Eric Berlow and Sean Gourley: Mapping ideas worth spreading

Eric Berlow et Sean Gourley: Cartographier des idées qui méritent d'être partagées

71,019 views

2013-09-18 ・ TED


New videos

Eric Berlow and Sean Gourley: Mapping ideas worth spreading

Eric Berlow et Sean Gourley: Cartographier des idées qui méritent d'être partagées

71,019 views ・ 2013-09-18

TED


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

Traducteur: laurent chabanne Relecteur: Mohand Habchi
00:12
Eric Berlow: I'm an ecologist, and Sean's a physicist,
0
12562
3061
Eric Berlow : Je suis écologiste, Sean est physicien,
00:15
and we both study complex networks.
1
15623
2108
et nous étudions les réseaux complexes.
00:17
And we met a couple years ago when we discovered
2
17731
1835
Nous nous sommes rencontrés il y a quelques années, après avoir découvert
00:19
that we had both given a short TED Talk
3
19566
2000
que nous avions tous deux indépendamment parlé
00:21
about the ecology of war,
4
21566
2303
de l'écologie de guerre dans des conférences TED,
00:23
and we realized that we were connected
5
23869
1447
et nous avons réalisé que nous étions reliés
00:25
by the ideas we shared before we ever met.
6
25316
2818
par les idées que nous partagions avant même de nous rencontrer.
00:28
And then we thought, you know, there are thousands
7
28134
1556
Nous nous sommes dit : il y a des milliers
00:29
of other talks out there, especially TEDx Talks,
8
29690
2114
d'autres conférences, notamment les TEDx,
00:31
that are popping up all over the world.
9
31804
2211
qui pullulent partout dans le monde.
00:34
How are they connected,
10
34015
923
00:34
and what does that global conversation look like?
11
34938
2010
Comment sont-elles liées ?
À quoi ressemble cette conversation mondiale ?
00:36
So Sean's going to tell you a little bit about how we did that.
12
36948
2810
Sean va donc vous décrire comment nous avons répondu à ces interrogations.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
39758
3767
Sean Gourley : Nous avons pris 24 000 conférences TEDx
00:43
from around the world, 147 different countries,
14
43525
3046
venant du monde entier : 147 pays.
00:46
and we took these talks and we wanted to find
15
46571
2123
Nous avons pris ces conférences
00:48
the mathematical structures that underly
16
48694
2040
et nous voulions trouver les structures mathématiques
00:50
the ideas behind them.
17
50734
1722
qui exprimaient les idées qu'elles contenaient.
00:52
And we wanted to do that so we could see how
18
52456
1370
Nous voulions voir de quelle manière ces idées
00:53
they connected with each other.
19
53826
2053
étaient connectées entre elles.
00:55
And so, of course, if you're going to do this kind of stuff,
20
55879
1676
Bien sûr, pour pouvoir réaliser ce genre de chose,
00:57
you need a lot of data.
21
57555
956
il faut beaucoup de données.
00:58
So the data that you've got is a great thing called YouTube,
22
58511
3686
Les données, on les trouve sur un engin génial qui s'appelle YouTube,
01:02
and we can go down and basically pull
23
62197
1768
et on peut exploiter toutes les informations qui s'y trouvent :
01:03
all the open information from YouTube,
24
63965
2267
tous les commentaires, le nombre de vues,
01:06
all the comments, all the views, who's watching it,
25
66232
2349
savoir qui regarde les vidéos d'où elles sont regardées,
01:08
where are they watching it, what are they saying in the comments.
26
68581
2779
et ce qu'il est dit dans les commentaires.
01:11
But we can also pull up, using speech-to-text translation,
27
71360
3292
Mais on peut aussi analyser tous les textes de conférences
01:14
we can pull the entire transcript,
28
74652
2128
en utilisant les transcriptions,
01:16
and that works even for people with kind of funny accents like myself.
29
76780
2680
et ça marche aussi pour les gens qui ont un accent bizarre comme moi !
