1
00:00:00,000 --> 00:00:02,000
Erez Lieberman Aiden: Semua orang tahu

2
00:00:02,000 --> 00:00:05,000
sebuah gambar mengandung seribu kata.

3
00:00:07,000 --> 00:00:09,000
Tapi kami di Harvard

4
00:00:09,000 --> 00:00:12,000
ingin tahu apakah itu memang benar.

5
00:00:12,000 --> 00:00:14,000
(Suara tawa)

6
00:00:14,000 --> 00:00:18,000
Jadi kami mengumpulkan tim ahli,

7
00:00:18,000 --> 00:00:20,000
mulai dari Harvard, MIT,

8
00:00:20,000 --> 00:00:23,000
The American Heritage Dictionary, The Encyclopedia Britannica

9
00:00:23,000 --> 00:00:25,000
hingga sponsor kami,

10
00:00:25,000 --> 00:00:28,000
Google.

11
00:00:28,000 --> 00:00:30,000
Kami memikirkan hal ini

12
00:00:30,000 --> 00:00:32,000
selama empat tahun.

13
00:00:32,000 --> 00:00:37,000
Kami sampai pada kesimpulan yang mengejutkan.

14
00:00:37,000 --> 00:00:40,000
Hadirin yang terhormat, sebuah gambar tidak mengandung seribu kata.

15
00:00:40,000 --> 00:00:42,000
Bahkan, kami menemukan beberapa gambar

16
00:00:42,000 --> 00:00:47,000
yang mengandung 500 miliar kata.

17
00:00:47,000 --> 00:00:49,000
Jean-Baptiste Michel: Bagaimana kami bisa sampai pada kesimpulan ini?

18
00:00:49,000 --> 00:00:51,000
Saya dan Erez berpikir tentang cara

19
00:00:51,000 --> 00:00:53,000
mendapatkan gambaran besar budaya manusia

20
00:00:53,000 --> 00:00:56,000
dan sejarah manusia: berubah seiring waktu.

21
00:00:56,000 --> 00:00:58,000
Ada banyak buku yang telah ditulis selama bertahun-tahun ini.

22
00:00:58,000 --> 00:01:00,000
Jadi kami berpikir, cara terbaik untuk belajar

23
00:01:00,000 --> 00:01:02,000
adalah dengan membaca semua jutaan buku ini.

24
00:01:02,000 --> 00:01:05,000
Tentu saja, kalau ada ukuran seberapa keren hal ini,

25
00:01:05,000 --> 00:01:08,000
rankingnya pasti sangat tinggi.

26
00:01:08,000 --> 00:01:10,000
Masalahnya ada sumbu-X untuk itu,

27
00:01:10,000 --> 00:01:12,000
yaitu sumbu kepraktisan,

28
00:01:12,000 --> 00:01:14,000
yang sangat-sangat rendah.

29
00:01:14,000 --> 00:01:17,000
(Tepuk tangan)

30
00:01:17,000 --> 00:01:20,000
Orang-orang cenderung menggunakan pendekatan alternatif,

31
00:01:20,000 --> 00:01:22,000
mengambil beberapa buku dan membacanya dengan teliti.

32
00:01:22,000 --> 00:01:24,000
Ini sangat praktis tapi tidak keren.

33
00:01:24,000 --> 00:01:27,000
Yang ingin kita lakukan adalah

34
00:01:27,000 --> 00:01:30,000
masuk ke sisi yang keren tapi juga praktis.

35
00:01:30,000 --> 00:01:33,000
Ternyata ada sebuah perusahaan di seberang sungai yang bernama Google

36
00:01:33,000 --> 00:01:35,000
yang memulai proyek digitalisasinya beberapa tahun lalu

37
00:01:35,000 --> 00:01:37,000
yang mungkin bisa mewujudkan pendekatan ini.

38
00:01:37,000 --> 00:01:39,000
Mereka mendigitalkan jutaan buku.

39
00:01:39,000 --> 00:01:42,000
Jadi artinya, seseorang bisa menggunakan metode komputasional

40
00:01:42,000 --> 00:01:44,000
untuk membaca semua buku dengan satu klik.

41
00:01:44,000 --> 00:01:47,000
Itu sangat praktis dan mengagumkan.

42
00:01:48,000 --> 00:01:50,000
ELA: Mari kita bahas sedikit dari mana asal buku-buku itu.

43
00:01:50,000 --> 00:01:53,000
Sejak dulu, selalu ada yang namanya penulis.

