتقل کرنے کے لئے
01:30
to understanding them.
31
78616
2602
انہیں سمجھنے کے لئے
01:33
We're constantly bombarded with stories
32
81218
2446
ہم مسلسل اس کہانی پر بمباری کررہے ہیں
01:35
about how much data there is in the world,
33
83664
2476
دنیا بھر میں کتنا ڈیٹا ہے کے بارے میں،
01:38
but when it comes to big data
34
86140
1580
لیکن جب بڑے اعداد
و شمار کی جانب آتے ہیں
و شمار کی جانب آتے ہیں
01:39
and the challenges of interpreting it,
35
87720
2596
اور چیلنجز کی وضاحت کرتے ہیں تو
01:42
size isn't everything.
36
90316
2088
پھر سائز سب کچھ نہیں رہتا ہے۔
01:44
There's also the speed at which it moves,
37
92404
2903
یہ اسی رفتار سے چلتا ہے جس میں یہ ہے
01:47
and the many varieties of data types,
38
95307
1696
اور اعداد و شمار کی
صورتوں کی بہت ساری اقسام ہیں،
صورتوں کی بہت ساری اقسام ہیں،
01:49
and here are just a few examples:
39
97003
2498
اور یہاں چند مثالیں ہیں
01:51
images,
40
99501
2198
تصاویر،
01:53
text,
41
101699
4007
عبارت،
01:57
video,
42
105706
2095
ویڈیو،
01:59
audio.
43
107801
1830
آڈیو۔
02:01
And what unites this disparate types of data
44
109631
3042
اور کیا مختلف النوع کے اعداد
و شمار کے اقسام کو ایک کرتا ہے
و شمار کے اقسام کو ایک کرتا ہے
02:04
is that they're created by people
45
112673
2221
جو لوگوں نے تیار کیا ہے
02:06
and they require context.
46
114894
2775
اور وہ سیاق و سباق کی ضرورت ہے
02:09
Now, there's a group of data scientists
47
117669
2445
اب یہاں اعداد و شمار کے
ماہرین کا ایک گروپ ہے
ماہرین کا ایک گروپ ہے
02:12
out of the University of Illinois-Chicago,
48
120114
2305
ایلی نوائے یونیورسٹی شکاگو کے باہر
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
اور یہ ہیلتھ میڈیا کولابوریٹری کہلاتا ہے
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
اور یہ بیماریوں کی روک تھام
کے سینٹرز کے ساتھ کام کررہا ہے
کے سینٹرز کے ساتھ کام کررہا ہے
02:19
to better understand
51
127560
1505
بہتر انداز سے سمجھایا جائے۔
02:21
how people talk about quitting smoking,
52
129065
2848
لوگوں کو تمباکو نوشی چھوڑنے
پر کس طرح بات کی جائے
پر کس طرح بات کی جائے
02:23
how they talk about electronic cigarettes,
53
131913
2680
وہ الیکٹرانک سگریٹ کے متعلق کیسے بات کریں
02:26
and what they can do collectively
54
134593
1985
اور وہ اجتماعی طور پر کیا کرسکتے ہیں۔
02:28
to help them quit.
55
136578
1984
اس کے تدارک میں مدد کے لئے
02:30
The interesting thing is, if you want to understand
56
138562
2013
مزے کی بات یہ ہے اگر آپ سمجھنا چاہتے ہیں
02:32
how people talk about smoking,
57
140575
2216
لوگوں سے سگریٹ نوشی کے
متعلق کیسے بات کی جائے
متعلق کیسے بات کی جائے
02:34
first you have to understand
58
142791
1901
تو سب سے پہلے آپ کو یہ سمجھنا چاہئے
02:36
what they mean when they say "smoking."
59
144692
2565
جب وہ ’’اسموکنگ‘‘ کہتے
ہیں تو اس سے کیا مراد ہے۔
ہیں تو اس سے کیا مراد ہے۔
02:39
And on Twitter, there are four main categories:
60
147257
3926
اور ٹوئٹر پر اس کی چار اہم اقسام ہیں:
02:43
number one, smoking cigarettes;
61
151183
2997
نمبر ایک سگریٹ پھونکنا،
02:46
number two, smoking marijuana;
62
154180
2807
نمبر دو چرس یا بانگ کا نشہ،
02:48
number three, smoking ribs;
63
156987
2643
نمبر تین پسلیاں جلانا
02:51
and number four, smoking hot women.
