Susan Etlinger: What do we do with all this big data?

Susan Etlinger: Qu'allons nous faire des toutes ces mégadonnées ?

149,431 views

2014-10-20 ・ TED


New videos

Susan Etlinger: What do we do with all this big data?

Susan Etlinger: Qu'allons nous faire des toutes ces mégadonnées ?

149,431 views ・ 2014-10-20

TED


Veuillez double-cliquer sur les sous-titres anglais ci-dessous pour lire la vidéo.

Traducteur: Jean-Christophe Houzel Relecteur: Sophie ADAMA
00:13
Technology has brought us so much:
0
13354
3135
La technologie nous a tellement apporté :
00:16
the moon landing, the Internet,
1
16489
2019
l'alunissage, Internet,
00:18
the ability to sequence the human genome.
2
18508
2625
la possibilité de séquencer le génome humain.
00:21
But it also taps into a lot of our deepest fears,
3
21133
3724
Mais elle infiltre aussi nos plus grandes peurs
00:24
and about 30 years ago,
4
24857
1856
et il y a environ 30 ans,
00:26
the culture critic Neil Postman wrote a book
5
26713
2553
le critique Neil Postman a écrit un livre
00:29
called "Amusing Ourselves to Death,"
6
29266
2115
intitulé « Se distraire à en mourir »
00:31
which lays this out really brilliantly.
7
31381
2759
qui expose celà brillamment.
00:34
And here's what he said,
8
34140
1650
Voici ce qu'il a dit,
00:35
comparing the dystopian visions
9
35790
2263
en comparant les vues dystopiques
00:38
of George Orwell and Aldous Huxley.
10
38053
3573
de George Orwell et d'Aldous Huxley.
00:41
He said, Orwell feared we would become
11
41626
3126
Il a dit que Orwell avait peur que nous devenions
00:44
a captive culture.
12
44752
2248
une culture en captivité.
00:47
Huxley feared we would become a trivial culture.
13
47000
3752
Huxley avait peur que nous devenions une culture banale.
00:50
Orwell feared the truth would be
14
50752
2145
Orwell avait peur que la vérité
00:52
concealed from us,
15
52897
1923
ne nous soit dissimulée,
00:54
and Huxley feared we would be drowned
16
54820
2190
et Huxley craignait que nous nous noyions
00:57
in a sea of irrelevance.
17
57010
2693
dans un océan de choses sans importance.
00:59
In a nutshell, it's a choice between
18
59703
2170
En un mot, c'est un choix entre
01:01
Big Brother watching you
19
61873
2600
être regardé par Big Brother
01:04
and you watching Big Brother.
20
64473
2496
et regarder Big Brother.
01:06
(Laughter)
21
66969
1931
(Rires)
01:08
But it doesn't have to be this way.
22
68900
1734
Mais ça ne doit pas forcément se passer comme ça.
01:10
We are not passive consumers of data and technology.
23
70634
3336
Nous ne sommes pas des consommateurs passifs de données et de technologie.
01:13
We shape the role it plays in our lives
24
73970
2403
Nous façonnons le rôle qu'elles jouent dans nos vies
01:16
and the way we make meaning from it,
25
76373
2130
et la façon dont nous leur donnons sens.
01:18
but to do that,
26
78503
1603
Mais, pour ce faire,
01:20
we have to pay as much attention to how we think
27
80106
3513
nous devons prêter autant d'attention à notre façon de penser
01:23
as how we code.
28
83619
2030
qu'à notre façon de programmer.
01:25
We have to ask questions, and hard questions,
29
85649
3098
Nous devons nous poser des questions, des questions difficiles,
01:28
to move past counting things
30
88747
1869
pour aller au-delà de compter les choses,
01:30
to understanding them.
31
90616
2602
et commencer à les comprendre.
01:33
We're constantly bombarded with stories
32
93218
2446
Nous sommes constamment bombardés d'histoires
01:35
about how much data there is in the world,
33
95664
2476
sur la quantité de données dans le monde,
01:38
but when it comes to big data
34
98140
1580
mais quand il s'agit de mégadonnées
01:39
and the challenges of interpreting it,
35
99720
2596
et des défis pour les interpréter,
01:42
size isn't everything.
