What we learned from 5 million books

Translator: Phatra Sae-ting Reviewer: Sritala Dhanasarnsombut

Erez Lieberman Aiden: Everyone knows

เอเรส ลีเบอร์แมน เอเด็น: ทุกท่านคงคุ้นๆ

that a picture is worth a thousand words.

กับคำกล่าวที่ว่ารูปภาพสื่อคำพูดนับพันใช่ไหมครับ

But we at Harvard

แต่สำหรับพวกเราที่ฮาร์วาร์ด

were wondering if this was really true.

กลับสงสัยว่ามันเป็นอย่างนั้นจริงรึเปล่า

(Laughter)

(หัวเราะ)

So we assembled a team of experts,

พวกเราเลยรวมทีมกลุ่มผู้เชี่ยวชาญ

spanning Harvard, MIT,

จากฮาร์วาร์ด เอ็มไอที

The American Heritage Dictionary, The Encyclopedia Britannica

พจนานุกรมอเมริกันเฮอริเทจ สารานุกรมบริตานิกา

and even our proud sponsors,

รวมไปถึงผู้สนับสนุนที่พวกเราภูมิใจ

the Google.

กูเกิล

And we cogitated about this

หลังจากที่ทีมเราพินิจพิเคราะห์

for about four years.

มาประมาณ 4 ปี

And we came to a startling conclusion.

ทุกท่านครับ พวกเราได้ข้อสรุปมาว่า

Ladies and gentlemen, a picture is not worth a thousand words.

รูปภาพหนึ่งๆ ไม่ได้สื่อคำพูดออกมาแค่หลักพันหรอกครับ

In fact, we found some pictures

เพราะพวกเราเจอบางรูป

that are worth 500 billion words.

ที่สื่อคำพูดออกมาได้เป็น 5 แสนล้านคำเลยล่ะครับ

Jean-Baptiste Michel: So how did we get to this conclusion?

ฌ็อง แบพติสต์ มิเชล: เพื่อแสดงให้ทุกท่านเห็นถึงที่มาของข้อสรุปนี้

So Erez and I were thinking about ways

อีเรสกับผมเลยได้ลองหาวิธี

to get a big picture of human culture

ที่จะศึกษาภาพรวมของวัฒนธรรม

and human history: change over time.

และประวัติศาสตร์มนุษยชาติที่เปลี่ยนแปลงไปตามกาลเวลา

So many books actually have been written over the years.

มีหนังสือไม่น้อยที่เขียนเกี่ยวกับเรื่องนี้

So we were thinking, well the best way to learn from them

พวกเราเลยเชื่อว่า วิธีที่ดีที่สุดที่จะศึกษาจากหนังสือเป็นล้านเหล่านี้

is to read all of these millions of books.

ก็คืออ่านมันทั้งหมด

Now of course, if there's a scale for how awesome that is,

ซึ่งถ้าหากมีหน่วยวัดว่าเครื่องมือนี้เจ๋งแค่ไหน

that has to rank extremely, extremely high.

แน่นอนว่ามันคงจะต้องอยู่ในระดับที่เจ๋งมากแน่ๆ

Now the problem is there's an X-axis for that,

ปัญหาอยู่ที่มันมีแกน x ถ่วงอยู่

which is the practical axis.

ซึ่งเป็นแกนที่วัดการนำไปใช้จริง

This is very, very low.

จะเห็นได้ว่ามันอยู่ต่ำมากครับ

(Applause)

(ปรบมือ)

Now people tend to use an alternative approach,

ผู้คนจึงมักจะใช้ตัวเลือกอื่น

which is to take a few sources and read them very carefully.

เช่น คัดเฉพาะข้อมูลบางแหล่งและอ่านมันอย่างระมัดระวัง

This is extremely practical, but not so awesome.

เป็นวิธีที่อยู่ในระดับนำไปใช้ได้จริงที่สูงมาก แต่ยังไม่เจ๋งพอ

What you really want to do

สิ่งที่คุณต้องการจริงๆคือ

is to get to the awesome yet practical part of this space.

ทางเลือกที่่เจ๋งและนำไปใช้ได้จริง

So it turns out there was a company across the river called Google

ซึ่งบังเอิญมากที่บริษัทตรงฝั่งแม่น้ำที่ชื่อ "กูเกิล"

who had started a digitization project a few years back

ได้ริเริ่มโครงการทำหนังสือให้เป็นรูปแบบดิจิทัลเมื่อไม่กี่ปีมานี้

that might just enable this approach.

ถือเป็นการเปิดทางให้กับทางเลือกอย่างว่า

They have digitized millions of books.

พวกเขาทำหนังสือให้เป็นรูปแบบดิจิทัลหลายล้านเล่มแล้ว

So what that means is, one could use computational methods

หมายความว่า เราสามารถใช้วิธีอย่างเดียวกับที่ใช้กับคอมพิวเตอร์

to read all of the books in a click of a button.