44
00:01:53,000 --> 00:01:56,000
Penulis-penulis ini berjuang menulis buku.

45
00:01:56,000 --> 00:01:58,000
Ini menjadi jauh lebih mudah

46
00:01:58,000 --> 00:02:00,000
ketika mesin cetak muncul beberapa abad yang lalu.

47
00:02:00,000 --> 00:02:03,000
Sejak itu, penulis telah melalui

48
00:02:03,000 --> 00:02:05,000
dalam 129 juta kesempatan berbeda

49
00:02:05,000 --> 00:02:07,000
untuk menerbitkan buku.

50
00:02:07,000 --> 00:02:09,000
Kalau buku-buku itu tidak hilang ditelan waktu,

51
00:02:09,000 --> 00:02:11,000
kemungkinan mereka ada di perpustakaan,

52
00:02:11,000 --> 00:02:14,000
dan ada banyak buku itu yang diambil dari perpustakaan

53
00:02:14,000 --> 00:02:16,000
dan didigitalkan oleh Google,

54
00:02:16,000 --> 00:02:18,000
yang telah memindai 15 juta buku sampai hari ini.

55
00:02:18,000 --> 00:02:21,000
Saat Google mendigitalkan buku, mereka memasukkannya ke dalam format yang rapi.

56
00:02:21,000 --> 00:02:23,000
Kita sekarang punya data dan juga metadatanya.

57
00:02:23,000 --> 00:02:26,000
Kita punya informasi seperti di mana buku itu diterbitkan,

58
00:02:26,000 --> 00:02:28,000
siapa penulisnya, kapan diterbitkan.

59
00:02:28,000 --> 00:02:31,000
Yang kita lakukan adalah menelusuri catatan-catatan itu

60
00:02:31,000 --> 00:02:35,000
dan mengecualikan semua yang kualitas datanya tidak baik.

61
00:02:35,000 --> 00:02:37,000
Akhirnya yang tersisa adalah

62
00:02:37,000 --> 00:02:40,000
sekumpulan buku sebanyak lima juta,

63
00:02:40,000 --> 00:02:43,000
500 miliar kata,

64
00:02:43,000 --> 00:02:45,000
serangkaian karakter yang seribu kali lebih panjang

65
00:02:45,000 --> 00:02:48,000
daripada genom manusia --

66
00:02:48,000 --> 00:02:50,000
teks yang jika dituliskan

67
00:02:50,000 --> 00:02:52,000
panjangnya adalah jarak dari sini ke Bulan dan

68
00:02:52,000 --> 00:02:54,000
kembali 10 kali --

69
00:02:54,000 --> 00:02:58,000
potongan penting genom budaya kita.

70
00:02:58,000 --> 00:03:00,000
Tentu saja itu yang kami lakukan

71
00:03:00,000 --> 00:03:03,000
ketika dihadapkan dengan hiperbola semacam itu ...

72
00:03:03,000 --> 00:03:05,000
(Suara tawa)

73
00:03:05,000 --> 00:03:08,000
sama seperti yang akan dilakukan oleh

74
00:03:08,000 --> 00:03:11,000
peneliti sejati mana pun.

75
00:03:11,000 --> 00:03:13,000
Kami ambil satu halaman dari XKCD,

76
00:03:13,000 --> 00:03:15,000
dan berkata, "Minggir.

77
00:03:15,000 --> 00:03:17,000
Kami akan menggunakan ilmu pengetahuan."

78
00:03:17,000 --> 00:03:19,000
(Suara tawa)

79
00:03:19,000 --> 00:03:21,000
JM: Tentu saja, kami berpikir,

80
00:03:21,000 --> 00:03:23,000
mari pertama-tama kita gelar data ini di luar sana

81
00:03:23,000 --> 00:03:25,000
agar orang-orang bisa menerapkan ilmu pengetahuan sendiri.

82
00:03:25,000 --> 00:03:27,000
Kami berpikir, apakah data ini boleh kami buka?

83
00:03:27,000 --> 00:03:29,000
Tentu saja kita ingin mengambil semua buku itu

84
00:03:29,000 --> 00:03:31,000
dan membuka seluruh teks dari lima juta buku ini.

85
00:03:31,000 --> 00:03:33,000
Google, dan terutama Jon Orwant,

86
00:03:33,000 --> 00:03:35,000
memberi tahu kami hitungan yang harus kami ketahui.