64
159630
3553
اور نمبر چار پرجوش عورت کو نوش کرنا۔
02:55
(Laughter)
65
163183
2993
(ہنسی )
02:58
So then you have to think about, well,
66
166176
2426
تو پھر جب آپ اس کے متعلق سوچتے ہیں۔
03:00
how do people talk about electronic cigarettes?
67
168602
2140
لوگ الیکٹرانک سگریٹ کے
متعلق کیسے بات کرتے ہیں؟
متعلق کیسے بات کرتے ہیں؟
03:02
And there are so many different ways
68
170742
2025
اور یہاں اس کے مختلف طریقے ہیں
03:04
that people do this, and you can see from the slide
69
172767
2599
جو لوگ کرتے ہیں، اور آپ
سلائیڈ سے بھی دیکھ سکتے ہیں۔
سلائیڈ سے بھی دیکھ سکتے ہیں۔
03:07
it's a complex kind of a query.
70
175366
2610
یہ پیچیدہ سوالات کی ایک قسم ہے۔
03:09
And what it reminds us is that
71
177976
3224
اور کیا یہ ہمیں یاد دلاتا ہے کہ
03:13
language is created by people,
72
181200
2411
زبان لوگوں کی ایجاد کردہ ہے،
03:15
and people are messy and we're complex
73
183611
2340
اور لوگ بے ترتیب، پیچیدہ،
03:17
and we use metaphors and slang and jargon
74
185951
2767
اور ہم استعارہ ، بازاری زبان،
خفیہ زبان بہت زیادہ استعمال کرتے ہیں
خفیہ زبان بہت زیادہ استعمال کرتے ہیں
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
اور ہم نے 24/7 میں
بہت ساری زبانوں میں کیا،
بہت ساری زبانوں میں کیا،
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
اور پھر جیسے ہی ہم یہ جان
جاتے ہیں ہم اسے تبدیل کرتے ہیں۔
جاتے ہیں ہم اسے تبدیل کرتے ہیں۔
03:27
So did these ads that the CDC put on,
77
195221
5118
لہٰذا اس اشتہار کو CDC پر ڈال دیا گیا
03:32
these television ads that featured a woman
78
200339
2430
اس اشتہار میں عورت کو دکھایا گیا ہے
03:34
with a hole in her throat and that were very graphic
79
202769
2021
جس کے گلے میں سوراخ ہے جو کہ بہت گرافک
03:36
and very disturbing,
80
204790
1904
اور بہت تکلیف دہ ہے۔
03:38
did they actually have an impact
81
206694
1885
اصل میں اس کا کیا اثر ہوا
03:40
on whether people quit?
82
208579
2671
لوگوں پر اس کے تدارک کے لئے؟
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
اور ہیلتھ میڈیا اعداد و شمار کی
حد کے تعین میں معاون ثابت ہوگا،
حد کے تعین میں معاون ثابت ہوگا،
03:46
but they were able to conclude
84
214557
2005
لیکن وہ یہ نتیجہ اخذ کرنے کے قابل تھے
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
ان اشتہارات میں ..... اور
یہاں آپ انہیں دیکھ سکتے ہیں ......
یہاں آپ انہیں دیکھ سکتے ہیں ......
03:51
that they had the effect of jolting people
86
219874
2591
یہ لوگوں پر اثر انداز ہوسکتا ہے
03:54
into a thought process
87
222465
1822
سوچنے کے عمل میں
03:56
that may have an impact on future behavior.
88
224287
3667
مستقبل کے رویئے پر اثر انداز ہوسکتا ہے
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
اور کیا اس پروجیکٹ کو
ہم سراہتے اور پسند کرتے ہیں،
ہم سراہتے اور پسند کرتے ہیں،
04:03
aside from the fact, including the fact
90
231845
1489
دوسرے رخ سے دیکھیں
تو یہ حقیقت بھی شامل ہے
تو یہ حقیقت بھی شامل ہے
04:05
that it's based on real human need,
91
233334
4057
یہ حقیقی انسانی ضرورت کی بنیاد ہر ہے
04:09
is that it's a fantastic example of courage
92
237391
2846
یہ بہادری کی شاندار مثال ہے
04:12
in the face of a sea of irrelevance.