01:19
So we can take their transcript
30
79460
2106
Ainsi, on peut prendre le texte
01:21
and actually do some pretty cool things.
31
81566
2098
et faire des trucs plutôt chouette.
01:23
We can take natural language processing algorithms
32
83664
2160
On peut utiliser des algorithmes de traitement du langage naturel
01:25
to kind of read through with a computer, line by line,
33
85824
2629
pour qu'un ordinateur « lise » les données, ligne par ligne,
01:28
extracting key concepts from this.
34
88453
2359
pour en extraire les concepts-clés.
01:30
And we take those key concepts and they sort of form
35
90812
2525
Puis on prend ces concepts-clés, qui en fait representent
01:33
this mathematical structure of an idea.
36
93337
3565
une idée sous forme de structure mathématique.
01:36
And we call that the meme-ome.
37
96902
1757
On appelle ça un « mème-ome ».
01:38
And the meme-ome, you know, quite simply,
38
98659
2151
Ce « mème-ome », pour faire simple,
01:40
is the mathematics that underlies an idea,
39
100810
2426
désigne l'interprétation mathématique d'une idée,
01:43
and we can do some pretty interesting analysis with it,
40
103236
1932
et on peut faire des analyses très intéressantes avec ça,
01:45
which I want to share with you now.
41
105168
1981
et j'aimerais les partager avec vous aujourd'hui.
01:47
So each idea has its own meme-ome,
42
107149
2190
Donc chaque idée a son propre « mème-ome »,
01:49
and each idea is unique with that,
43
109339
1951
chaque idée est unique,
01:51
but of course, ideas, they borrow from each other,
44
111290
2488
mais bien sûr, les idées, s'inspirent les unes des autres
01:53
they kind of steal sometimes,
45
113778
1184
parfois même elles puisent les unes des autres,
01:54
and they certainly build on each other,
46
114962
1827
et puis elles s'appuient évidement les unes sur les autres.
01:56
and we can go through mathematically
47
116789
1616
Ainsi, on peut faire une analyse mathématique,
01:58
and take the meme-ome from one talk
48
118405
1840
prendre le « mème-ome » d'une conférence
02:00
and compare it to the meme-ome from every other talk,
49
120245
2454
et le comparer aux « mème-ome » de toutes les autres conférences,
02:02
and if there's a similarity between the two of them,
50
122699
1973
et s'il y a une similarité avec une autre conférence,
02:04
we can create a link and represent that as a graph,
51
124672
3250
on peut créer un lien et illustrer ça sur un graphique,
02:07
just like Eric and I are connected.
52
127922
2394
et c'est sur ce même principe qu'Eric et moi sommes reliés.
02:10
So that's theory, that's great.
53
130316
1394
C'est la théorie, c'est formidable.
02:11
Let's see how it works in actual practice.
54
131710
2526
Voyons comment ça marche en pratique.
02:14
So what we've got here now is the global footprint
55
134236
2788
Donc ici, nous avons l'empreinte mondiale
02:17
of all the TEDx Talks over the last four years
56
137024
2293
de toutes les conférences TEDx
02:19
exploding out around the world
57
139317
1550
des 4 dernières années
02:20
from New York all the way down to little old New Zealand in the corner.
58
140867
3329
de New York jusqu'à la Nouvelle-Zélande en bas à droite.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
144196
3835
Nous avons donc analysé le top de 25 % des conférences,
02:28
and we started to see where the connections occurred,
60
148031
2534
et nous avons commencé à chercher où étaient les connections,
02:30
where they connected with each other.
61
150565
1537
où elles se connectaient entre elles.
02:32
Cameron Russell talking about image and beauty
62
152102
1874
Cameron Russell qui parle d'image et de beauté
02:33
connected over into Europe.
63
153976
1575
est connecté à l'Europe.
02:35
We've got a bigger conversation about Israel and Palestine
64
155551
2412
Nous avons une conversation plus étendue sur l'Israël et la Palestine
02:37
radiating outwards from the Middle East.