กดคลิ๊กที่ปลายนิ้วเพื่ออ่านหนังสือทั้งหมด

That's very practical and extremely awesome.

วิธีนี้จัดว่านำใช้ได้จริงและเจ๋งมากๆด้วย

ELA: Let me tell you a little bit about where books come from.

ELA: ทีนี้ขอผมเล่าหน่อยว่าหนังสือทั้งหลายมาจากไหน

Since time immemorial, there have been authors.

กาลครั้งหนึ่งก่อนที่พวกเราจะจำความได้ ก็มีคนเป็นนักเขียนไม่น้อยเลยทีเดียว

These authors have been striving to write books.

พวกเขาใช้ความเพียรพยายามสูงมากกว่าจะเขียนหนังสือออกมาเป็นเล่มๆ

And this became considerably easier

ทีนี้พอวิทยาการการพิมพ์เริ่มก้าวหน้า

with the development of the printing press some centuries ago.

ในไม่กี่ร้อยปีที่ผ่านมาก็ทำให้ขั้นตอนการทำหนังสือง่ายขึ้น

Since then, the authors have won

แต่นั้นมาก็ทำให้นักเขียนจากทั่วสารทิศ

on 129 million distinct occasions,

สามารถเขียนหนังสือและตีพิมพ์

publishing books.

ในแต่ละสถานที่ทั่วทุกมุมโลกได้

Now if those books are not lost to history,

จนถึงวันนี้ หากหนังสือพวกนั้นยังไม่หายไปจากประวัติศาสตร์

then they are somewhere in a library,

มันจะยังคงวางอยู่ในห้องสมุดแห่งใดแแห่งหนึ่ง

and many of those books have been getting retrieved from the libraries

ซึ่งกูเกิลได้ดำเนินการยืมหนังสือเหล่านั้นมาจากห้องสมุด

and digitized by Google,

เพื่อมาสแกนให้อยู่ในรูปแบบดิจิทัล

which has scanned 15 million books to date.

ซึ่งจนถึงวันนี้เสร็จไปกว่า 15 ล้านเล่มแล้ว

Now when Google digitizes a book, they put it into a really nice format.

โดยทีมงานได้จัดทำหนังสือให้อยู่ในรูปแบบที่ดีมาก

Now we've got the data, plus we have metadata.

ทำให้พวกเรามีข้อมูล รายละเอียดต่างๆ

We have information about things like where was it published,

เช่น ข้อมูลจำพวกสถานที่หรือวันเวลาที่ตีพิมพ์

who was the author, when was it published.

ข้อมูลผู้แต่ง

And what we do is go through all of those records

จากนั้นก็ตรวจสอบมันอย่างละเอียด

and exclude everything that's not the highest quality data.

ทำให้มันสมบูรณ์ที่สุด

What we're left with

และพวกเราก็ได้ผลงาน

is a collection of five million books,

หนังสือห้าล้านกว่่าเล่ม

500 billion words,

หรือคำห้าแสนกว่าล้านคำ

a string of characters a thousand times longer

ตัวอักษรที่เรียงกันเหล่านี้

than the human genome --

ยาวกว่าจีโนมของมนุษย์เราเป็นพันๆเท่า

a text which, when written out,

ตัวหนังสือเหล่านี้เมื่อเรียงกันแล้ว

would stretch from here to the Moon and back

อาจยาวถึงระยะทางไปกลับจากโลกถึงดวงจันทร์

10 times over --

ประมาณ 10 รอบได้

a veritable shard of our cultural genome.

นี่คือเสี้ยวหนึ่งของวัฒนธรรมมนุษย์เรา

Of course what we did

แน่นอนว่าขณะที่พวกเราเจอ

when faced with such outrageous hyperbole ...

สถานการณ์ที่ดูเกินจริงขนาดนี้

(Laughter)

(หัวเราะ)

was what any self-respecting researchers

เป็นสิ่งที่นักวิจัยที่มีความนับถือในตัวเอง

would have done.

เลือกที่จะทำ

We took a page out of XKCD,

พวกเราเหมือนการ์ตูนล้อเลียน

and we said, "Stand back.

และพูดว่า "ถอยไป

We're going to try science."

พวกเราจะใช้วิทยาศาสตร์มาพิสูจน์"

(Laughter)

(หัวเราะ)

JM: Now of course, we were thinking,

JM: ต่อมา พวกเราคิดกันว่า

well let's just first put the data out there

เอาล่ะ พวกเราแยกเรื่องข้อมูล

for people to do science to it.

ให้กับทีมทดลองทางวิทยาศาสตร์ดูแลไปก่อน

Now we're thinking, what data can we release?

และพวกเราก็วางแผนว่า ข้อมูลจำพวกไหนที่เราควรจะนำออกสู่สาธารณะ?

Well of course, you want to take the books

แน่นอนว่า เราอยากจะทำให้ทุกๆคนเข้าถึง

and release the full text of these five million books.