93
240237
4443
بے ترتیبی کے سمندر کے چہرے میں
04:16
And so it's not just big data that causes
94
244680
3305
اور یہ نہ صرف بڑے اعداد و شمار کا سبب ہے
04:19
challenges of interpretation, because let's face it,
95
247985
2601
چیلنجوں کی تشریح، کیونکہ
پھر اس کا سامنا کرتے ہیں
پھر اس کا سامنا کرتے ہیں
04:22
we human beings have a very rich history
96
250586
2594
ہم انسان شاندار تاریخ رکھتے ہیں
04:25
of taking any amount of data, no matter how small,
97
253180
2693
کسی بھی مقدار کے اعداد و شمار کی،
کوئی بات نہیں کہ یہ چھوٹا کیوں ہے،
کوئی بات نہیں کہ یہ چھوٹا کیوں ہے،
04:27
and screwing it up.
98
255873
1617
اور اسے اوپر رکھتے ہیں
04:29
So many years ago, you may remember
99
257490
3737
یاد کریں چند سالوں پہلے
04:33
that former President Ronald Reagan
100
261227
2273
سابق صدر رونالڈ ریگن
04:35
was very criticized for making a statement
101
263500
1991
کے بیان پر بہت تنقید کی گئی تھی
04:37
that facts are stupid things.
102
265491
3010
جو حقیقت میں احمقانہ بات تھی۔
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
اور یہ ان کی زبان پھسلنے کے
باعث ہوا، اب یہ درست ہے۔
باعث ہوا، اب یہ درست ہے۔
04:43
He actually meant to quote John Adams' defense
104
271295
2430
یہ اصل میں جان ایڈم کے اقتباس
کا مطلب تھا جس نے دفاع کیا تھا
کا مطلب تھا جس نے دفاع کیا تھا
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
برطانوی فوجیوں کا بوسٹن
قتل عام کے مقدمات میں
قتل عام کے مقدمات میں
04:48
that facts are stubborn things.
106
276476
3150
یہ حقائق ڈھیٹ چیزیں ہیں
04:51
But I actually think there's
107
279626
2624
لیکن حقیقت میں یہاں یہ سوچتی ہوں
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
یہ حادثاتی حکمت کا ایک
چھوٹا ٹکڑا ہے، یہاں اس نے کیا کہا
چھوٹا ٹکڑا ہے، یہاں اس نے کیا کہا
04:57
because facts are stubborn things,
109
285668
2776
کیونکہ حقائق ڈھیٹ چیز ہیں
05:00
but sometimes they're stupid, too.
110
288444
2923
لیکن بعض اوقات یہ احمقانہ بھی ہوتے ہیں۔
05:03
I want to tell you a personal story
111
291367
1888
یہاں میں ذاتی کہانی سنانا چاہتی ہوں
05:05
about why this matters a lot to me.
112
293255
3548
کیسے یہ معاملات میرے لئے بہت ہیں۔
05:08
I need to take a breath.
113
296803
2437
یہاں تھوڑا وقفہ لینا چاہتی ہوں۔
05:11
My son Isaac, when he was two,
114
299240
2754
میرا بیٹا اسحاق جب دو سال کا تھا،
05:13
was diagnosed with autism,
115
301994
2417
اس میں خودفکری کی تشخیص ہو گئی
05:16
and he was this happy, hilarious,
116
304411
2161
اور وہ خوش، ہنسی مذاق سے بھرپور،
05:18
loving, affectionate little guy,
117
306572
2035
محبت کرنے والا، شفیق، ملنسار بچہ تھا
05:20
but the metrics on his developmental evaluations,
118
308607
2902
لیکن اس کی نشونما کے
معیار کی پیمائش کے مطابق
معیار کی پیمائش کے مطابق
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
جو ان چیزوں کو
تعداد کے مطابق دیکھتا ہے ......
