A kulturomika-projekt: 500 milliárd szó digitális kutatása
Eddig ismeretlen új oktatási és kutatási lehetőségeket nyit meg a Google csendben kiépült és ma már 5,2 millió digitalizált kötetett tartalmazó, elektronikusan kutatható világkönyvtára.
A digitális kultúratárban egy külön program révén ugyanis az egyes szavakra és kifejezésekre, illetve évenkénti előfordulási számukra is rá lehet keresni. Először nyílik ilyen kutatási távlat a tudósok, a diákok és bárki más számára. Ez azért fontos, mert az 1500 és 2008 között megjelent angol, francia, spanyol, német, kínai és orosz nyelvű kötetekből a Google által digitálisan már feldolgozott rész összesen 500 milliárd szót tartalmaz.
Elsősorban a tudomány embereit fogja mozgósítani ez a csábítás, de egy egyszerű online eszköz (http://ngrams.googlelabs.com/) bármely számítógép-tulajdonos számára is lehetővé teszi, hogy egy-egy szó vagy legfeljebb ötszavas kifejezés gyakoriságát kutassa a több mint ötmillió kötetben – tűnik ki a The New York Times egyik írásából.
Így például össze lehet hasonlítani, milyen gyakran szerepelt a nők (women) kifejezés a férfiak (men) szóhoz képest az idők során. Kitűnik: a nőket nem nagyon emlegették az 1970-es évek kezdetéig, amikor végül teret nyert a feminizmus. A két görbe 1986-ban keresztezte egymást.
Kideríthető, hogy Jimmy Carter elnököt egy időben Miki egérnél vagy Marilyn Monroe-nál is gyakrabban emlegették; vagy hogy 1989 után angolul jóval többször említették a Tienanmen-teret, mint kínaiul; de az is, hogy miként változott a hétköznapi szóhasználat.
„Ezzel a módszerrel akár egy nyolcéves gyerek is felmérheti, miként alakultak a kulturális trendek, divatok az évszázadok során" – magyarázta Erez Lieberman Aiden fiatal harvardi kutató. Az egyetemen ő és Jean-Baptiste Michel, egy másik szakember dolgozta ki a Google céggel együtt a digitális módszert a nyelv, a kultúra és az eszmék változásainak tanulmányozására és megértésére.
A Journal of Science hasábjain a páros külön közleményben írta le tapasztalatait, és a folyóirat, tekintettel a téma jelentőségére, a világhálón is közzétette a cikket.
Lieberman Aiden az alkalmazott matematika és a genomika (genomics), vagyis a gének által tárolt információk tudományának szakértője. A Google digitális könyvtárában tárolt adatok feldolgozásának „felturbózott elemzése", amelyre az általa „kulturomikának" (culturomics) nevezett kutatási módszer alkalmas, számtalan új lehetőséget nyit a humán tudományokban. A szakértők letölthetik a grafikonok alapjául szolgáló adatokat és így felépíthetik saját adatbázisukat is a kiválasztott kutatási témában.
Egy 1800-ig visszanyúló, a héber nyelvet is magában foglaló adatbázis alapján a kutatók példának okáért azt vizsgálták, hogy mennyi ideig tart a világhír. Azt tapasztalták, hogy a hírességek írásos említése a 20. század közepén kétszer olyan gyorsan csökkent, mint a 19. század elején. Kivetítve a tendenciát ironikusan megjegyezték, a jövőben átlagosan mindenki 7 és fél percig lesz csak divatban.
Másfelől úgy találták, hogy míg a 19. század elején a találmányok 66 év alatt váltak ismertebbé a szélesebb kultúrában, 1880 és 1920 között ez az idő már 27 évre rövidült.
A rendhagyó igék kutatásától a digitális kulturtár elemzéséig
Steven Pinker harvardi nyelvész 20 éven át tanulmányozta a múlt idő igeragozási formáit. Meggyőződése szerint az új eszköz sokkal teljesebb és meggyőzőbb eredményeket szolgáltathat, és a mennyiségi előfordulásokra alapozott vizsgálatoktól való korábbi idegenkedés ellenére általánossá válhat.
Más humán kutatási szakértők viszont fenntartásokat hangoztattak. Louis Menand, az angol nyelv egyik harvardi professzora szerint a módszer ugyan hasznos lehet, főleg a nyelvészek számára, de a kultúrtörténet kutatását illetően „talán kissé eltúlozzák" a jelentőségét. Hiányolta, hogy a projekt kidolgozásában csak informatikusok vettek részt, humán kutatók nem.
Alan Brinkley történész professzor ugyan elképzelhetőnek tart érdekes alkalmazásokat, de csak találgatni tudja, milyen téren. Michel és Lieberman Aiden ezekre az ellenvetésekre azzal válaszol, hogy a kulturomika egyszerűen csak információkat szolgáltat – a lényeg ezek értelmezése lesz. „Mi az asztalra teszünk egy csomó érdekes adatot és megkérdezzük: hogyan értelmezik őket" – mondja Lieberman Aiden.
A páros 2004-ben a rendhagyó igéket kezdte kutatni. A Google digitális könyvtára akkor még nem létezett, így oldalról oldalra vizsgáltak angol szövegeket – 18 hónapon át, anélkül hogy sejtették volna, sikerül-e a fárasztó munkával kimutatni valamilyen összefüggést. Amikor értesültek a Google könyvtártervéről, azonnal felvetették Peter Norvignak, a cég kutatási igazgatójának, hogy a könyvek digitalizálásával létrejövő adattömeget statisztikai elemzésekre is fel kellene használni.
„Norvig felismerte, milyen nagy lehetőséget nyújt a módszer a Google és a tudomány számára. Ezután négy éven át dolgoztunk a projekt során felmerült problémák, többek között szerzői jogi és számítástechnikai kérdések megoldásán." A Google szerint a kulturomika-projekt nem érinti a szerzői jogot, mivel a kutatott szöveget nem lehet elolvasni, csak az előfordulások gyakoriságát lehet kimutatni.
A Google eddig a megjelent könyvek 11 százalékát digitalizálta. A Science cikkéhez elemzett anyag a teljes könyvtári szómennyiség 4 százaléka. A kulturális utalások jóval ritkábbak a nyomtatott szövegben, mint a mindennapi szavak – hangoztatja Jean-Baptiste Michel, aki biológiai matematikával és rendszerekkel foglalkozik. Ezért pontos felmérésükhöz, mondjuk annak megállapításához, hogy egy bizonyos majomfajta fogalma mennyire válik ismertté, legalább évi egymilliárd szót kell átvizsgálni.
A kulturomika (culturomics) fogalmának terjedését talán 20 év múlva lesz érdemes kimutatni. Csak be kell majd írni az adatbázis akkori, naprakész változatába.