เนื้อหาในหนังสือทั้งหมด

Now Google, and Jon Orwant in particular,

แต่กูเกิล โดยเฉพาะจอน ออร์วอนท์

told us a little equation that we should learn.

ทำให้พวกเราเรียนรู้ว่า

So you have five million, that is, five million authors

ในหนังสือห้าล้านเล่ม หมายถึง นักเขียนห้าล้านคน

and five million plaintiffs is a massive lawsuit.

หรือก็คือโจทก์ที่สามารถฟ้องเราได้ห้าล้านคนเช่นกัน

So, although that would be really, really awesome,

ดังนั้นถึงแม้ว่าสิ่งนี้จะเจ๋งมากถึงมากที่สุด

again, that's extremely, extremely impractical.

แต่มันก็ไม่น่าใช้มากถึงมากที่สุดอยู่ดี

(Laughter)

(หัวเราะ)

Now again, we kind of caved in,

ด้วยเหตุนี้ พวกเราเลยกลับมาคิดทบทวน

and we did the very practical approach, which was a bit less awesome.

แล้วริเริ่มโครงการที่เน้นเรื่องการใช้งาน แต่ลดความเจ๋งลงไปหน่อย

We said, well instead of releasing the full text,

พวกเราคิดว่า แทนที่จะปล่อยตัวหนังสือทั้งหมดออกไป

we're going to release statistics about the books.

ก็ปล่อยเฉพาะสถิติของเนื้อหาที่อยู่หนังสือเหล่านั้น

So take for instance "A gleam of happiness."

ตัวอย่างเช่น "ความ สุข แวว วับ"

It's four words; we call that a four-gram.

4 คำนี้ พวกเราขอเรียกมันว่า "4 gram" นะครับ

We're going to tell you how many times a particular four-gram

พวกเราสามารถบอกคุณได้ว่า คำ 4 gram นี้ปรากฏในหนังสือที่ตีพิมพ์

appeared in books in 1801, 1802, 1803,

ระหว่างปี ค.ศ. 1801, 1802, 1802 จนถึงปีค.ศ 2008

all the way up to 2008.

ทั้งหมดกี่ครั้ง

That gives us a time series

พวกเราสามารถทำความเข้าใจคำๆนั้น

of how frequently this particular sentence was used over time.

จากความถี่ที่ถูกหยิบยกมาใช้ตั้งแต่อดีตจนถึงปัจจุบัน

We do that for all the words and phrases that appear in those books,

พวกเราทำแบบนี้กับคำและวลีทุกๆคำที่ปรากฏอยู่ในหนังสือ

and that gives us a big table of two billion lines

ซึ่งทำให้เราได้ตารางที่ยาวประมาณสองพันล้านบรรทัด

that tell us about the way culture has been changing.

สิ่งเหล่านี้แสดงถึงความเปลี่ยนแปลงทางวัฒนธรรมของมนุษย์

ELA: So those two billion lines,

ELA: สำหรับสองพันล้านบรรทัดเหล่านั้น

we call them two billion n-grams.

เราขอเรียกมันว่าสองพันล้าน n-gram นะครับ

What do they tell us?

มันบอกอะไรเราบ้าง?

Well the individual n-grams measure cultural trends.

เอาล่ะ n-gram ของวลีหนึ่งๆสามารถวัดกระแสทางวัฒนธรรมได้

Let me give you an example.

ขอผมลองยกตัวอย่างให้เห็นภาพนะครับ

Let's suppose that I am thriving,

สมมติว่าผมกำลังประสบความสำเร็จ

then tomorrow I want to tell you about how well I did.

ในวันต่อมาผมอยากเล่าให้่คุณฟังว่าผมทำได้ดีแค่ไหน

And so I might say, "Yesterday, I throve."

ผมจะต้องพูดว่า "Yesterday, I throve"

Alternatively, I could say, "Yesterday, I thrived."

หรือพูดว่า "Yesterday, I thrived"

Well which one should I use?

ทีนี้ผมควรจะใช้คำไหนดีล่ะ?

How to know?

จะรู้ได้อย่างไร?

As of about six months ago,

ถ้าเป็นเมื่อหกเดือนที่แล้ว

the state of the art in this field

หากต้องการทราบข้อมูลเชิงลึกทางด้านนี้

is that you would, for instance,

คุณอาจจะต้องสอบถามผู้เชี่ยวชาญ

go up to the following psychologist with fabulous hair,

ซึ่งก็คือ นักจิตวิทยาที่ทรงผมสวยงามท่านนี้นี่เอง

and you'd say,

คุณอาจถามว่า

"Steve, you're an expert on the irregular verbs.

"คุณสตีฟครับ คุณเป็นผู้เชี่ยวชาญทางด้านกริยา 3 ช่อง

What should I do?"

บอกผมหน่อยว่าควรใช้คำไหน?"

And he'd tell you, "Well most people say thrived,

และเขาอาจจะบอกคุณว่า "อืม คนส่วนใหญ่ใช้ thrived"

but some people say throve."