تعداد کے مطابق دیکھتا ہے ......
05:25
at that point, none —
120
313579
3657
اس نقطہ پر ، کچھ نہیں ۔۔۔۔
05:29
communicative gestures and minimal eye contact,
121
317236
3940
ڈائیلاگ، اشارے اور کم
از کم آنکھ سے رابطہ کرتا ہے،
از کم آنکھ سے رابطہ کرتا ہے،
05:33
put his developmental level
122
321176
2003
، اس کی یہ ارتقائی سطح رکھتے ہیں
05:35
at that of a nine-month-old baby.
123
323179
3961
ایک نو ماہ کے بچے پر
05:39
And the diagnosis was factually correct,
124
327140
2960
اور یہ تشخیصی حقائق درست تھے،
05:42
but it didn't tell the whole story.
125
330100
3209
لیکن یہ پوری کہانی نہیں بتاتا۔
05:45
And about a year and a half later,
126
333309
1401
اور ڈیڑھ سال بعد
05:46
when he was almost four,
127
334710
2102
جب وہ تقریباً چار سال کا تھا
05:48
I found him in front of the computer one day
128
336812
2363
ایک دن میں نے اسے کمپیوٹر کے سامنے پایا
05:51
running a Google image search on women,
129
339175
5453
گوگل امیج پر women سرچ کررہا تھا
05:56
spelled "w-i-m-e-n."
130
344628
3616
اس کے ہجے "w-i-m-e-n." تھے
06:00
And I did what any obsessed parent would do,
131
348244
2740
اور ایسے میں جذباتی والدین کیا کریں گے،
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
وہ فوراً بیک بٹن دبانا شروع کردیں گے
06:04
to see what else he'd been searching for.
133
352885
3363
یہ دیکھنے کے لئے کہ
وہ اور کیا سرچ کررہا ہے۔
وہ اور کیا سرچ کررہا ہے۔
06:08
And they were, in order: men,
134
356248
2171
اور اگر وہ ترتیب میں تھے، آدمی
06:10
school, bus and computer.
135
358419
7267
اسکول، بس اور کمپیوٹر۔
06:17
And I was stunned,
136
365686
2070
اور میں حیرت زدہ تھی
06:19
because we didn't know that he could spell,
137
367756
2002
تھی کیونکہ ہم نہیں جانتے تھے
کہ ہجے کا اندازہ کہاں سے لیا
کہ ہجے کا اندازہ کہاں سے لیا
06:21
much less read, and so I asked him,
138
369758
1766
اس نے بہت کم پڑھا تھا
لہٰذا میں نے اس سے پوچھا،
لہٰذا میں نے اس سے پوچھا،
06:23
"Isaac, how did you do this?"
139
371524
2193
’’اسحاق، تم نے یہ کیسے کیا؟‘‘
06:25
And he looked at me very seriously and said,
140
373717
2678
اور اس نے میری جانب نہایت
سنجیدگی سے دیکھا اور بولا۔
سنجیدگی سے دیکھا اور بولا۔
06:28
"Typed in the box."
141
376395
3352
’’باکس میں ٹائپ کرکے۔‘‘
06:31
He was teaching himself to communicate,
142
379747
3734
وہ بات چیت کے لئے اپنے
آپ کو تعلیم دیتے تھے،
آپ کو تعلیم دیتے تھے،
06:35
but we were looking in the wrong place,
143
383481
3004
لیکن ہم غلط جگہ پر دیکھ رہے تھے،
06:38
and this is what happens when assessments
144
386485
2295
اور کیا ہوتا ہے جب ہم تخمینہ
06:40
and analytics overvalue one metric —
145
388780
2396
اور تجزیات کی ایک بیش قیمت مقدار
06:43
in this case, verbal communication —
146
391176
2609
اس صورت میں، زبانی مواصلات
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
دوسروں کی کم قیمت، جیسا کہ
تخلیقی مسائل کو حل کرنے کے لئے
تخلیقی مسائل کو حل کرنے کے لئے
06:51
Communication was hard for Isaac,
148
399488
2307
اسحاق کے لئے تبادلہ خیال کرنا مشکل تھا
06:53
and so he found a workaround
149
401795
1912
لہٰذا اسے پالیا۔
06:55
to find out what he needed to know.