87
00:03:35,000 --> 00:03:38,000
Jadi ada lima juta buku, itu artinya lima juta penulis

88
00:03:38,000 --> 00:03:41,000
dan lima juta pengacara dengan setumpuk tuntutan.

89
00:03:41,000 --> 00:03:43,000
Jadi meskipun itu akan sangat keren,

90
00:03:43,000 --> 00:03:46,000
kembali, itu sangat tidak praktis.

91
00:03:46,000 --> 00:03:48,000
(Suara tawa)

92
00:03:48,000 --> 00:03:50,000
Sekali lagi, kami terjebak,

93
00:03:50,000 --> 00:03:53,000
dan kami mengambil pendekatan yang sangat praktis, yang kurang keren.

94
00:03:53,000 --> 00:03:55,000
Kami berkata, ketimbang membuka seluruh teks,

95
00:03:55,000 --> 00:03:57,000
kami akan membuka statistik tentang buku-buku itu saja.

96
00:03:57,000 --> 00:03:59,000
Jadi misalnya "A gleam of happiness."

97
00:03:59,000 --> 00:04:01,000
Terdiri dari empat kata; kita menyebutnya empat-gram.

98
00:04:01,000 --> 00:04:03,000
Kami akan memberitahu berapa kali empat-gram tertentu

99
00:04:03,000 --> 00:04:05,000
muncul dalam buku di tahun 1801, 1802, 1803,

100
00:04:05,000 --> 00:04:07,000
sampai 2008.

101
00:04:07,000 --> 00:04:09,000
Itu akan menghasilkan rangkaian waktu

102
00:04:09,000 --> 00:04:11,000
seberapa sering frasa tertentu ini digunakan dalam periode tertentu.

103
00:04:11,000 --> 00:04:14,000
Kami melakukan itu pada semua kata dan frasa yang muncul dalam buku-buku itu,

104
00:04:14,000 --> 00:04:17,000
dan itu menghasilkan segepok dua miliar baris

105
00:04:17,000 --> 00:04:19,000
yang menunjukkan bagaimana budaya berubah.

106
00:04:19,000 --> 00:04:21,000
ELA: Jadi dua miliar baris itu,

107
00:04:21,000 --> 00:04:23,000
kami menyebutkan dua miliar n-gram.

108
00:04:23,000 --> 00:04:25,000
Apa yang ditunjukkan?

109
00:04:25,000 --> 00:04:27,000
Masing-masing n-gram menunjukkan perkembangan tren budaya.

110
00:04:27,000 --> 00:04:29,000
Mari saya perlihatkan contohnya.

111
00:04:29,000 --> 00:04:31,000
Misalkan kata "thriving" dalam Bahasa Inggris

112
00:04:31,000 --> 00:04:33,000
kalau saya ingin menggunakan bentuk lampau kata itu.

113
00:04:33,000 --> 00:04:36,000
Saya mungkin menggunakan, "throve."

114
00:04:36,000 --> 00:04:39,000
Selain itu saya juga bisa menggunakan, "thrived."

115
00:04:39,000 --> 00:04:42,000
Mana yang harus saya gunakan?

116
00:04:42,000 --> 00:04:44,000
Bagaimana kita bisa tahu?

117
00:04:44,000 --> 00:04:46,000
Sekitar enam bulan lalu,

118
00:04:46,000 --> 00:04:48,000
cara terbaik dalam bidang ini

119
00:04:48,000 --> 00:04:50,000
yang bisa kita lakukan, misalnya,

120
00:04:50,000 --> 00:04:52,000
mengunjungi psikolog dengan rambut indah ini,

121
00:04:52,000 --> 00:04:54,000
dan berkata,

122
00:04:54,000 --> 00:04:57,000
"Steve, Anda ahli dalam kata kerja tidak beraturan.

123
00:04:57,000 --> 00:04:59,000
Apa yang harus saya gunakan?"

124
00:04:59,000 --> 00:05:01,000
Dia akan menjawab, "Kebanyakan orang menggunakan "thrived",

125
00:05:01,000 --> 00:05:04,000
tapi ada beberapa yang mengatakan "throve."

126
00:05:04,000 --> 00:05:06,000
Kurang lebih Anda pasti tahu

127
00:05:06,000 --> 00:05:09,000
kalau kita kembali ke masa 200 tahun lalu

128
00:05:09,000 --> 00:05:12,000
dan bertanya ke pejabat yang juga punya rambut indah ini,

129
00:05:12,000 --> 00:05:15,000
(Suara tawa)

130
00:05:15,000 --> 00:05:17,000
"Tom, apa yang harus saya gunakan?"

