211service.com
Vi er ordene
Med udgangspunkt i genomikkens teknikker har et team af forskere udtænkt et værktøj, der leverer kvantitative data om, hvordan kultur ændrer sig over tid. Genomisk forskning analyserer enorme mængder data for at studere, hvordan gener fungerer og ændrer sig; det nye værktøj tager en storstilet tilgang til at studere hyppigheden af ordbrug over tid.
Tilgangen giver mening, hvis ord betragtes som en kulturenhed, siger Erez Lieberman Aiden, en af projektets ledere. Genomet indeholder arvelig information, der går fra generation til generation, siger han. De ord, vi bruger, i de bøger, vi skriver, går også videre fra generation til generation.
Lieberman Aiden og Jean-Baptiste Michel , begge på Harvard's Program for evolutionær dynamik , ledede projektet, som de har døbt culturomics - et portmanteau, der kombinerer kultur og genomik. Den første frugt af deres arbejde var en mastodont database med ordene i omkring 5,2 millioner bøger udgivet mellem 1800 og 2000 - omkring fire procent af alle udgivne bøger. Disse kom fra Google Books-projektet, hvis bibliotek indeholder 15 millioner bøger.
I dagens udgave af tidsskriftet Videnskab, forskerne præsenterer deres projekt sammen med nogle af de første resultater, de har udledt af dataene. I forbindelse med udgivelsen udruller Google en applikation (kl www.culturomics.org ), der giver enhver mulighed for at få adgang til og analysere den færdige database, som omfatter 2 milliarder ord og sætninger.
Forskerne siger, at ved at spore hyppigheden af ordbrug kan samfundsforskere, dataloger og matematikere observere fremkomsten og udviklingen af kulturelle tendenser over tid. Værktøjet kan bruges til at skabe tidslinjer for kultur, der viser pigge og dale svarende til tung og sparsom brug af bestemte ord.
Undertrykkelse sætter for eksempel præg på kulturhistorien. Tysksprogede bøger udgivet under nazistisk censur mellem 1936 og 1944 nævner knap visse kunstnere og filosoffer, hvis navne var almindelige før og efter den periode.
Analyserne identificerede også ord, der fandtes i udgivne bøger, men som ikke havde hjemme i ordbøgerne, inklusive tørrelse (udtørring af en region) og slettede. Disse ubundne ord er ingen undtagelse: Da forskerne samlede alle ordene i det engelske leksikon, talte de mere end en million - dobbelt så mange som i store moderne ordbøger. (Det Oxford engelsk ordbog har for eksempel færre end 500.000 poster.)
Lieberman Aiden siger, at han håber, at forskere fra mange discipliner vil finde nye måder at udnytte dataene på. Det er endnu et værktøj til rådighed for humanister til at indsamle indsigt og besvare spørgsmål om menneskets natur.
Han og Michel begyndte at arbejde seriøst på projektet i 2007. Ikke alle bøgerne i Googles digitale bibliotek er i det offentlige domæne, så forskerne skulle passe på ikke at overtræde loven om ophavsret. I det væsentlige fjernede de ordene fra konteksten af bøgerne - mens de holdt metadata som udgivelsesdato intakt - og organiserede ordene i en enorm frekvenstabel.
De anvendte filtre for at gøre deres datasæt så nøjagtige som muligt, idet de lugede ud for for eksempel bøger med forkerte udgivelsesdatoer eller dem, hvis tekst var dårligt transskriberet af software til optisk tegngenkendelse. Efter filtrering stod de tilbage med 5.195.769 bøger, der indeholdt tekst på mere end 500 milliarder ord i længden. Omkring 72 procent af disse er engelske ord.
De intensive beregninger, der krævedes for at indsnævre dette datasæt til ét baseret på frekvensen af hvert ord, blev fordelt over flere maskiner hos Google og afsluttet hurtigt.
Jon Kleinberg , en datalog ved Cornell University, siger, at ordfrekvens kan være et kraftfuldt kvantitativt værktøj til at identificere tendenser i kultur. At se på individuelle ords adfærd kan ofte være en stærk første indikator for et fænomen over tid, siger han. Scannede materialer er dog kun begyndelsen. Andre digitale tekster giver rige kilder til den kvantitative undersøgelse af kulturel information. For eksempel kan analysen af Googles søgetermer afsløre, hvad der interesserer folk. Eller en storstilet undersøgelse af Facebook-opdateringer kan tjene som et pulstjek i realtid på masserne.
Vi ser ting, der aldrig er skrevet ned før, siger han. På Twitter eller Facebook siger millioner af mennesker 'Jeg føler mig glad' eller 'Jeg føler mig ked af det.' Hvor kunne du indtil de sidste 10 år have fundet millioner af mennesker, der skrev deres følelser ned?