150
403707
2857
یہ معلوم کرلیا کہ وہ کیا جاننا چاہتا ہے
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
اور جب آپ اس بارے میں سوچتے
ہیں تو یہ بہت حساس بن جاتا ہے
ہیں تو یہ بہت حساس بن جاتا ہے
07:00
because forming a question
152
408454
2081
کیونکہ کوئی سوال کرنا
07:02
is a really complex process,
153
410535
2565
واقعی بہت مشکل عمل ہے،
07:05
but he could get himself a lot of the way there
154
413100
2522
لیکن اس نے بہت سارے
طریقوں سے خود حاصل کرلیا
طریقوں سے خود حاصل کرلیا
07:07
by putting a word in a search box.
155
415622
4092
ایک لفظ سرچ بکس میں ڈال کر۔
07:11
And so this little moment
156
419714
2936
اور اس مختصر وقت نے
07:14
had a really profound impact on me
157
422650
2836
واقعی مجھ پر بہت گہرا اثر ڈالا
07:17
and our family
158
425486
1309
اور میری فیملی پر
07:18
because it helped us change our frame of reference
159
426795
3141
کیونکہ ہماری سوچ کے حوالے
کو اس نے تبدیل کرنے میں مدد کی
کو اس نے تبدیل کرنے میں مدد کی
07:21
for what was going on with him,
160
429936
2208
کہ اس کے ساتھ کیا ہورہا ہے۔
07:24
and worry a little bit less and appreciate
161
432144
2976
تھوڑی سی فکرمندی کم ہوئی اور اسے سراہا
07:27
his resourcefulness more.
162
435120
2182
اس کی بہت زیادہ سمجھ بوجھ کو.
07:29
Facts are stupid things.
163
437302
2861
حقیقت احمقانہ چیز ہے۔
07:32
And they're vulnerable to misuse,
164
440163
2397
اور انہیں اس کے غلط استعمال کا خطرہ ہے
07:34
willful or otherwise.
165
442560
1653
جان بوجھ کر یا دوسری صورت مہں.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
میری ایک دوست ایملی ولنگھم سائنس دان ہے۔
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
۔ کچھ زیادہ عرصہ نہیں ہوا اس
نے جڑی بوٹیوں پر لکھا ہے۔
نے جڑی بوٹیوں پر لکھا ہے۔
07:42
entitled "The 10 Weirdest Things
168
450040
1980
بعنوان ’’دی ٹین وائرڈیسٹ تھنگ
07:44
Ever Linked to Autism."
169
452020
1810
ایور لنکڈ ٹو آسٹم‘‘
07:45
It's quite a list.
170
453830
3005
یہ یقیناً ایک فہرست ہے۔
07:48
The Internet, blamed for everything, right?
171
456835
3532
انٹرنیٹ ہر چیز کا ذمہ دار ہے، درست؟
07:52
And of course mothers, because.
172
460367
3757
اور اصل میں، مائیں، کیونکہ
07:56
And actually, wait, there's more,
173
464124
1587
اور اصل میں، ٹھہریئے،
یہاں بہت ساری
یہاں بہت ساری
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
یہاں ’’ماں‘‘ کی بہت ساری اقسام ہیں
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
اور اس فہرست میں آپ خوبصورت،
امیر اور دلچسپ مائیں دیکھ سکتے ہیں۔
امیر اور دلچسپ مائیں دیکھ سکتے ہیں۔
08:05
I'm a big fan of
176
473956
2193
میں بہت بڑی پرستار ہوں
08:08
being pregnant near freeways, personally.