แต่บางคนก็ใช้ throve"

And you also knew, more or less,

และคุณก็อาจรู้อยู่แล้วว่า

that if you were to go back in time 200 years

หากคุณย้อนกลับไปเมื่อ 200 ปีที่แล้ว

and ask the following statesman with equally fabulous hair,

และถามรัฐบุรุษอีกท่านที่ทรงผมสวยไม่แพ้กัน

(Laughter)

(หัวเราะ)

"Tom, what should I say?"

"คุณทอมครับ ผมควรใช้คำไหนดี?"

He'd say, "Well, in my day, most people throve,

เขาอาจจะบอกว่า "อืม ในยุคที่ผมอยู่ ส่วนใหญ่ใช้ throve

but some thrived."

บางคนใช้ thrived"

So now what I'm just going to show you is raw data.

ทีนี้สิ่งที่ผมจะนำเสนอให้ทุกท่านเห็นก็คือข้อมูลดิบ

Two rows from this table of two billion entries.

กราฟสองเส้นที่เป็นสถิติจากตารางสองพันล้านบรรทัด

What you're seeing is year by year frequency

สิ่งที่คุณเห็นก็คือความถี่ของการใช้คำว่า

of "thrived" and "throve" over time.

"thrived" และ "throve" ที่ผ่านมาปีต่อปี

Now this is just two

ซึ่งนี่เป็นเพียงสอง

out of two billion rows.

ในสองพันล้านบรรทัด

So the entire data set

หมายความว่าข้อมูลทั้งหมด

is a billion times more awesome than this slide.

ก็จะเจ๋งกว่าในสไลด์นี้อีกเป็นพันล้่านเท่า

(Laughter)

(หัวเราะ)

(Applause)

(ปรบมือ)

JM: Now there are many other pictures that are worth 500 billion words.

JM: ตอนนี้ก็จะมีรูปภาพหลายรูปที่สื่อคำกว่าห้าแสนล้านคำ

For instance, this one.

เช่น คำนี้

If you just take influenza,

หากคุณพูดถึงไข้หวัดใหญ่

you will see peaks at the time where you knew

จากจุดสูงสุดในรูปนี้คุณจะสรุปได้ว่า

big flu epidemics were killing people around the globe.

การระบาดได้คร่าชีวิตผู้คนทั่วทุกมุมโลก

ELA: If you were not yet convinced,

ELA: เผื่อคุณยังไม่เชื่อนะครับ

sea levels are rising,

ระดับน้ำทะเลกำลังสูงขึ้น

so is atmospheric CO2 and global temperature.

เช่นเดียวกับก๊่าซคาร์บอนไดออกไซต์และอุณหภูมิของโลก

JM: You might also want to have a look at this particular n-gram,

JM: คุณอาจอยากดู n-gram นี้ประกอบ

and that's to tell Nietzsche that God is not dead,

เพื่อบอก "นิตเช่" ว่าพระเจ้ายังไม่ตาย

although you might agree that he might need a better publicist.

ถึงแม้คุณจะคิดว่าเขาควรมีนักประชาสัมพันธ์ที่ดีกว่านี้

(Laughter)

(หัวเราะ)

ELA: You can get at some pretty abstract concepts with this sort of thing.

ELA: ทุกท่านสามารถได้แนวคิดสรุปได้จากข้อมูลเหล่านี้

For instance, let me tell you the history

เช่น ขอผมเล่าประวัติศาสตร์

of the year 1950.

ของปี ค.ศ. 1950 ก่อน

Pretty much for the vast majority of history,

ปีนี้เป็นปีประวัติศาสตร์ที่คนพูดถึงมากที่สุด

no one gave a damn about 1950.

ทั้งที่ก่อนหน้านั้นไม่มีใครพูดถึงปี ค.ศ.1950 นี้เลย

In 1700, in 1800, in 1900,

ตั้งแต่ปี 1700, 1800, 1900

no one cared.

ไม่มีเลย

Through the 30s and 40s,

ย้อนไปยังปี 1930-1940

no one cared.

ก็ยังไม่เป็นที่กล่าวถึงเช่นกัน

Suddenly, in the mid-40s,

จนกระทั่งในช่วงกลางศตวรรษ 1940

there started to be a buzz.

ทุกคนเริ่มเอ่ยถึงปีนี้

People realized that 1950 was going to happen,

ผู้คนเริ่มตระหนักว่าปี 1950 กำลังจะมา

and it could be big.

และมันจะยิ่งใหญ่มาก

(Laughter)

(หัวเราะ)

But nothing got people interested in 1950

แต่ไม่มีอะไรทำให้ผู้คนสนใจปี 1950

like the year 1950.

เหมือนปี 1950

(Laughter)

(หัวเราะ)

People were walking around obsessed.