36
102316
2088
la taille n'est pas tout.
01:44
There's also the speed at which it moves,
37
104404
2903
Il y a aussi la vitesse à laquelle elles bougent,
01:47
and the many varieties of data types,
38
107307
1696
et la grande variété des types de données.
01:49
and here are just a few examples:
39
109003
2498
Voici juste quelques exemples :
01:51
images,
40
111501
2198
des images,
01:53
text,
41
113699
4007
des textes,
01:57
video,
42
117706
2095
des vidéos,
01:59
audio.
43
119801
1830
des sons.
02:01
And what unites this disparate types of data
44
121631
3042
Ce qui unifie ces différents types de données,
02:04
is that they're created by people
45
124673
2221
c'est qu'elles sont créées par des personnes
02:06
and they require context.
46
126894
2775
et qu'elles nécessitent un contexte.
02:09
Now, there's a group of data scientists
47
129669
2445
Un groupe de scientifiques de données
02:12
out of the University of Illinois-Chicago,
48
132114
2305
de l'Université d'Illinois à Chicago,
02:14
and they're called the Health Media Collaboratory,
49
134419
2554
dénommé « Collectif Média Santé »
02:16
and they've been working with the Centers for Disease Control
50
136973
2587
qui ont travaillé au Centre de Contrôle des Maladies [CDC]
02:19
to better understand
51
139560
1505
pour mieux comprendre comment
02:21
how people talk about quitting smoking,
52
141065
2848
les gens discutent à propos d'arrêter de fumer,
02:23
how they talk about electronic cigarettes,
53
143913
2680
comment ils parlent des cigarettes électroniques,
02:26
and what they can do collectively
54
146593
1985
et sur ce qu'ils peuvent faire ensemble
02:28
to help them quit.
55
148578
1984
pour les aider à arrêter.
02:30
The interesting thing is, if you want to understand
56
150562
2013
Ce qui est intéressant, si on veut comprendre
02:32
how people talk about smoking,
57
152575
2216
comment les gens parlent de fumer,
02:34
first you have to understand
58
154791
1901
d'abord, on doit commencer par comprendre
02:36
what they mean when they say "smoking."
59
156692
2565
ce qu'ils entendent par « fumer ».
02:39
And on Twitter, there are four main categories:
60
159257
3926
Sur Twitter, il y a quatre catégories :
02:43
number one, smoking cigarettes;
61
163183
2997
numéro un : fumer des cigarettes ;
02:46
number two, smoking marijuana;
62
166180
2807
numéro deux : fumer de la marijuana ;
02:48
number three, smoking ribs;
63
168987
2643
numéro trois : côtelettes fumées ;
02:51
and number four, smoking hot women.
64
171630
3553
et numéro quatre : femmes chaudes et sexy.
02:55
(Laughter)
65
175183
2993
(Rires)
02:58
So then you have to think about, well,
66
178176
2426
Ensuite, on doit réfléchir sur
03:00
how do people talk about electronic cigarettes?
67
180602
2140
comment les gens parlent de cigarette électroniques.
03:02
And there are so many different ways
68
182742
2025
Il y a tant de façons différentes d'en parler,
03:04
that people do this, and you can see from the slide
69
184767
2599
comme vous pouvez le voir sur la diapositive,
03:07
it's a complex kind of a query.
70
187366
2610
c'est une requête bien complexe.
03:09
And what it reminds us is that
71
189976
3224
Et ceci nous rappelle que
03:13
language is created by people,
72
193200
2411
le langage a été créé par des personnes,
03:15
and people are messy and we're complex
73
195611
2340
et les personnes sont désordonnées, et nous sommes complexes,
03:17
and we use metaphors and slang and jargon
74
197951
2767
et que nous utilisons des métaphores, de l'argot, du jargon
03:20
and we do this 24/7 in many, many languages,
75
200718
3279
et nous faisons ça 24h/24, 7j/7, dans plein, plein de langues,
03:23
and then as soon as we figure it out, we change it up.
76
203997
3224
et aussitôt qu'on se décide, on change tout à nouveau.