177
476149
3704
ذاتی طور پر شاہراہوں پر حاملہ ہونے کی۔
08:11
The final one is interesting,
178
479853
1539
آخر یہ دلچسپ ہے۔
08:13
because the term "refrigerator mother"
179
481392
3003
کیونکہ ’’ریفریجریٹر مدر‘‘ کی اصطلاح
08:16
was actually the original hypothesis
180
484395
2605
کا اصل نظریہ تھا
08:19
for the cause of autism,
181
487000
1431
خودفکری کے مقصد کے لئے
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
اور اس کے معنی ہیں کچھ لوگ جو ٹھنڈے
اور محبت کرنے والے نہیں تھے
اور محبت کرنے والے نہیں تھے
08:23
And at this point, you might be thinking,
183
491166
1562
اور اس نقطے پر آپ سوچ سکتے ہیں
08:24
"Okay, Susan, we get it,
184
492728
1657
’’ٹھیک ہے سوسن، ہم
اسے حاصل کرتے ہیں،
اسے حاصل کرتے ہیں،
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
آپ اعداد و شمار لے سکتی ہیں،
آپ کسی چیز کے معنی بناسکتی ہیں ۔‘‘
آپ کسی چیز کے معنی بناسکتی ہیں ۔‘‘
08:28
And this is true, it's absolutely true,
186
496167
4703
اور یہ سچ ہے، اور یہ بالکل سچ ہے،
08:32
but the challenge is that
187
500870
5610
مگر چیلنج یہ ہے کہ
08:38
we have this opportunity
188
506480
2448
ہم اس موقع کو
08:40
to try to make meaning out of it ourselves,
189
508928
2284
خود سے مطلب بنانے کی کوشش کرتے ہیں
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
ہیں کیونکہ سچ یہ ہے کہ اعداد و شمار
معنی نہیں بناتے یہ ہم کرتے ہیں۔
معنی نہیں بناتے یہ ہم کرتے ہیں۔
08:48
So as businesspeople, as consumers,
191
516564
3256
۔ لہٰذا بحیثیت بزنس مین، بحیثیت صارفین،
08:51
as patients, as citizens,
192
519820
2539
بحیثیت مریض، بحیثیت شہری
08:54
we have a responsibility, I think,
193
522359
2396
ہماری ذمہ داری ہے ، میں سمجھتا ہوں
08:56
to spend more time
194
524755
2194
زیادہ وقت صرف کریں
08:58
focusing on our critical thinking skills.
195
526949
2870
تنقیدی سوچ کی مہارت پر توجہ مرکوز کریں
09:01
Why?
196
529819
1078
کیوں؟
09:02
Because at this point in our history, as we've heard
197
530897
3178
کیونکہ تاریخ کے اس موڑ پر،
جیسا کہ سنتے ہیں
جیسا کہ سنتے ہیں
09:06
many times over,
198
534075
1706
بہت سا وقت گزر گیا
09:07
we can process exabytes of data
199
535781
1981
ہم کرسکتے ہیں اعداد و شمار
کے exabytes طریقہ کار
کے exabytes طریقہ کار
09:09
at lightning speed,
200
537762
2153
روشنی کی رفتار پر
09:11
and we have the potential to make bad decisions
201
539915
3515
اور ہم برے فیصلے کرنے کی
بھرپور صلاحیت رکھتے ہیں،
بھرپور صلاحیت رکھتے ہیں،
09:15
far more quickly, efficiently,
202
543430
1834
بہت تیزی اور قابلیت سے
09:17
and with far greater impact than we did in the past.
203
545264
5028
اور بہت زیادہ گہرے اثر کے
ساتھ ہم نے ماضی میں کیا تھا۔
ساتھ ہم نے ماضی میں کیا تھا۔
09:22
Great, right?
204
550292
1388
زبردست ، ہے نا؟
09:23
And so what we need to do instead
205
551680
3030
اور اس طرح ہمیں کیا کرنے کی ضرورت ہے بجائے
09:26
is spend a little bit more time
206
554710
2330
تھوڑا سا زیادہ وقت صرف کرنا ہے
09:29
on things like the humanities
207
557040
2746
چیزوں پر جیسا کہ فنون عامہ
09:31
and sociology, and the social sciences,
208
559786
3464
اور عمرانیات، سوشل سائنس،
09:35
rhetoric, philosophy, ethics,
209
563250
2308
مبالغہ آرائی، فلاسفی، اخلاقیات،
09:37
because they give us context that is so important
210
565558
2856
، کیونکہ یہ ہمیں بہت اہم
سیاق و سباق مہیا کرتا ہے۔
سیاق و سباق مہیا کرتا ہے۔
09:40
for big data, and because
211
568414
2576
بڑے اعداد و شمار کے لئے، ۔ اور کیونکہ
09:42
they help us become better critical thinkers.