ตั้งแต่นั้นมาผู้คนเริ่มหมกหมุ่น

They couldn't stop talking

พวกเขาไม่หยุดเอ่ยถึง

about all the things they did in 1950,

สิ่งที่เกิดขึ้นทั้งหมดในปี 1950

all the things they were planning to do in 1950,

แผนทั้งหมดที่พวกเขาจะทำในปี 1950

all the dreams of what they wanted to accomplish in 1950.

ความฝันทั้งหมดที่พวกเขาอยากทำให้สำเร็จในปี 1950

In fact, 1950 was so fascinating

จริงๆแล้ว ปี 1950 น่าสนใจมาก

that for years thereafter,

หลังจากปีนั้น

people just kept talking about all the amazing things that happened,

ผู้คนก็พูดถึงแต่สิ่งอัศจรรย์ที่เกิดขึ้น

in '51, '52, '53.

ในปี 51 52 53

Finally in 1954,

และสุดท้ายปี 1954

someone woke up and realized

อยู่ๆก็มีใครซักคนตื่นขึ้นมาและตระหนักว่า

that 1950 had gotten somewhat passé.

เหตุการณ์ 1950 ได้ผ่านพ้นไปแล้ว

(Laughter)

(หัวเราะ)

And just like that, the bubble burst.

และฟองสบู่่ก็แตก ณ ปีนั้นเอง

(Laughter)

(หัวเราะ)

And the story of 1950

และเรื่องราวของปี 1950

is the story of every year that we have on record,

ก็เป็นเรื่องราวที่ได้รับการบันทึกเพิ่มเข้าไปทุกๆปี

with a little twist, because now we've got these nice charts.

แม้จะมีหักมุมเล็กน้อย แต่ตารางก็ดูดีทีเดียว

And because we have these nice charts, we can measure things.

และเพราะพวกเรามีกราฟที่สวยแบบนี้ เราถึงสามารถคำนวนเรื่องราวได้

We can say, "Well how fast does the bubble burst?"

เราบอกได้ว่า "ฟองสบู่แตกเร็วแค่ไหน?"

And it turns out that we can measure that very precisely.

กลายเป็นว่าพวกเราสามารถวัดมันได้อย่างแม่นยำ

Equations were derived, graphs were produced,

แก้ปัญหาได้ตรงจุด สร้างกราฟขึ้นมา

and the net result

และผลลัพธ์ก็คือ

is that we find that the bubble bursts faster and faster

พวกเราเรียนรู้ว่ายิ่งนานวันฟองสบู่

with each passing year.

ก็ยิ่งแตกเร็วขึ้น

We are losing interest in the past more rapidly.

พวกเราหยุดสนใจในประเด็นต่างๆเร็วกว่าเมื่อก่อน

JM: Now a little piece of career advice.

JM: ต่อมา ผมขอแนะนำเรื่องการงานซักหน่อย

So for those of you who seek to be famous,

สำหรับคนที่อยากมีชื่อเสียงนะครับ

we can learn from the 25 most famous political figures,

ผมได้แนวคิดนี้มาจากข้อมูลของนักการเมือง นักเขียน นักแสดงและอาชีพอื่นๆ

authors, actors and so on.

ที่มีชื่อเสียงทั้ง 25 ท่านนี้นะครับ

So if you want to become famous early on, you should be an actor,

หากคุณอยากดังตอนอายุน้อย คุณควรจะเป็นนักแสดง

because then fame starts rising by the end of your 20s --

เพราะความดังจะเพิ่มขึ้นช่วงปลายอายุ 20

you're still young, it's really great.

เพราะคุณยังหนุ่มยังสาวอยู่

Now if you can wait a little bit, you should be an author,

หากคุณรออีกหน่อย คุณก็ยังเป็นนักเขียนได้

because then you rise to very great heights,

เพราะคุณสามารถไต่เต้าไปได้อีกเยอะ

like Mark Twain, for instance: extremely famous.

อย่างคุณ มาร์ค ทเวน ดังมากเลยครับ

But if you want to reach the very top,

แต่่หากคุณอยากไต่เต้าไปถึงจุดสูงสุด

you should delay gratification

คุณควรจะยืดเวลานานอีกซักช่วงหนึ่ง

and, of course, become a politician.

เพื่อก้าวไปเป็นนักการเมือง

So here you will become famous by the end of your 50s,

ฉะนั้น คุณก็จะมีชื่อเสียงมากในช่วงปลายอายุ 50

and become very, very famous afterward.

และจะโด่งดังมากหลังจากนั้น

So scientists also tend to get famous when they're much older.

เช่นเดียวกับนักวิทยาศาสตร์ที่มีแนวโน้มจะมีชื่อเสียงตอนอายุมากแล้ว

Like for instance, biologists and physics

ส่วนนักชีววิทยา นักฟิสิกส์

tend to be almost as famous as actors.

แนวโน้มที่จะโด่งดังเทียบเท่ากับนักแสดง

One mistake you should not do is become a mathematician.