03:27
So did these ads that the CDC put on,
77
207221
5118
Donc, est-ce que ces annonces du CDC,
03:32
these television ads that featured a woman
78
212339
2430
ces publicités à la télé qui montraient
03:34
with a hole in her throat and that were very graphic
79
214769
2021
une femme avec un trou dans la gorge,
03:36
and very disturbing,
80
216790
1904
qui étaient très crues et troublantes.
03:38
did they actually have an impact
81
218694
1885
ont-elles finalement eu un impact
03:40
on whether people quit?
82
220579
2671
sur la décision des gens d'arrêter de fumer ?
03:43
And the Health Media Collaboratory respected the limits of their data,
83
223250
3307
Le Collectif Média Santé a respecté les limites de leurs données
03:46
but they were able to conclude
84
226557
2005
mais ils ont réussi à conclure que ces annonces
03:48
that those advertisements — and you may have seen them —
85
228562
3312
- que vous avez probablement vues -
03:51
that they had the effect of jolting people
86
231874
2591
ont eu pour effet d'induire les gens
03:54
into a thought process
87
234465
1822
à un processus de réfléxion
03:56
that may have an impact on future behavior.
88
236287
3667
qui peut avoir eu un impact sur leur comportement futur.
03:59
And what I admire and appreciate about this project,
89
239954
3891
Ce que j'admire et reconnais de ce projet,
04:03
aside from the fact, including the fact
90
243845
1489
en dehors du fait qu'il est basé
04:05
that it's based on real human need,
91
245334
4057
sur des besoins humains réels
04:09
is that it's a fantastic example of courage
92
249391
2846
est que c'est un exemple fantastique de courage
04:12
in the face of a sea of irrelevance.
93
252237
4443
dans un océan de choses sans importance.
04:16
And so it's not just big data that causes
94
256680
3305
Ainsi, ce ne sont pas uniquement les mégadonnées
04:19
challenges of interpretation, because let's face it,
95
259985
2601
qui représentent un défi d'interprétation, car, soyons honnêtes,
04:22
we human beings have a very rich history
96
262586
2594
nous, les humains, nous avons un riche historique
04:25
of taking any amount of data, no matter how small,
97
265180
2693
de prendre n'importe quelles données, même petites,
04:27
and screwing it up.
98
267873
1617
et de tout gâcher.
04:29
So many years ago, you may remember
99
269490
3737
Il y a plusieurs années, vous vous en rappelez peut être,
04:33
that former President Ronald Reagan
100
273227
2273
l'ancien Président Ronald Reagan
04:35
was very criticized for making a statement
101
275500
1991
fut violemment critiqué pour avoir dit que
04:37
that facts are stupid things.
102
277491
3010
les faits étaient des choses stupides.
04:40
And it was a slip of the tongue, let's be fair.
103
280501
2794
Soyons honnêtes, ce fut à peine un lapsus.
Il voulait citer John Adams, dans sa défense des soldats anglais
04:43
He actually meant to quote John Adams' defense
104
283295
2430
04:45
of British soldiers in the Boston Massacre trials
105
285725
2751
lors du procès du massacre de Boston,
04:48
that facts are stubborn things.
106
288476
3150
disant que les faits étaient des choses tenaces.
04:51
But I actually think there's
107
291626
2624
Mais je pense qu'il y a un peu de
04:54
a bit of accidental wisdom in what he said,
108
294250
3418
sagesse fortuite dans ce qu'il a dit,
04:57
because facts are stubborn things,
109
297668
2776
car les faits sont tenaces,
05:00
but sometimes they're stupid, too.
110
300444
2923
et, parfois, ils sont aussi stupides.
05:03
I want to tell you a personal story
111
303367
1888
J'aimerai vous raconter une histoire personnelle
05:05
about why this matters a lot to me.
112
305255
3548
sur pourquoi cela me tient tant à cœur.
05:08
I need to take a breath.
113
308803
2437
J'ai besoin de respirer.
05:11
My son Isaac, when he was two,
114
311240
2754
Isaac, mon fils, quand il avait deux ans,
05:13
was diagnosed with autism,
115
313994
2417
a été diagnostiqué d'autisme.