212
570990
2418
کیونکہ یہ ہمیں تنقیدی مفکر
بنانے میں مدد فراہم کرتا ہے۔
بنانے میں مدد فراہم کرتا ہے۔
09:45
Because after all, if I can spot
213
573408
4207
۔ کیونکہ بہرحال اگر ہم کسی نقطہ پر
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
کسی بحث و مباحثہ کے موقع پر مشکل
میں ہوں تو یہ کوئی اہمیت نہیں رکھتا
میں ہوں تو یہ کوئی اہمیت نہیں رکھتا
09:52
whether it's expressed in words or in numbers.
215
580101
2759
کہ اس کا اظہار آپ الفاظ
میں یا اعداد میں کریں۔
میں یا اعداد میں کریں۔
09:54
And this means
216
582860
2719
اس کا مطلب ہے
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
اس کی تصدیق کرنے کے
لئے اپنی تربیت کی طرفداری
لئے اپنی تربیت کی طرفداری
10:02
and false correlations
218
590000
1822
غلط ارتباط ہے
10:03
and being able to spot a naked emotional appeal
219
591822
2138
برہنہ جذباتی دلکشی کے قابل بناتا ہے
10:05
from 30 yards,
220
593960
1662
30 گز سے
10:07
because something that happens after something
221
595622
2522
۔ کیونکہ کچھ کے بعد کیا
ہوتا ہے جب کچھ نہیں ہوتا
ہوتا ہے جب کچھ نہیں ہوتا
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
کے معنی ضروری نہیں اس کی وجہ سے یہ ہوا
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
اور اگر آپ مجھے ایک لمحے
کے لئے پرجوش کردیں
کے لئے پرجوش کردیں
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
رومی اس کو کہتے ہیں
’’post hoc ergo propter hoc‘‘
’’post hoc ergo propter hoc‘‘
10:19
after which therefore because of which.
225
607642
3296
اس وجہ سے ہے، جس کے بعد جس کی وجہ سے
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
اور اس کا مطلب آبادیات جیسے
مضامین کے سوالات و جوابات ہیں۔
مضامین کے سوالات و جوابات ہیں۔
10:26
Why? Because they're based on assumptions
227
614695
2520
کیوں؟ کیونکہ یہ اس مفروضے کی بنیاد ہے جو
10:29
about who we all are based on our gender
228
617215
2306
جو ہماری صنف کی بنیاد ہے
10:31
and our age and where we live
229
619521
1462
اور ہماری عمر اور
ہم کہاں رہتے ہیں
ہم کہاں رہتے ہیں
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
بحیثیت اعداد و شمارکے مخالف ہم اصل
میں کیا سوچتے ہیں اور کرتے ہیں
میں کیا سوچتے ہیں اور کرتے ہیں
10:36
And since we have this data,
231
624461
1663
اور جب سے یہ اعداد و
شمار ہمارے پاس ہیں
شمار ہمارے پاس ہیں
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
ہمیں اسے مناسب رازداری
سے قابو کرنے کی ضرورت ہے
سے قابو کرنے کی ضرورت ہے
10:41
and consumer opt-in,
233
629263
3576
اور صارفین کے لئے
10:44
and beyond that, we need to be clear
234
632839
2993
اور اس کے بعد ہمیں واضح کرنے کی ضرورت ہے
10:47
about our hypotheses,
235
635832
2103
اپنے مفروضات کو
10:49
the methodologies that we use,
236
637935
2596
یہ وہ طریقہ کار ہے جو ہم استعمال کرتے ہیں
10:52
and our confidence in the result.