หนึ่งในอาชีพที่ไม่ควรทำก็คือ นักคณิตศาสตร์

(Laughter)

(หัวเราะ)

If you do that,

คุณอาจจะมุ่งมั่น

you might think, "Oh great. I'm going to do my best work when I'm in my 20s."

และคิดในใจว่า "ฉันจะทำให้ดีที่สุดตอนอายุ 20 ต้นๆ"

But guess what, nobody will really care.

แต่เชื่อเถอะ ไม่มีใครสนใจหรอก

(Laughter)

(หัวเราะ)

ELA: There are more sobering notes

ELA: ในข้อมูลของเรา

among the n-grams.

ยังมี n-gram ที่น่าสนใจกว่านั้น

For instance, here's the trajectory of Marc Chagall,

เช่น กรณีของ มาร์ค ชาร์กาล

an artist born in 1887.

นักศิลปะที่เกิดในปี 1887

And this looks like the normal trajectory of a famous person.

ดูเผินๆเขาก็เหมือนกับคนดังทั่วๆไป

He gets more and more and more famous,

เขาโด่งดังขึ้นมาเรื่อยๆเลยครับ

except if you look in German.

ยกเว้นในเยอรมัน

If you look in German, you see something completely bizarre,

หากคุณดูข้อมูลในเยอรมัน คุณจะสังเกตเห็นอะไรบางอย่าง

something you pretty much never see,

บางอย่างที่คุณไม่เคยเห็น

which is he becomes extremely famous

นั่นคือ เขาโด่งดัังมาก

and then all of a sudden plummets,

แล้วความโด่งดังก็ฮวบตกลงอย่างรวดเร็ว

going through a nadir between 1933 and 1945,

โดยจุดต่ำสุดอยู่ระหว่างปี 1933 ถึง 1945

before rebounding afterward.

และหลังจากนั้นก็กลับขึ้นมาใหม่

And of course, what we're seeing

และสิ่งที่พวกเราพบก็คือ

is the fact Marc Chagall was a Jewish artist

จริงๆแล้ว มาร์ค ชาร์กาล เป็นนักศิลปะชาวยิว

in Nazi Germany.

ในนาซีเยอรมัน

Now these signals

ความผิดปกติเหล่านี้

are actually so strong

ค่อนข้างเห็นได้ชัด

that we don't need to know that someone was censored.

พวกเราไม่จำเป็นต้องรู้มาก่อนว่าใครถูกเซ็นเซอร์

We can actually figure it out

เราสามารถสรุปได้จาก

using really basic signal processing.

ความผิดปกติพื้นฐานเหล่านี้

Here's a simple way to do it.

ซึ่งก็เป็นวิธีที่ง่ายมาก

Well, a reasonable expectation

เอาล่ะครับ ความคาดหวังที่เป็นเหตุเป็นผล

is that somebody's fame in a given period of time

ก็คือชื่อเสียงของใครบางคนในช่วงเวลาหนึ่งๆ

should be roughly the average of their fame before

ไม่ควรจะต่างจากช่วงก่อนหน้าหรือ

and their fame after.

หลังจากนั้นมาก

So that's sort of what we expect.

และนั่นเป็นสิ่งที่พวกเราหวังไว้

And we compare that to the fame that we observe.

และเราได้ลองเปรียบเทียบคนที่พวกเราเฝ้าสังเกตการณ์

And we just divide one by the other

ลองแยกแยะข้อมูลอย่างละเอียด

to produce something we call a suppression index.

เพื่อยกประเด็นที่เราเรียกว่า "ดัชนีความต่าง"

If the suppression index is very, very, very small,

เมื่อไหร่ที่ดัชนีตัวนั้นอยู่ต่ำมากๆ

then you very well might be being suppressed.

หมายความว่าคุณอาจถูกเซ็นเซอร์ไว้

If it's very large, maybe you're benefiting from propaganda.

และเมื่อไหร่ที่มันสูงเกิน หมายถึงคุณอาจได้รับการประชาสัมพันธ์

JM: Now you can actually look at

JM: จนถึงขณะนี้เชื่อว่่าคุณอาจรู้แล้ว

the distribution of suppression indexes over whole populations.

การกระจายอยู่ของดัชนีความต่างของประชากร

So for instance, here --

ตัวอย่างเช่น ในนี้

this suppression index is for 5,000 people

ดัชนีนี้เป็นความต่างของผู้คน 5,000 คน

picked in English books where there's no known suppression --

ที่หยิบยกมาจากหนังสืออังกฤษที่ไม่ได้ถูกเซ็นเซอร์ใดๆ

it would be like this, basically tightly centered on one.

จะอยู่ในแบบที่เกาะกลุ่มเหนียวแน่นตรงกลาง

What you expect is basically what you observe.

สิ่งที่ึคุณคาดหวังไว้จะเป็นสิ่งที่คุณสังเกตการณ์

This is distribution as seen in Germany --

นี่เป็นการกระจายตัวในหนังสือเยอรมัน

very different, it's shifted to the left.