05:16
and he was this happy, hilarious,
116
316411
2161
C'était un petit gars heureux, drôle,
05:18
loving, affectionate little guy,
117
318572
2035
aimant, affectueux,
05:20
but the metrics on his developmental evaluations,
118
320607
2902
mais, les scores des évaluations de son développement
05:23
which looked at things like the number of words —
119
323509
2070
qui considèrent des choses comme le nombre de mots --
05:25
at that point, none —
120
325579
3657
à cette époque là : zéro --
05:29
communicative gestures and minimal eye contact,
121
329236
3940
de gestes communicatifs, et de contact visuel minimal,
05:33
put his developmental level
122
333176
2003
plaçaient son développement
05:35
at that of a nine-month-old baby.
123
335179
3961
au niveau de celui d'un bébé de 9 mois.
05:39
And the diagnosis was factually correct,
124
339140
2960
Ces diagnostics étaient effectivement corrects,
05:42
but it didn't tell the whole story.
125
342100
3209
mais ils ne racontaient pas tout.
05:45
And about a year and a half later,
126
345309
1401
Environ un an et demi plus tard,
05:46
when he was almost four,
127
346710
2102
quand il avait presque 4 ans,
05:48
I found him in front of the computer one day
128
348812
2363
je l'ai trouvé, un beau jour, devant l'ordinateur
05:51
running a Google image search on women,
129
351175
5453
cherchant sur Google des images de femmes
05:56
spelled "w-i-m-e-n."
130
356628
3616
épelées "f-a-m-e-s."
06:00
And I did what any obsessed parent would do,
131
360244
2740
Et j'ai fait ce que tout parent obsessif aurait fait :
06:02
which is immediately started hitting the "back" button
132
362984
1901
J'ai cliqué immédiatement le bouton « précédent »
06:04
to see what else he'd been searching for.
133
364885
3363
pour voir quoi d'autre il avait cherché.
06:08
And they were, in order: men,
134
368248
2171
C'était, dans l'ordre : hommes,
06:10
school, bus and computer.
135
370419
7267
école, bus et ordinateur.
06:17
And I was stunned,
136
377686
2070
J'étais stupéfaite,
06:19
because we didn't know that he could spell,
137
379756
2002
car on ne savait pas qu'il savait épeler,
06:21
much less read, and so I asked him,
138
381758
1766
et encore moins lire. Donc je lui ai demandé :
06:23
"Isaac, how did you do this?"
139
383524
2193
« Isaac, comment as-tu fait ça ? »
06:25
And he looked at me very seriously and said,
140
385717
2678
Il m'a regardé très sérieusement et dit :
06:28
"Typed in the box."
141
388395
3352
« Écrit dans le cadre. »
06:31
He was teaching himself to communicate,
142
391747
3734
Il s'apprenait lui-même à communiquer,
06:35
but we were looking in the wrong place,
143
395481
3004
mais nous cherchions au mauvais endroit,
06:38
and this is what happens when assessments
144
398485
2295
et c'est ce qui se passe quand les évaluations
06:40
and analytics overvalue one metric —
145
400780
2396
et les analyses donnent plus d'importance à une mesure --
06:43
in this case, verbal communication —
146
403176
2609
dans ce cas, la communication verbale --
06:45
and undervalue others, such as creative problem-solving.
147
405785
5703
et en sous-estiment d'autres, comme la résolution créative de problèmes.
06:51
Communication was hard for Isaac,
148
411488
2307
Communiquer était difficile pour Isaac,
06:53
and so he found a workaround
149
413795
1912
et il avait donc trouvé une astuce
06:55
to find out what he needed to know.
150
415707
2857
pour découvrir ce qu'il avait besoin de savoir.
06:58
And when you think about it, it makes a lot of sense,
151
418564
1890
Quand on y pense, ça semble logique,
07:00
because forming a question
152
420454
2081
car formuler une question
07:02
is a really complex process,
153
422535
2565
est un processus vraiment complexe,
07:05
but he could get himself a lot of the way there
154
425100
2522
mais il a réussi à faire un grand pas
07:07
by putting a word in a search box.
155
427622
4092
en tapant un mot dans un cadre de recherche.
