211service.com
Mēs esam Vārdi
Izmantojot genomikas metodes, pētnieku komanda ir izstrādājusi rīku, kas nodrošina kvantitatīvus datus par kultūras izmaiņām laika gaitā. Genomikas pētījumos tiek analizēts milzīgs datu apjoms, lai izpētītu, kā gēni darbojas un mainās; jaunais rīks izmanto liela mēroga pieeju, lai pētītu vārdu lietošanas biežumu laika gaitā.
Pieejai ir jēga, ja vārdus uzskata par kultūras vienību, saka Erezs Lībermans Aidens, viens no projekta vadītājiem. Viņš saka, ka genomā ir pārmantojama informācija, kas tiek nodota no paaudzes paaudzē. Arī vārdi, ko lietojam, grāmatās, ko rakstām, tiek nodoti no paaudzes paaudzē.
Lībermans Eidens un Žans Batists Mišels , gan Hārvardā Programma evolūcijas dinamikai , vadīja projektu, ko viņi nosaukuši par kulturomiku — kultūru un genomiku apvienojošu portatīvu. Pirmais viņu darba auglis bija milzīga datubāze ar vārdiem aptuveni 5,2 miljonos grāmatu, kas tika izdotas laikā no 1800. līdz 2000. gadam — aptuveni četri procenti no visām publicētajām grāmatām. Tie tika iegūti no Google grāmatu projekta, kura bibliotēkā ir 15 miljoni grāmatu.
Šodienas žurnāla numurā Zinātne, pētnieki iepazīstina ar savu projektu kopā ar dažiem pirmajiem rezultātiem, ko viņi ir ieguvuši no datiem. Saistībā ar publikāciju Google izlaiž lietojumprogrammu (pie www.culturomics.org ), kas ļauj ikvienam piekļūt un analizēt pabeigto datu bāzi, kas ietver 2 miljardus vārdu un frāžu.
Pētnieki saka, ka, izsekojot vārdu lietošanas biežumu, sociālie zinātnieki, datorzinātnieki un matemātiķi var novērot kultūras tendenču rašanos un attīstību laika gaitā. Šo rīku var izmantot, lai izveidotu kultūras laika grafikus, parādot tapas un ielejas, kas atbilst intensīvam un vājam konkrētu vārdu lietojumam.
Apspiešana, piemēram, atstāj pēdas kultūras vēsturē. Vācu valodā izdotajās nacistu cenzūras laikā no 1936. līdz 1944. gadam izdotajās grāmatās gandrīz nav pieminēti daži mākslinieki un filozofi, kuru vārdi bija izplatīti pirms un pēc šī perioda.
Analīzes arī identificēja vārdus, kas pastāvēja publicētajās grāmatās, bet kuriem nebija vietas vārdnīcās, tostarp izžūšanu (reģiona izžūšanu) un dzēšamus. Šie nesaistītie vārdi nav izņēmums: kad pētnieki apkopoja visus vārdus angļu valodas leksikā, viņi saskaitīja vairāk nekā miljonu — divreiz vairāk nekā lielajās mūsdienu vārdnīcās. ( Oksfordas angļu vārdnīca Piemēram, ir mazāk nekā 500 000 ierakstu.)
Lībermans Aidens saka, ka cer, ka daudzu disciplīnu pētnieki atradīs jaunus veidus, kā izmantot datus. Tas ir vēl viens humānistu rīcībā esošais instruments, lai gūtu ieskatu un atbildētu uz jautājumiem par cilvēka dabu.
Viņš un Mišels sāka nopietni strādāt pie projekta 2007. gadā. Ne visas Google digitālajā bibliotēkā esošās grāmatas ir publiskajā īpašumā, tāpēc pētniekiem bija jāuzmanās, lai nepārkāptu autortiesību likumu. Būtībā viņi izņēma vārdus no grāmatu konteksta, vienlaikus saglabājot neskartus metadatus, piemēram, publicēšanas datumu, un sakārtoja vārdus milzīgā biežuma tabulā.
Viņi izmantoja filtrus, lai padarītu savu datu kopu pēc iespējas precīzāku, izslēdzot, piemēram, grāmatas ar nepareiziem izdošanas datumiem vai grāmatas, kuru teksts bija slikti pārrakstīts ar optisko rakstzīmju atpazīšanas programmatūru. Pēc filtrēšanas viņiem palika 5 195 769 grāmatas, kurās bija vairāk nekā 500 miljardu vārdu garš teksts. Apmēram 72 procenti no tiem ir angļu valodas vārdi.
Intensīvie aprēķini, kas nepieciešami, lai sašaurinātu šo datu kopu vienā, pamatojoties uz katra vārda biežumu, tika sadalīti vairākās Google iekārtās un ātri pabeigti.
Jons Kleinbergs , datorzinātnieks no Kornela universitātes, saka, ka vārdu biežums var būt spēcīgs kvantitatīvs instruments, lai noteiktu kultūras tendences. Viņš saka, ka atsevišķu vārdu uzvedības skatīšanās bieži var būt spēcīgs pirmais parādības rādītājs laika gaitā. Tomēr skenētie materiāli ir tikai sākums. Citi digitālie teksti nodrošina bagātīgus avotus kultūras informācijas kvantitatīvai izpētei. Piemēram, Google meklēšanas vienumu analīze var atklāt, kas interesē cilvēkus. Vai arī liela mēroga Facebook atjauninājumu izpēte var kalpot kā reāllaika pulsa pārbaude masām.
Viņš saka, ka mēs redzam lietas, kas nekad iepriekš netika pierakstītas. Pakalpojumos Twitter vai Facebook miljoniem cilvēku saka: 'Es jūtos laimīgs' vai 'Es jūtos skumjš.' Kur līdz pēdējiem 10 gadiem varējāt atrast miljoniem cilvēku, kas pieraksta savas jūtas?