131
00:05:17,000 --> 00:05:19,000
Dia akan menjawab, "Yang saya tahu, kebanyakan orang menggunakan 'throve',

132
00:05:19,000 --> 00:05:22,000
tapi ada beberapa yang mengatakan 'thrived".

133
00:05:22,000 --> 00:05:24,000
Yang akan saya tunjukkan hanyalah data mentah.

134
00:05:24,000 --> 00:05:28,000
Dua baris dari tabel berisi dua miliar catatan ini.

135
00:05:28,000 --> 00:05:30,000
Yang Anda lihat adalah frekuensi tahun demi tahun

136
00:05:30,000 --> 00:05:33,000
kata "thrived" dan "throve".

137
00:05:34,000 --> 00:05:36,000
Ini baru dua dari

138
00:05:36,000 --> 00:05:39,000
dua miliar baris.

139
00:05:39,000 --> 00:05:41,000
Jadi keseluruhan data yang ada

140
00:05:41,000 --> 00:05:44,000
miliaran kali lebih keren dari ini.

141
00:05:44,000 --> 00:05:46,000
(Suara tawa)

142
00:05:46,000 --> 00:05:50,000
(Tepuk tangan)

143
00:05:50,000 --> 00:05:52,000
JM: Ada banyak gambar yang bernilai lebih dari 500 miliar kata.

144
00:05:52,000 --> 00:05:54,000
Yang ini misalnya.

145
00:05:54,000 --> 00:05:56,000
Kalau kita gunakan kata "influenza",

146
00:05:56,000 --> 00:05:58,000
bisa kita lihat puncaknya di saat

147
00:05:58,000 --> 00:06:01,000
epidemi flu membunuh orang-orang dunia.

148
00:06:01,000 --> 00:06:04,000
ELA: Kalau Anda belum yakin bahwa

149
00:06:04,000 --> 00:06:06,000
tingkat permukaan laut meningkat,

150
00:06:06,000 --> 00:06:09,000
begitu juga dengan CO2 di atmosfer dan suhu global.

151
00:06:09,000 --> 00:06:12,000
JM: Anda mungkin juga ingin melihat n-gram yang ini,

152
00:06:12,000 --> 00:06:15,000
dan ini untuk memberitahu Nietzsche bahwa Tuhan belum mati,

153
00:06:15,000 --> 00:06:18,000
meski Anda mungkin setuju yang dia butuhkan sebenarnya penerbit yang lebih baik.

154
00:06:18,000 --> 00:06:20,000
(Suara tawa)

155
00:06:20,000 --> 00:06:23,000
ELA: Anda bisa mendapatkan konsep yang sangat abstrak dengan ini.

156
00:06:23,000 --> 00:06:25,000
Misalnya, mari saya ceritakan sejarah

157
00:06:25,000 --> 00:06:27,000
dari tahun 1950.

158
00:06:27,000 --> 00:06:29,000
Seperti kebanyakan periode dalam sejarah,

159
00:06:29,000 --> 00:06:31,000
tidak ada yang peduli dengan tahun 1950.

160
00:06:31,000 --> 00:06:33,000
Di tahun 1700, 1800, 1900,

161
00:06:33,000 --> 00:06:36,000
tidak ada yang peduli.

162
00:06:37,000 --> 00:06:39,000
Sepanjang tahun 30-an dan 40-an,

163
00:06:39,000 --> 00:06:41,000
tidak ada yang peduli.

164
00:06:41,000 --> 00:06:43,000
Tiba-tiba, di pertengahan tahun 40-an,

165
00:06:43,000 --> 00:06:45,000
mulai ramai.

166
00:06:45,000 --> 00:06:47,000
Orang-orang sadar bahwa tahun 1950 akan segera tiba,

167
00:06:47,000 --> 00:06:49,000
dan bisa jadi sesuatu yang besar.

168
00:06:49,000 --> 00:06:52,000
(Suara tawa)

169
00:06:52,000 --> 00:06:55,000
Tapi puncak ketertarikan orang-orang akan tahun 1950

170
00:06:55,000 --> 00:06:58,000
adalah di tahun 1950.

171
00:06:58,000 --> 00:07:01,000
(Suara tawa)

172
00:07:01,000 --> 00:07:03,000
Orang-orang semua terobsesi.