07:11
And so this little moment
156
431714
2936
Et ce court instant
07:14
had a really profound impact on me
157
434650
2836
a eu un profond impact sur moi
07:17
and our family
158
437486
1309
et sur notre famille.
07:18
because it helped us change our frame of reference
159
438795
3141
Car ça nous a aidé à changer nos références
07:21
for what was going on with him,
160
441936
2208
sur ce qu'il lui arrivait,
07:24
and worry a little bit less and appreciate
161
444144
2976
à nous préoccuper un peu moins et à apprécier davantage
07:27
his resourcefulness more.
162
447120
2182
sa débrouillardise.
07:29
Facts are stupid things.
163
449302
2861
Les faits sont des choses stupides.
07:32
And they're vulnerable to misuse,
164
452163
2397
Et ils sont vulnérables à une mauvaise utilisation,
07:34
willful or otherwise.
165
454560
1653
délibérée ou non.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
456213
3026
J'ai une amie, Emily Willingham, qui est une scientifique.
07:39
and she wrote a piece for Forbes not long ago
167
459239
2801
Elle a écrit un article pour Forbes
07:42
entitled "The 10 Weirdest Things
168
462040
1980
il n'y a pas longtemps, intitulé
07:44
Ever Linked to Autism."
169
464020
1810
« Les 10 choses plus bizarres reliées à l'autisme. »
07:45
It's quite a list.
170
465830
3005
Il y en a toute une liste.
07:48
The Internet, blamed for everything, right?
171
468835
3532
On blâme Internet pour tout , n'est ce pas ?
07:52
And of course mothers, because.
172
472367
3757
Et bien entendu, les mères, parce que voilà.
07:56
And actually, wait, there's more,
173
476124
1587
Attendez, ça n'est pas tout,
07:57
there's a whole bunch in the "mother" category here.
174
477711
3430
Il y a toute une liste dans la catégorie « mère »,
08:01
And you can see it's a pretty rich and interesting list.
175
481141
4815
comme vous voyez, une liste très complète et intéressante.
08:05
I'm a big fan of
176
485956
2193
Personnellement. je suis vraiment fan de
08:08
being pregnant near freeways, personally.
177
488149
3704
« tomber enceinte près des autoroutes ».
08:11
The final one is interesting,
178
491853
1539
La dernière est intéressante,
08:13
because the term "refrigerator mother"
179
493392
3003
car le terme « mère réfrigérateur »
08:16
was actually the original hypothesis
180
496395
2605
était en fait l'hypothèse initiale
08:19
for the cause of autism,
181
499000
1431
de la cause de l'autisme,
08:20
and that meant somebody who was cold and unloving.
182
500431
2735
il signifie quelqu'un de froid et sans amour.
08:23
And at this point, you might be thinking,
183
503166
1562
À ce stade, vous devez penser:
08:24
"Okay, Susan, we get it,
184
504728
1657
« Ok, Susan, on comprend,
08:26
you can take data, you can make it mean anything."
185
506385
1782
on peut prendre des données et leur faire dire ce qu'on veut. »
08:28
And this is true, it's absolutely true,
186
508167
4703
Et c'est vrai, c'est absolument vrai,
08:32
but the challenge is that
187
512870
5610
mais, le défi c'est que
08:38
we have this opportunity
188
518480
2448
nous avons cette chance
08:40
to try to make meaning out of it ourselves,
189
520928
2284
d'essayer de leur donner nous-mêmes un sens car, franchement,
08:43
because frankly, data doesn't create meaning. We do.
190
523212
5352
les données ne se créent pas leur sens. C'est nous qui le faisons.
08:48
So as businesspeople, as consumers,
191
528564
3256
Donc, en tant qu'hommes d'affaires, et consommateurs
08:51
as patients, as citizens,
192
531820
2539
en tant que patients, en tant que citoyens
08:54
we have a responsibility, I think,
193
534359
2396
nous avons la responsabilité, je pense,
08:56
to spend more time
194
536755
2194
de passer plus de temps
08:58
focusing on our critical thinking skills.
195
538949
2870
à se concentrer sur nos capacités de pensée critique.
09:01
Why?