65
157963
2255
rayonnant vers l'extérieur à partir du Moyen-Orient.
02:40
And we've got something a little broader
66
160218
1298
Et nous avons quelque chose d'un peu plus large
02:41
like big data with a truly global footprint
67
161516
2156
comme les données volumineuses avec une empreinte véritablement mondiale
02:43
reminiscent of a conversation
68
163672
2179
qui évoque une conversation
02:45
that is happening everywhere.
69
165851
2016
qui se passe partout dans le monde.
02:47
So from this, we kind of run up against the limits
70
167867
2173
Donc sur cette base, on se heurte un peu aux limites
02:50
of what we can actually do with a geographic projection,
71
170040
2530
de ce qu'on peut faire avec une projection géographique,
02:52
but luckily, computer technology allows us to go out
72
172570
2052
mais heureusement, la technologie informatique permet
02:54
into multidimensional space.
73
174622
1546
d'utiliser un espace multidimensionnel.
02:56
So we can take in our network projection
74
176168
1875
Ainsi nous pouvons prendre notre projection de réseau
02:58
and apply a physics engine to this,
75
178043
1750
et trier les conférences par l’intermédiaire d'un moteur physique,
02:59
and the similar talks kind of smash together,
76
179793
1885
qui fait en sorte de regrouper les conférences qui sont similaires
03:01
and the different ones fly apart,
77
181678
2004
et d’écarter celles qui diffèrent,
03:03
and what we're left with is something quite beautiful.
78
183682
2072
et on obtient quelque chose d'assez beau.
03:05
EB: So I want to just point out here that every node is a talk,
79
185754
2957
EB : Alors, je veux juste souligner ici que chaque nœud est une conférence,
03:08
they're linked if they share similar ideas,
80
188711
2589
et qu'elles sont reliées si elles partagent des idées similaires.
03:11
and that comes from a machine reading
81
191300
2084
Ceci est déterminé par une lecture informatique
03:13
of entire talk transcripts,
82
193384
2067
des transcriptions des conférences,
03:15
and then all these topics that pop out,
83
195451
2231
et toutes ces thématiques qui apparaissent
03:17
they're not from tags and keywords.
84
197682
1790
ne surgissent pas des mots-clés.
03:19
They come from the network structure
85
199472
1725
Elle proviennent de la structure du réseau
03:21
of interconnected ideas. Keep going.
86
201197
2168
des idées interconnectées. Continue.
03:23
SG: Absolutely. So I got a little quick on that,
87
203365
2022
SG: Absolument. J'ai survolé ce point un peu trop rapidement
03:25
but he's going to slow me down.
88
205387
1475
mais il est là pour me ralentir.
03:26
We've got education connected to storytelling
89
206862
2034
On voit que l'éducation est connectée à la narration d'histoires
03:28
triangulated next to social media.
90
208896
1643
triangulées avec les médias sociaux.
03:30
You've got, of course, the human brain right next to healthcare,
91
210539
2475
On a, bien sûr, le cerveau humain, juste à côté de la santé,
03:33
which you might expect,
92
213014
1386
ce dont on aurait pu se douter,
03:34
but also you've got video games, which is sort of adjacent,
93
214400
2395
mais on a aussi les jeux vidéo, qui sont à côté,
03:36
as those two spaces interface with each other.
94
216795
2740
car ces deux espaces communiquent entre eux.
03:39
But I want to take you into one cluster
95
219535
1535
Mais je veux vous emmener dans une grappe
03:41
that's particularly important to me, and that's the environment.
96
221070
2868
qui m'importe particulièrement qui est l'environnement.
03:43
And I want to kind of zoom in on that
97
223938
1493
Et je veux zoomer là-dessus
03:45
and see if we can get a little more resolution.
98
225431
2363
et voir si on peut obtenir une plus grande résolution.
03:47
So as we go in here, what we start to see,
99
227794
2347
En fait, ce dont on s'aperçoit,
03:50
apply the physics engine again,
100
230141
1504
en appliquant ce moteur physique,
03:51
we see what's one conversation
101
231645
1676
c'est qu'une conversation
03:53
is actually composed of many smaller ones.