173
00:07:03,000 --> 00:07:05,000
Mereka tidak bisa berhenti bicara

174
00:07:05,000 --> 00:07:08,000
tentang hal-hal yang mereka lakukan di tahun 1950,

175
00:07:08,000 --> 00:07:11,000
semua yang akan mereka lakukan di tahun 1950,

176
00:07:11,000 --> 00:07:16,000
semua mimpi yang ingin mereka capai di tahun 1950.

177
00:07:16,000 --> 00:07:18,000
Bahkan, tahun 1950 begitu menariknya

178
00:07:18,000 --> 00:07:20,000
hingga beberapa tahun kemudian,

179
00:07:20,000 --> 00:07:23,000
orang-orang masih terus berbicara tentang hal-hal yang terjadi,

180
00:07:23,000 --> 00:07:25,000
di tahun 1951, 1952, 1953.

181
00:07:25,000 --> 00:07:27,000
Akhirnya di tahun 1954,

182
00:07:27,000 --> 00:07:29,000
seseorang bangun dan menyadari

183
00:07:29,000 --> 00:07:33,000
bahwa tahun 1950 sudah lewat.

184
00:07:33,000 --> 00:07:35,000
(Suara tawa)

185
00:07:35,000 --> 00:07:37,000
Seperti itu saja, gelembungnya pun meledak.

186
00:07:37,000 --> 00:07:39,000
(Suara tawa)

187
00:07:39,000 --> 00:07:41,000
Cerita tentang tahun 1950

188
00:07:41,000 --> 00:07:43,000
adalah cerita tahunan yang kita catat,

189
00:07:43,000 --> 00:07:46,000
dengan sedikit variasi karena sekarang kita punya grafik yang keren ini.

190
00:07:46,000 --> 00:07:49,000
Karena kita punya grafik keren ini, kita bisa mengukur.

191
00:07:49,000 --> 00:07:51,000
Kita bisa berkata, "Seberapa cepat gelembung ini meledak?"

192
00:07:51,000 --> 00:07:54,000
Ternyata kita bisa mengukurnya dengan sangat tepat.

193
00:07:54,000 --> 00:07:57,000
Menghasilkan persamaan, menciptakan grafik,

194
00:07:57,000 --> 00:07:59,000
dan hasil bersihnya

195
00:07:59,000 --> 00:08:02,000
adalah kita menemukan gelembung ini meledak semakin cepat

196
00:08:02,000 --> 00:08:04,000
setiap tahunnya.

197
00:08:04,000 --> 00:08:09,000
Kita kehilangan minat terhadap masa lalu dengan lebih cepat.

198
00:08:09,000 --> 00:08:11,000
JM: Sedikit nasihat karir.

199
00:08:11,000 --> 00:08:13,000
Bagi Anda yang ingin menjadi terkenal,

200
00:08:13,000 --> 00:08:15,000
kita bisa belajar dari 25 tokoh politik yang paling terkenal,

201
00:08:15,000 --> 00:08:17,000
penulis, aktor, dan sebagainya.

202
00:08:17,000 --> 00:08:20,000
Kalau Anda ingin cepat terkenal, Anda harus menjadi aktor,

203
00:08:20,000 --> 00:08:22,000
karena ketenaran mulai naik di akhir usia 20-an --

204
00:08:22,000 --> 00:08:24,000
Anda masih muda, benar-benar bagus.

205
00:08:24,000 --> 00:08:26,000
Kalau Anda mau menunggu, Anda harus menjadi penulis,

206
00:08:26,000 --> 00:08:28,000
karena Anda bisa naik sangat tinggi,

207
00:08:28,000 --> 00:08:30,000
seperti Mark Twain, misalnya: sangat terkenal.

208
00:08:30,000 --> 00:08:32,000
Tapi kalau Anda ingin mencapai puncak,

209
00:08:32,000 --> 00:08:34,000
Anda harus mau menunggu lebih lama

210
00:08:34,000 --> 00:08:36,000
dan, tentu saja, menjadi politikus.

211
00:08:36,000 --> 00:08:38,000
Di sini Anda akan menjadi terkenal di akhir usia 50-an,

212
00:08:38,000 --> 00:08:40,000
dan menjadi sangat terkenal sesudahnya.

213
00:08:40,000 --> 00:08:43,000
Ilmuwan juga cenderung menjadi terkenal di usia tua.