196
541819
1078
Pourquoi ?
09:02
Because at this point in our history, as we've heard
197
542897
3178
Parce qu'à ce moment de notre histoire,
09:06
many times over,
198
546075
1706
comme nous l'avons entendu souvent,
09:07
we can process exabytes of data
199
547781
1981
nous pouvons traiter des milliards d'octets de données,
09:09
at lightning speed,
200
549762
2153
à la vitesse de la lumière,
09:11
and we have the potential to make bad decisions
201
551915
3515
et nous avons le potentiel de prendre de mauvaises décisions
09:15
far more quickly, efficiently,
202
555430
1834
bien plus rapidement, efficacement,
09:17
and with far greater impact than we did in the past.
203
557264
5028
et avec un impact bien plus grand que par le passé.
09:22
Great, right?
204
562292
1388
Super, n'est ce pas ?
09:23
And so what we need to do instead
205
563680
3030
Donc, ce que nous devons faire, au contraire,
09:26
is spend a little bit more time
206
566710
2330
c'est consacrer un peu plus de temps
09:29
on things like the humanities
207
569040
2746
sur des choses comme les sciences humaines,
09:31
and sociology, and the social sciences,
208
571786
3464
la sociologie, les sciences sociales,
09:35
rhetoric, philosophy, ethics,
209
575250
2308
la rhétorique, la philosophie, l'éthique,
09:37
because they give us context that is so important
210
577558
2856
car elles nous fournissent le contexte qui est si important
09:40
for big data, and because
211
580414
2576
pour les mégadonnées, et parce que
09:42
they help us become better critical thinkers.
212
582990
2418
elles nous aident à devenir de meilleurs penseurs critiques.
09:45
Because after all, if I can spot
213
585408
4207
Car, en fin de compte,
09:49
a problem in an argument, it doesn't much matter
214
589615
2486
si je repère un problème dans une controverse,
09:52
whether it's expressed in words or in numbers.
215
592101
2759
il importe peu qu'il soit exprimé en mots ou en chiffres.
09:54
And this means
216
594860
2719
Cela signifie que nous devons nous enseigner
09:57
teaching ourselves to find those confirmation biases
217
597579
4421
à détecter ces biais d'interprétation,
10:02
and false correlations
218
602000
1822
et ces fausses corrélations
10:03
and being able to spot a naked emotional appeal
219
603822
2138
et à être capables de repérer un recours clairement émotionnel
10:05
from 30 yards,
220
605960
1662
à 30 mètres de distance.
10:07
because something that happens after something
221
607622
2522
Car si un événement se produit après un autre
10:10
doesn't mean it happened because of it, necessarily,
222
610144
3082
ça ne veut pas forcément dire qu'il s'est produit à cause du premier.
10:13
and if you'll let me geek out on you for a second,
223
613226
2119
Et, si vous me permettez d'oser un instant,
10:15
the Romans called this "post hoc ergo propter hoc,"
224
615345
4297
les romains appelaient cela « post hoc ergo propter hoc »
10:19
after which therefore because of which.
225
619642
3296
« à la suite de ceci, donc à cause de cela ».
10:22
And it means questioning disciplines like demographics.
226
622938
3757
Cela signifie mettre en doute les disciplines telles que la démographie.
10:26
Why? Because they're based on assumptions
227
626695
2520
Pourquoi ? Parce qu'elles sont basées sur des hypothèses
10:29
about who we all are based on our gender
228
629215
2306
sur qui nous sommes,
fondées sur notre sexe, notre âge, notre lieu de vie,
10:31
and our age and where we live
229
631521
1462
10:32
as opposed to data on what we actually think and do.
230
632983
3478
au contraire des données sur ce que nous pensons et faisons vraiment.
10:36
And since we have this data,
231
636461
1663
Et, puisque nous avons ces données,
10:38
we need to treat it with appropriate privacy controls
232
638124
3139
nous devons la traiter avec un contrôle approprié de confidentialité
10:41
and consumer opt-in,
233
641263
3576
et avec le consentement du consommateur,
10:44
and beyond that, we need to be clear
234
644839
2993
et au-delà de ça, nous devons être clairs
10:47
about our hypotheses,
235
647832
2103
quant à nos hypothèses,
10:49
the methodologies that we use,
236
649935
2596
aux méthodes que nous utilisons,
10:52
and our confidence in the result.