ต่างกันมาก มันโอนเอียงไปทางซ้าย

People talked about it twice less as it should have been.

ผู้คนเอ่ยถึงมันน้้อยกว่าที่เป็นอยู่ประมาณ 2 เท่า

But much more importantly, the distribution is much wider.

แต่ที่สำคัญกว่านั้นคือ การกระจายออกเป็นวงกว้าง

There are many people who end up on the far left on this distribution

มีผู้คนจำนวนไม่น้อยที่ประจำอยู่ฝั่งซ้ายมือ

who are talked about 10 times fewer than they should have been.

ถูกพูดถึงน้อยกว่าที่ควรจะเป็นกว่าสิบเท่า

But then also many people on the far right

แต่ผู้คนทางฝั่งขวามือ

who seem to benefit from propaganda.

มีแนวโน้มจะได้ประโยชน์จากการประชาสัมพันธ์

This picture is the hallmark of censorship in the book record.

ภาพนี้เป็นรูปแบบเซ็นเซอร์มาตรฐานในสถิติเรา

ELA: So culturomics

ELA: ฉะนั้นวัฒนธรรมศาสตร์

is what we call this method.

ก็คือชื่อที่เราใช้เรียกวิธีนี้

It's kind of like genomics.

คล้ายๆกับจีโนมศาสตร์

Except genomics is a lens on biology

ต่างกันแค่จีโนมศาสตร์เป็นมุมมองของศาสตร์ชีววิทยา

through the window of the sequence of bases in the human genome.

ในโลกที่เป็นผลจากพื้นฐานของจีโนมมนุษย์

Culturomics is similar.

วัฒนธรรมศาสตร์ก็คล้ายๆกัน

It's the application of massive-scale data collection analysis

มันเป็นโปรแกรมวิเคราะห์ชุดข้อมูลขนาดใหญ่

to the study of human culture.

ที่ใช้ศึกษาวัฒนธรรมมนุษย์

Here, instead of through the lens of a genome,

แทนที่จะเป็นมุมมองทางฝั่งจีโนม

through the lens of digitized pieces of the historical record.

แต่เป็นมุมมองจากข้อมูลบันทึกประวัติศาสตร์ดิจิทัล

The great thing about culturomics

วัฒนธรรมศาสตร์ดีตรงที่

is that everyone can do it.

ทุกๆคนสามารถลงมือทำได้เอง

Why can everyone do it?

ทำไมทุกคนถึงทำได้น่ะหรือ?

Everyone can do it because three guys,

ก็เพราะชายสามคนนี้

Jon Orwant, Matt Gray and Will Brockman over at Google,

"จอน ออร์วอนท์" "แมต เกรย์" และ "วิลล์ บร๊อคแมน" จากกูเกิล

saw the prototype of the Ngram Viewer,

ได้เล็งเห็นประโยชน์ของตัวช่วย Ngram Viewer

and they said, "This is so fun.

และพวกเขาเห็นตรงกันว่า "มันสนุกสุดยอด

We have to make this available for people."

พวกเราต้องทำให้ทุกคนได้ลองใช้บ้าง"

So in two weeks flat -- the two weeks before our paper came out --

จากนั้นมาสองอาทิตย์ ก่อนที่จะทำรายงานเสร็จ

they coded up a version of the Ngram Viewer for the general public.

พวกเขาเขียนเว็ป Ngram Viewer ในแบบที่ใครก็เข้าใช้ได้

And so you too can type in any word or phrase that you're interested in

ฉะนั้นคุณสามารถพิมพ์คำหรือวลีใดๆก็ได้ที่คุณสนใจ

and see its n-gram immediately --

และสำรวจ N-gram ของมันได้ทันที

also browse examples of all the various books

และสามารถเปิดตัวอย่างของหนังสือทั้งหลาย

in which your n-gram appears.

ที่มี n-gram ปรากฏอยู่

JM: Now this was used over a million times on the first day,

JM: ฟังค์ชั่นนี้ถูกใช้เป็นล้านครั้งในวันเปิดตัว

and this is really the best of all the queries.

และตัวอย่างนี้ถือเป็นหนึ่งในจำนวนคำค้นที่ดีที่สุด

So people want to be their best, put their best foot forward.

ผู้คนอยากทำตัวเองให้ดีที่สุด เริ่มต้นจากสิ่งดีที่สุด

But it turns out in the 18th century, people didn't really care about that at all.

แต่สำหรับศตวรรษที่ 18 กลับไม่มีใครสนใจคำๆนี้เท่าไหร่

They didn't want to be their best, they wanted to be their beft.

พวกเขาไม่ได้อยาก "Best" ที่สุด พวกเขาอยาก "Beft" ที่สุด

So what happened is, of course, this is just a mistake.

สิ่งที่เกิดขึ้นก็คือ แน่นอนว่ามันเป็นเพียงแค่ความผิดเล็กๆน้อยๆ

It's not that strove for mediocrity,

ไม่ใช่ความอยากโดดเด่น

it's just that the S used to be written differently, kind of like an F.