102
233321
2560
se compose en réalité de plusieurs petites conversations.
03:55
The structure starts to emerge
103
235881
1929
La structure commence à émerger,
03:57
where we see a kind of fractal behavior
104
237810
2070
et on voit un comportement fractal
03:59
of the words and the language that we use
105
239880
1619
des mots et du langage que l'on utilise
04:01
to describe the things that are important to us
106
241499
1702
pour décrire les choses qui sont importantes pour nous
04:03
all around this world.
107
243201
1433
tout autour du monde.
04:04
So you've got food economy and local food at the top,
108
244634
2332
On a l'économie alimentaire et la nourriture locale en haut,
04:06
you've got greenhouse gases, solar and nuclear waste.
109
246966
2719
les gaz à effet de serre, le solaire et les déchets nucléaires.
04:09
What you're getting is a range of smaller conversations,
110
249685
2631
Ce qu'on obtient est une gamme de petites conversations,
04:12
each connected to each other through the ideas
111
252316
2301
chacune reliées aux autres à travers les idées
04:14
and the language they share,
112
254617
1301
et la langue qu'elles partagent,
04:15
creating a broader concept of the environment.
113
255918
2450
créant un concept plus large de l'environnement.
04:18
And of course, from here, we can go
114
258368
1532
Et bien sûr, à partir d'ici on peut zoomer
04:19
and zoom in and see, well, what are young people looking at?
115
259900
3534
et voir, et bien, que regardent les jeunes ?
04:23
And they're looking at energy technology and nuclear fusion.
116
263434
2345
Ils s'intéressent aux technologies de l'énergie et à la fusion nucléaire.
04:25
This is their kind of resonance
117
265779
1674
C'est ce à quoi ils s'intéressent
04:27
for the conversation around the environment.
118
267453
2406
dans les conversations qui tournent autour de la thématique de l'environnement.
04:29
If we split along gender lines,
119
269859
1899
Si nous séparons selon le sexe,
04:31
we can see females resonating heavily
120
271758
1987
nous pouvons voir que les femmes s'intéressent fortement
04:33
with food economy, but also out there in hope and optimism.
121
273745
3645
à l'économie alimentaire, mais aussi à l'espoir et à l'optimisme.
04:37
And so there's a lot of exciting stuff we can do here,
122
277390
2482
Et donc on peut faire des tas de choses passionnantes,
04:39
and I'll throw to Eric for the next part.
123
279872
1762
et je vais laisser la parole à Eric pour la prochaine partie.
04:41
EB: Yeah, I mean, just to point out here,
124
281634
1602
EB : Oui, je voudrais d'abord souligner
04:43
you cannot get this kind of perspective
125
283236
1538
qu'on ne peut pas obtenir ce genre de perspective
04:44
from a simple tag search on YouTube.
126
284774
3360
par une simple recherche de mots-clés sur YouTube.
04:48
Let's now zoom back out to the entire global conversation
127
288134
4188
Faisons maintenant un zoom arrière sur la totalité des conversations
04:52
out of environment, and look at all the talks together.
128
292322
2534
et regardons l'ensemble des conférences.
04:54
Now often, when we're faced with this amount of content,
129
294856
2927
Souvent, lorsqu'on est confronté à cette quantité de contenu,
04:57
we do a couple of things to simplify it.
130
297783
2431
on fait quelques opérations pour simplifier.
05:00
We might just say, well,
131
300214
1314
Nous pourrions dire, et bien,
05:01
what are the most popular talks out there?
132
301528
2829
quelles sont les conférences les plus populaires ?
05:04
And a few rise to the surface.
133
304357
1397
Et quelques-unes remontent à la surface.
05:05
There's a talk about gratitude.
134
305754
1828
Il y a une conférence à propos de la gratitude.
05:07
There's another one about personal health and nutrition.
135
307582
3344
Il y en a une autre sur la santé et la nutrition.