237
652531
2804
et à notre confiance dans les résultats.
10:55
As my high school algebra teacher used to say,
238
655335
2474
Comme disait mon prof d'algèbre au lycée :
10:57
show your math,
239
657809
1531
« Montre tes calculs,
10:59
because if I don't know what steps you took,
240
659340
3441
car si je ne sais pas quelles étapes tu as suivies,
11:02
I don't know what steps you didn't take,
241
662781
1991
je ne sais pas les étapes tu n'as pas suivies,
11:04
and if I don't know what questions you asked,
242
664772
2438
et, si je ne sais pas les questions que tu t'es posées,
11:07
I don't know what questions you didn't ask.
243
667210
3197
je ne sais pas quelles questions tu n'as pas posées. »
11:10
And it means asking ourselves, really,
244
670407
1523
Ce qui signifie, vraiment,
11:11
the hardest question of all:
245
671930
1479
nous poser la plus difficile des questions :
11:13
Did the data really show us this,
246
673409
3500
Est ce que les données nous montrent vraiment ceci
11:16
or does the result make us feel
247
676909
2311
ou est-ce que les résultats nous font nous sentir
11:19
more successful and more comfortable?
248
679220
3878
plus performants et plus à l'aise ?
11:23
So the Health Media Collaboratory,
249
683098
2584
Donc, à la fin du projet,
11:25
at the end of their project, they were able
250
685682
1699
le Collectif Média Santé a réussi
11:27
to find that 87 percent of tweets
251
687381
3408
à trouver que 87% des tweets
11:30
about those very graphic and disturbing
252
690789
2144
sur ces annonces anti-tabac très dérangeantes
11:32
anti-smoking ads expressed fear,
253
692933
4038
exprimaient la peur.
11:36
but did they conclude
254
696971
1856
Mais ont-ils conclu qu'elles avaient
11:38
that they actually made people stop smoking?
255
698827
3161
vraiment fait les gens arrêter de fumer?
11:41
No. It's science, not magic.
256
701988
2542
Non. C'est de la science, pas de la magie.
11:44
So if we are to unlock
257
704530
3190
Donc, si nous sommes sur le point de dévoiler
11:47
the power of data,
258
707720
2862
le pouvoir des données
11:50
we don't have to go blindly into
259
710582
3448
nous n'avons pas à suivre aveuglément
11:54
Orwell's vision of a totalitarian future,
260
714030
3436
Orwell dans sa vision d'un futur totalitaire,
11:57
or Huxley's vision of a trivial one,
261
717466
3117
ni Huxley et sa vision d'un futur banal,
12:00
or some horrible cocktail of both.
262
720583
3020
ni quelque horrible mixture des deux.
12:03
What we have to do
263
723603
2379
Ce que nous devons faire,
12:05
is treat critical thinking with respect
264
725982
2718
c'est respecter la pensée critique
12:08
and be inspired by examples
265
728700
2029
et s'inspirer d'exemples
12:10
like the Health Media Collaboratory,
266
730729
2610
comme le Collectif Média Santé,
12:13
and as they say in the superhero movies,
267
733339
2328
comme ils disent dans les films de superhéros
12:15
let's use our powers for good.
268
735667
1822
« Utilisons nos pouvoirs pour le bien ».
12:17
Thank you.
269
737489
2351
Merci.
(Applaudissements)
12:19
(Applause)
270
739840
2334
À propos de ce site Web

Ce site vous présentera des vidéos YouTube utiles pour apprendre l'anglais. Vous verrez des leçons d'anglais dispensées par des professeurs de premier ordre du monde entier. Double-cliquez sur les sous-titres anglais affichés sur chaque page de vidéo pour lire la vidéo à partir de là. Les sous-titres défilent en synchronisation avec la lecture de la vidéo. Si vous avez des commentaires ou des demandes, veuillez nous contacter en utilisant ce formulaire de contact.

https://forms.gle/WvT1wiN1qDtmnspy7