เป็นแค่การเขียนตัว S อีกแบบที่คล้ายกับตัว F

Now of course, Google didn't pick this up at the time,

แต่สำหรับตอนนี้ กูเกิลยังไม่หยิบยกตัวนี้ขึ้นมาจริงจัง

so we reported this in the science article that we wrote.

แต่พวกเราได้รายงานเรื่องนี้ในบทความที่พวกเราเขียนขึ้น

But it turns out this is just a reminder

เพื่อเตือนตัวเองเท่านั้น

that, although this is a lot of fun,

ถึงแม้ว่ามันจะสนุกมากก็ตาม

when you interpret these graphs, you have to be very careful,

แต่ตอนที่คุณแปลกราฟเหล่านี้ออกมา คุณต้องระวังให้มาก

and you have to adopt the base standards in the sciences.

และใช้วิทยาศาสตร์เป็นพื้นฐาน

ELA: People have been using this for all kinds of fun purposes.

ELA: ผู้คนใช้สิ่งนี้เล่นสนุกในรูปแบบต่างๆ

(Laughter)

(หัวเราะ)

Actually, we're not going to have to talk,

จริงๆแล้วพวกเราแทบไม่ต้องพูดเลย

we're just going to show you all the slides and remain silent.

แค่โชว์สไลด์เหล่านี้แล้วอยู่กันเงียบๆ

This person was interested in the history of frustration.

คนๆนี้สนใจเรื่องประวัติศาสตร์ของความไม่พอใจ

There's various types of frustration.

ความไม่พอใจมีหลากหลายประเภท

If you stub your toe, that's a one A "argh."

หากคุณเดินสะดุด จะอุทานออกมาเป็น "อา" สระ "า" ตัวเดียว

If the planet Earth is annihilated by the Vogons

แต่ถ้าโลกกำลังจะถูกเอเลี่ยนโวกอนทำลาย

to make room for an interstellar bypass,

เพื่อเว้นความห่างระหว่างดวงดาว

that's an eight A "aaaaaaaargh."

คุณจะอุทานเป็น "อาาาาาาาา" สระ "า" 8 ตัว

This person studies all the "arghs,"

คนๆนี้ศึกษาเกี่ยวกับ "อา" ทั้งหลาย

from one through eight A's.

ตั้งแต่ "า" หนึ่งตัวจนถึงแปดตัว

And it turns out

ได้ความว่า

that the less-frequent "arghs"

"อา" ที่ความถี่ที่น้อยกว่า

are, of course, the ones that correspond to things that are more frustrating --

จะเป็นเหตุการณ์ที่กดดันกว่า

except, oddly, in the early 80s.

ยกเว้นในช่วงต้นศตวรรษ 1980

We think that might have something to do with Reagan.

พวกเราคิดว่าเรแกนจะต้องมีเอี่ยวกับข้อมูลนี้แน่ๆ

(Laughter)

(หัวเราะ)

JM: There are many usages of this data,

JM: มีการใช้ข้อมูลนี้ไม่น้อยทีเดียว

but the bottom line is that the historical record is being digitized.

สรุปแล้วตอนนี้ประวัติศาสตร์ได้บันทึกอยู่ในโลกดิจิทัลแล้ว

Google has started to digitize 15 million books.

กูเกิลได้เริ่มทำหนังสือเป็นดิจิทัลประมาณ 15 ล้านเล่ม

That's 12 percent of all the books that have ever been published.

ซึ่งเป็นเพียง 12 เปอร์เซนต์ของหนังสือทั้งหมดที่เคยตีพิมพ์

It's a sizable chunk of human culture.

เป็นเพียงเสี้ยวหนึ่งของวัฒนธรรมมนุษย์เท่านั้น

There's much more in culture: there's manuscripts, there newspapers,

ในวัฒนธรรมเรายังมีอีกมากมายกว่านี้ ไหนจะมีหนังสือที่เขียนด้วยลายมืออีก ไหนจะหนังสือพิมพ์

there's things that are not text, like art and paintings.

หรือพวกที่ไม่ได้อยู่ในรูปแบบตัวหนังสือ เช่น ศิลปะและรูปภาพต่างๆ

These all happen to be on our computers,

สิ่งเหล่านี้จะเกิดขึ้นบนคอมพิวเตอร์ของพวกเรา

on computers across the world.

คอมพิวเตอร์จากทั่วทุกมุมโลก

And when that happens, that will transform the way we have

และเมื่อมันเกิดขึ้นแล้ว มันจะเปลี่ยนแปลงรูปแบบที่เราเคย

to understand our past, our present and human culture.

ทำความเข้าใจวัฒนธรรมมนุษย์ในอดีต ปัจจุบัน และอนาคต

Thank you very much.

ขอบคุณมากครับ

(Applause)

(ปรบมือ)