05:10
And of course, there's got to be one about porn, right?
136
310926
2929
Et bien sûr, il y en a une sur le porno !
05:13
And so then we might say, well, gratitude, that was last year.
137
313855
3234
Et alors, nous pourrions dire : la gratitude, c'était l'an dernier.
05:17
What's trending now? What's the popular talk now?
138
317089
2522
Qu'est-ce qui est en vogue ? Qu'est-ce qui est populaire en ce moment ?
05:19
And we can see that the new, emerging, top trending topic
139
319611
3321
Et nous pouvons voir que le nouveau thème le plus en vogue
05:22
is about digital privacy.
140
322932
2666
est celui de l'intimité numérique.
05:25
So this is great. It simplifies things.
141
325598
1693
Donc c'est très bien. Ça simplifie les choses.
05:27
But there's so much creative content
142
327291
1827
Mais en même temps, il y a tellement de contenu créatif
05:29
that's just buried at the bottom.
143
329118
1921
que l'on néglige quand on procède de cette manière.
05:31
And I hate that. How do we bubble stuff up to the surface
144
331039
3318
Et je déteste ça. Comment faire émerger les choses
05:34
that's maybe really creative and interesting?
145
334357
2458
qui sont peut-être vraiment créatives et intéressantes ?
05:36
Well, we can go back to the network structure of ideas
146
336815
2931
Eh bien, nous pouvons revenir à la structure du réseau d'idées
05:39
to do that.
147
339746
1430
pour faire ça.
05:41
Remember, it's that network structure
148
341176
2114
N'oubliez pas : c'est cette structure en réseau
05:43
that is creating these emergent topics,
149
343290
2268
qui crée ces thématiques émergentes.
05:45
and let's say we could take two of them,
150
345558
1515
Supposant qu'on souhaite choisir deux d'entre elles,
05:47
like cities and genetics, and say, well, are there any talks
151
347073
3047
comme les villes et la génétique et voir s'il existe des conférences
05:50
that creatively bridge these two really different disciplines.
152
350120
2569
qui combinent ces deux disciplines très différentes, de façon créative ?
05:52
And that's -- Essentially, this kind of creative remix
153
352689
2275
Et c'est ce genre de mélange créatif
05:54
is one of the hallmarks of innovation.
154
354964
1840
qui est l'une des marques de fabrique de l'innovation.
05:56
Well here's one by Jessica Green
155
356804
1606
Et bien en voici une presentée par Jessica Green
05:58
about the microbial ecology of buildings.
156
358410
2379
sur l'écologie microbienne des bâtiments.
06:00
It's literally defining a new field.
157
360789
2010
Elle traite littéralement d'un nouveau domaine.
06:02
And we could go back to those topics and say, well,
158
362799
2103
Et nous pourrions revenir à ces thématiques et se demander :
06:04
what talks are central to those conversations?
159
364902
2768
quelles sont les conférences centrales de ces conversations ?
06:07
In the cities cluster, one of the most central
160
367670
1690
Dans la grappe sur les villes, une des plus centrales
06:09
was one by Mitch Joachim about ecological cities,
161
369360
3952
est celle de Mitch Joachim sur les villes écologiques,
06:13
and in the genetics cluster,
162
373312
1720
et dans la grappe sur la génétique,
06:15
we have a talk about synthetic biology by Craig Venter.
163
375032
3193
on a une conférence sur la biologie synthétique présentée par Craig Venter.
06:18
These are talks that are linking many talks within their discipline.
164
378225
3353
Ce sont des conférences qui lient de nombreuses autres au sein de leur discipline.
06:21
We could go the other direction and say, well,
165
381578
1843
On pourrait à l'opposé se demander
06:23
what are talks that are broadly synthesizing
166
383421
2272
quelles sont les conférences qui font la synthèse
06:25
a lot of different kinds of fields.
167
385693
1448
de nombreux types de domaines différents.
06:27
We used a measure of ecological diversity to get this.
168
387141
2533
Nous avons utilisé une mesure de la diversité écologique pour obtenir cela.