214
00:08:43,000 --> 00:08:45,000
Misalnya, ahli biologi dan fisika

215
00:08:45,000 --> 00:08:47,000
cenderung hampir sama terkenalnya dengan aktor.

216
00:08:47,000 --> 00:08:50,000
Yang tidak boleh Anda lakukan adalah menjadi ahli matematika.

217
00:08:50,000 --> 00:08:52,000
(Suara tawa)

218
00:08:52,000 --> 00:08:54,000
Kalau Anda melakukan itu,

219
00:08:54,000 --> 00:08:57,000
Anda mungkin berpikir, "Baiklah. Saya akan menghasilkan karya terbaik di usia 20-an."

220
00:08:57,000 --> 00:08:59,000
Tapi coba tebak, tidak ada yang peduli.

221
00:08:59,000 --> 00:09:02,000
(Suara tawa)

222
00:09:02,000 --> 00:09:04,000
ELA: Ada catatan yang lebih serius

223
00:09:04,000 --> 00:09:06,000
tentang n-gram.

224
00:09:06,000 --> 00:09:08,000
Misalnya, inilah lintasan Marc Chagall,

225
00:09:08,000 --> 00:09:10,000
seniman yang lahir di tahun 1887.

226
00:09:10,000 --> 00:09:13,000
Ini tampak seperti lintasan normal orang terkenal.

227
00:09:13,000 --> 00:09:17,000
Dia menjadi semakin terkenal,

228
00:09:17,000 --> 00:09:19,000
kecuali kalau Anda melihat dalam data bahasa Jerman.

229
00:09:19,000 --> 00:09:21,000
Dalam bahasa Jerman, ada sesuatu yang sangat aneh,

230
00:09:21,000 --> 00:09:23,000
sesuatu yang jarang Anda lihat,

231
00:09:23,000 --> 00:09:25,000
dia menjadi sangat terkenal

232
00:09:25,000 --> 00:09:27,000
dan tiba-tiba anjlok,

233
00:09:27,000 --> 00:09:30,000
mencapai titik dasar antara 1933 dan 1945,

234
00:09:30,000 --> 00:09:33,000
sebelum naik lagi setelahnya.

235
00:09:33,000 --> 00:09:35,000
Tentu saja, yang kita lihat adalah

236
00:09:35,000 --> 00:09:38,000
kenyataan bahwa Marc Chagall adalah artis Yahudi

237
00:09:38,000 --> 00:09:40,000
di negara Nazi Jerman.

238
00:09:40,000 --> 00:09:42,000
Sinyal ini

239
00:09:42,000 --> 00:09:44,000
sangat kuat

240
00:09:44,000 --> 00:09:47,000
kita tidak perlu tahu bahwa seseorang disensor.

241
00:09:47,000 --> 00:09:49,000
Kita bisa melihatnya

242
00:09:49,000 --> 00:09:51,000
menggunakan pengolahan sinyal yang paling dasar.

243
00:09:51,000 --> 00:09:53,000
Inilah cara sederhana untuk melakukannya.

244
00:09:53,000 --> 00:09:55,000
Harapan yang masuk akal

245
00:09:55,000 --> 00:09:57,000
seseorang terkenal dalam periode waktu tertentu

246
00:09:57,000 --> 00:09:59,000
seharusnya kurang lebih sama dengan ketenaran mereka

247
00:09:59,000 --> 00:10:01,000
sebelum dan sesudahnya.

248
00:10:01,000 --> 00:10:03,000
Jadi itulah yang kita harapkan.

249
00:10:03,000 --> 00:10:06,000
Kita membandingkan itu dengan ketenaran yang kita amati.

250
00:10:06,000 --> 00:10:08,000
Kita cukup membagi satu hal dengan yang lainnya

251
00:10:08,000 --> 00:10:10,000
untuk mendapatkan apa yang kita sebut indeks tekanan.

252
00:10:10,000 --> 00:10:13,000
Kalau indeks tekanan sangat kecil,

253
00:10:13,000 --> 00:10:15,000
kemungkinan Anda sedang ditekan.

254
00:10:15,000 --> 00:10:18,000
Kalau sangat besar, mungkin Anda diuntungkan oleh propaganda.

255
00:10:19,000 --> 00:10:21,000
JM: Anda bisa melihat

256
00:10:21,000 --> 00:10:24,000
distribusi indeks tekanan di seluruh populasi.