237
640531
2804
اور اس کا نتیجہ ہمارا اعتماد ہے۔
10:55
As my high school algebra teacher used to say,
238
643335
2474
جیسا کہ ہائی اسکول میں میرے
الجبرا ٹیچر کہا کرتے تھے،
الجبرا ٹیچر کہا کرتے تھے،
10:57
show your math,
239
645809
1531
اپنی ریاضی دکھاؤ
10:59
because if I don't know what steps you took,
240
647340
3441
کیونکہ میں نہیں جانتا
آپ نے کیا قدم اٹھایا،
آپ نے کیا قدم اٹھایا،
11:02
I don't know what steps you didn't take,
241
650781
1991
میں نہیں جانتا کہ آپ نے کیا اقدام لیں گے،
11:04
and if I don't know what questions you asked,
242
652772
2438
اور میں نہیں جانتا آپ کیا سوال پوچھیں گے،
11:07
I don't know what questions you didn't ask.
243
655210
3197
مجھے یہ بھی معلوم نہیں آپ
نے کیا سوال پوچھنا ہے۔
نے کیا سوال پوچھنا ہے۔
11:10
And it means asking ourselves, really,
244
658407
1523
۔ اور اس کا مطلب یہ ہے
کہ خود سے پوچھیں، اصل میں
کہ خود سے پوچھیں، اصل میں
11:11
the hardest question of all:
245
659930
1479
یہ سب کے لئے مشکل سوال ہے:
11:13
Did the data really show us this,
246
661409
3500
اصل میں یہ اعداد و شمار
ہمیں ظاہر کئے گئے تھے،
ہمیں ظاہر کئے گئے تھے،
11:16
or does the result make us feel
247
664909
2311
، یا یہ نتیجہ ہمیں بناتا ہے
11:19
more successful and more comfortable?
248
667220
3878
زیادہ کامیاب اور زیادہ پرسکون؟
11:23
So the Health Media Collaboratory,
249
671098
2584
لہٰذا ہیلتھ میڈیا کے اشتراک سے
11:25
at the end of their project, they were able
250
673682
1699
اس منصوبے کے اختتام پر وہ قابل ہوئے
11:27
to find that 87 percent of tweets
251
675381
3408
87 فیصد ٹوئٹس معلوم کرنے کے
11:30
about those very graphic and disturbing
252
678789
2144
جو بہت گرافک اور پریشان کن تھے۔
11:32
anti-smoking ads expressed fear,
253
680933
4038
سگریٹ نوشی کے تدارک
کے اشہارات خوف کا اظہار
کے اشہارات خوف کا اظہار
11:36
but did they conclude
254
684971
1856
مگر کیا یہ نتایج
11:38
that they actually made people stop smoking?
255
686827
3161
اصل میں ان لوگوں کے لئے بنایا گیا تھا
جو تمباکو نوشی کی روک تھام کرتے ہیں؟
جو تمباکو نوشی کی روک تھام کرتے ہیں؟
11:41
No. It's science, not magic.
256
689988
2542
نہیں یہ سائنس ہے نہ کہ جادو۔
11:44
So if we are to unlock
257
692530
3190
اب اگر ہم کھول دیں
11:47
the power of data,
258
695720
2862
اعداد و شمار کی طاقت کو
11:50
we don't have to go blindly into
259
698582
3448
ہمیں آنکھ بند کرکے نہیں جانا
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
آر ویل کے مطلق العنان نظریہ
11:57
or Huxley's vision of a trivial one,
261
705466
3117
یا ہکسلے کے معمولی نظریہ
12:00
or some horrible cocktail of both.
262
708583
3020
یا کچھ دونوں کے مشترکہ ڈراؤنے
12:03
What we have to do
263
711603
2379
ہمیں کیا کرنا چاہئے
12:05
is treat critical thinking with respect
264
713982
2718
تنقیدی سوچ کے احترام کے ساتھ
12:08
and be inspired by examples
265
716700
2029
ہیں اور اس کو مثالوں سے واضح کرتے ہیں
12:10
like the Health Media Collaboratory,
266
718729
2610
جیسا کہ ہیلتھ میڈیا کے اشتراک سے
12:13
and as they say in the superhero movies,
267
721339
2328
اور وہ سپر ہیرو فلموں میں کہتے ہیں
12:15
let's use our powers for good.
268
723667
1822
اب ہم اپنی قوتوں کو اچھے
کاموں میں استعمال کریں گے۔
کاموں میں استعمال کریں گے۔
12:17
Thank you.
269
725489
2351
آپ کا شکریہ
12:19
(Applause)
270
727840
2334
(تالیاں)
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