06:29
Like, a talk by Steven Pinker on the history of violence,
169
389674
2736
Par exemple, une conférence présentée par Steven Pinker sur l'histoire de la violence,
06:32
very synthetic.
170
392410
1180
est très synthétique.
06:33
And then, of course, there are talks that are so unique
171
393590
2078
Et puis, bien sûr, il y a des conférences qui sont si uniques, qu'on a l'impression
06:35
they're kind of out in the stratosphere, in their own special place,
172
395668
3090
qu'elles se trouvent dans la stratosphère, dans leur propre endroit spécial,
06:38
and we call that the Colleen Flanagan index.
173
398758
2514
et on appelle ça l'index Colleen Flanagan.
06:41
And if you don't know Colleen, she's an artist,
174
401272
3034
Et si vous ne connaissez pas Colleen, et bien c'est une artiste,
06:44
and I asked her, "Well, what's it like out there
175
404306
1543
à qui j'ai d'ailleurs demandé, « C'est comment là-bas
06:45
in the stratosphere of our idea space?"
176
405849
1672
dans la stratosphère de notre espace d'idée ? »
06:47
And apparently it smells like bacon.
177
407521
3255
Et apparemment, ça sent le bacon.
06:50
I wouldn't know.
178
410776
1791
Apparemment.
06:52
So we're using these network motifs
179
412567
2248
Ainsi, nous utilisons ces motifs de réseau
06:54
to find talks that are unique,
180
414815
1186
pour trouver des conférences qui sont uniques,
06:56
ones that are creatively synthesizing a lot of different fields,
181
416001
2710
celles qui sont une synthèse créative de nombreux domaines différents,
06:58
ones that are central to their topic,
182
418711
1659
celles qui sont centrales pour leur thématique,
07:00
and ones that are really creatively bridging disparate fields.
183
420370
3374
et celles qui combinent des domaines disparates de façon créative.
07:03
Okay? We never would have found those with our obsession
184
423744
2102
Nous ne les aurions jamais trouvé avec notre obsession
07:05
with what's trending now.
185
425846
2313
de la nouveauté.
07:08
And all of this comes from the architecture of complexity,
186
428159
2886
Et tout cela vient de l'architecture de la complexité,
07:11
or the patterns of how things are connected.
187
431045
2960
ou de la façon dont les choses sont liées.
07:14
SG: So that's exactly right.
188
434005
1625
SG : Donc, c'est exactement ça.
07:15
We've got ourselves in a world
189
435630
2479
Nous sommes dans un monde
07:18
that's massively complex,
190
438109
2044
qui est extrêmement complexe,
07:20
and we've been using algorithms to kind of filter it down
191
440153
2867
et nous avons utilisé des algorithmes pour le simplifier
07:23
so we can navigate through it.
192
443020
1786
pour pouvoir y naviguer.
07:24
And those algorithms, whilst being kind of useful,
193
444806
2338
Ces algorithmes, tout en étant utile,
07:27
are also very, very narrow, and we can do better than that,
194
447144
3476
sont également très, très limités, et nous pouvons faire mieux que cela,
07:30
because we can realize that their complexity is not random.
195
450620
2566
parce qu'on peut se rendre compte que cette complexité n'est pas aléatoire.
07:33
It has mathematical structure,
196
453186
1954
Elle a une structure mathématique,
07:35
and we can use that mathematical structure
197
455140
1803
et nous pouvons utiliser cette structure mathématique
07:36
to go and explore things like the world of ideas
198
456943
2214
pour explorer des choses comme le monde des idées
07:39
to see what's being said, to see what's not being said,
199
459157
3000
pour voir ce qui est dit, ce qui n'est pas dit,
07:42
and to be a little bit more human
200
462157
1407
et pour être un peu plus humain
07:43
and, hopefully, a little smarter.
201
463564
1867
et, je l'espère, un peu plus intelligent.
07:45
Thank you.
202
465431
966
Merci.
07:46
(Applause)
203
466397
4220
(Applaudissements)
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