257
00:10:24,000 --> 00:10:26,000
Misalnya, di sini --

258
00:10:26,000 --> 00:10:28,000
indeks tekanan untuk 5000 orang

259
00:10:28,000 --> 00:10:30,000
dipilih dalam buku bahasa Inggris yang diketahui tidak ada tekanan --

260
00:10:30,000 --> 00:10:32,000
akan seperti ini, intinya berpusat pada satu titik.

261
00:10:32,000 --> 00:10:34,000
Yang Anda harapkan adalah yang Anda lihat.

262
00:10:34,000 --> 00:10:36,000
Ini distribusi seperti yang tampak di Jerman --

263
00:10:36,000 --> 00:10:38,000
sangat berbeda, bergeser ke kiri.

264
00:10:38,000 --> 00:10:41,000
Orang-orang membicarakannya dua kali lebih sedikit dari yang seharusnya.

265
00:10:41,000 --> 00:10:43,000
Tapi yang jauh lebih penting, distribusinya sangat lebar.

266
00:10:43,000 --> 00:10:46,000
Ada banyak orang yang akhirnya ada di pojok kiri distribusi ini

267
00:10:46,000 --> 00:10:49,000
yang berbicara sekitar 10 kali lebih sedikit dari yang seharusnya.

268
00:10:49,000 --> 00:10:51,000
Tapi ada banyak juga orang di pojok kanan

269
00:10:51,000 --> 00:10:53,000
yang diuntungkan oleh propaganda ini.

270
00:10:53,000 --> 00:10:56,000
Gambar ini adalah rekaman penyensoran dalam sejarah buku.

271
00:10:56,000 --> 00:10:58,000
ELA: Jadi kulturomika

272
00:10:58,000 --> 00:11:00,000
itulah sebutan untuk metode ini.

273
00:11:00,000 --> 00:11:02,000
Seperti genomika.

274
00:11:02,000 --> 00:11:04,000
Hanya saja genomika menggunakan kacamata biologi

275
00:11:04,000 --> 00:11:07,000
melalui jendela rangkaian basa dalam genom manusia.

276
00:11:07,000 --> 00:11:09,000
Kulturomika hampir mirip.

277
00:11:09,000 --> 00:11:12,000
Ini adalah aplikasi analisis pengumpulan data skala besar

278
00:11:12,000 --> 00:11:14,000
untuk penelitian budaya manusia.

279
00:11:14,000 --> 00:11:16,000
Di sini, alih-alih melalui kacamata genom,

280
00:11:16,000 --> 00:11:19,000
kami melalui kacamata potongan digital catatan sejarah.

281
00:11:19,000 --> 00:11:21,000
Yang menarik tentang kulturomika ini

282
00:11:21,000 --> 00:11:23,000
semua orang bisa melakukannya.

283
00:11:23,000 --> 00:11:25,000
Mengapa semua orang bisa melakukannya?

284
00:11:25,000 --> 00:11:27,000
Semua orang bisa melakukannya berkat tiga orang ini,

285
00:11:27,000 --> 00:11:30,000
Jon Orwant, Matt Gray, dan Will Brockman di Google,

286
00:11:30,000 --> 00:11:32,000
melihat prototip Ngram Viewer,

287
00:11:32,000 --> 00:11:34,000
dan berkata, "Ini asyik.

288
00:11:34,000 --> 00:11:37,000
Kita harus membuatnya untuk umum."

289
00:11:37,000 --> 00:11:39,000
Jadi tepat dalam dua minggu - sebelum makalah kami terbit --

290
00:11:39,000 --> 00:11:42,000
mereka membuat versi Ngram Viewer untuk khalayak umum.

291
00:11:42,000 --> 00:11:45,000
Jadi Anda bisa mengetikkan kata atau frasa yang menarik minat Anda

292
00:11:45,000 --> 00:11:47,000
dan langsung melihat n-gramnya --

293
00:11:47,000 --> 00:11:49,000
juga menelusuri contoh-contoh berbagai buku

294
00:11:49,000 --> 00:11:51,000
yang memuat n-gram Anda tadi.

295
00:11:51,000 --> 00:11:53,000
JM: Perangkat ini digunakan lebih dari satu juta kali dalam hari pertama,

296
00:11:53,000 --> 00:11:55,000
dan ini yang terbaik dari semua permintaan yang ada.

297
00:11:55,000 --> 00:11:58,000
orang-orang selalu ingin melakukan yang terbaik.

298
00:11:58,000 --> 00:12:01,000
Tapi ternyata di abad ke-18, orang-orang tidak peduli dengan hal itu.

299
00:12:01,000 --> 00:12:04,000
Mereka tidak ingin melakukan yang terbaik, "best", tapi "beft".

300
00:12:04,000 --> 00:12:07,000
Tentu saja, ini hanya kesalahan.

301
00:12:07,000 --> 00:12:09,000
Bukan orang-orang saat itu ingin menjadi biasa saja,

302
00:12:09,000 --> 00:12:12,000
tapi karena saat itu huruf S ditulis berbeda, seperti huruf F.

303
00:12:12,000 --> 00:12:15,000
Google tidak mengetahui ini saat itu,

304
00:12:15,000 --> 00:12:18,000
jadi kami melaporkan ini dalam artikel ilmiah yang kami tulis.

305
00:12:18,000 --> 00:12:20,000
Tapi ini ternyata menjadi sebuah peringatan

306
00:12:20,000 --> 00:12:22,000
bahwa meskipun menyenangkan,

307
00:12:22,000 --> 00:12:24,000
saat menginterpretasikan grafik ini, Anda harus hati-hati,

308
00:12:24,000 --> 00:12:27,000
dan Anda harus mengadopsi standar dasar dalam ilmu pengetahuan.

309
00:12:27,000 --> 00:12:30,000
ELA: Orang-orang menggunakannya untuk bermain-main.

310
00:12:30,000 --> 00:12:37,000
(Suara tawa)

311
00:12:37,000 --> 00:12:39,000
Sebenarnya, kami bahkan tidak perlu bicara,

312
00:12:39,000 --> 00:12:42,000
hanya perlu menunjukkan semua slide yang ada dan diam.

313
00:12:42,000 --> 00:12:45,000
Orang ini tertarik pada sejarah frustrasi.

314
00:12:45,000 --> 00:12:48,000
Ada banyak jenis frustrasi.

315
00:12:48,000 --> 00:12:51,000
Kalau Anda tersandung, itu "argh" dengan satu A.

316
00:12:51,000 --> 00:12:53,000
Kalau planet Bumi dimusnahkan oleh Vogon

317
00:12:53,000 --> 00:12:55,000
yang datang melalui jalan pintas antargalaksi,

318
00:12:55,000 --> 00:12:57,000
itu "aaaaaaaargh" dengan delapan A.

319
00:12:57,000 --> 00:12:59,000
Orang ini menyelidiki semua "argh,"

320
00:12:59,000 --> 00:13:01,000
mulai dari satu sampai delapan A.

321
00:13:01,000 --> 00:13:03,000
Ternyata

322
00:13:03,000 --> 00:13:05,000
semakin sedikit "argh"

323
00:13:05,000 --> 00:13:08,000
tentu saja menyatakan hal-hal yang lebih membuat frustrasi --

324
00:13:08,000 --> 00:13:11,000
kecuali, anehnya, di awal tahun 80-an.

325
00:13:11,000 --> 00:13:13,000
Kami pikir ini berhubungan dengan Reagan.

326
00:13:13,000 --> 00:13:15,000
(Suara tawa)

327
00:13:15,000 --> 00:13:18,000
JM: Ada banyak kegunaan data ini,

328
00:13:18,000 --> 00:13:21,000
tapi pada dasarnya catatan sejarah sedang didigitalkan.

329
00:13:21,000 --> 00:13:23,000
Google sudah mulai mendigitalkan 15 juta buku.

330
00:13:23,000 --> 00:13:25,000
Itu 12 persen dari semua buku yang pernah diterbitkan.

331
00:13:25,000 --> 00:13:28,000
Itu bagian yang cukup besar dari budaya manusia.

332
00:13:28,000 --> 00:13:31,000
Ada banyak budaya: naskah, koran,

333
00:13:31,000 --> 00:13:33,000
ada yang bukan berupa teks, seperti seni dan lukisan.

334
00:13:33,000 --> 00:13:35,000
Semua ini ada dalam komputer kita,

335
00:13:35,000 --> 00:13:37,000
komputer di seluruh dunia.

336
00:13:37,000 --> 00:13:40,000
Dan ketika itu terjadi, itu akan mengubah cara kita

337
00:13:40,000 --> 00:13:42,000
memahami masa lalu, masa kini, dan budaya manusia.

338
00:13:42,000 --> 00:13:44,000
Terima kasih banyak.

339
00:13:44,000 --> 00:13:47,000
(Tepuk tangan)