Az interneten lévő szöveges tartalom nagy részében könnyen kereshetünk szavakat, neveket, szókapcsolatokat, újabban pedig már komolyabb összefüggéseket, trendeket is. Az emberiség által létrehozott tartalom jelentős része azonban egyelőre nem digitalizált: főleg a könyvekről, a Gutenberg-galaxisról van szó. Nem kell különösebben ecsetelni, miért lenne fantasztikus lehetőség ebben is könnyen keresni.

A Harvard Egyetem kutatói - a Google és az Encyclopedia Britannica szakembereivel összefogva - megtették az első nagy lépést ezen az úton. Több mint ötmillió, az 1800-as évek eleje óta megjelent könyv tartalmát, körülbelül 500 milliárd szót tettek kereshetővé. Ez a mennyiség a valaha kiadott összes könyv körülbelül 4%-át jelenti, és a kutatók szerint már elég nagy adatbázis ahhoz, hogy olyan módszerekkel lehessen elemezni, mint ahogyan például az ember genetikai anyagát (genomját) elemzik. Ezért a "kulturális genom" és "kulturomika" (culturomics) szavakat is használják, a genomika példájára (az "omikákról" lásd keretes írásunkat).

Az emberiségnek e hatalmas "kulturális lenyomatában" szépen követhető, mikor és milyen intenzitással bukkannak fel nevek és kifejezések, azaz kiről (miről), mikor és mennyit írtak a múltban a könyvek lapjain. "A program jelentőségét az adja, hogy ez az első eset, amikor az emberiség számára fontos kérdések sokaságát tehetjük fel mennyiségi megközelítéssel" - mondta az [origo]-nak Erez Lieberman-Aiden, a Harvard Egyetem matematikus-biomérnöke. Az egyik nagyszülői ágon magyar származású szakember Jean-Baptiste Michellel együtt vezeti azt a csoportot, amely az ötletből egy hatalmas adatbázist és egy kifinomult elemzési módszert fejlesztett. Eközben azt a problémát is meg kellett oldaniuk, hogy az 500 milliárd szóból álló, időbeli felbontással bíró adatbázis ne sértse meg a szerzői jogokat, és ki kellett szűrniük a hibás metaadatokkal (például a megjelenés éve) rendelkező könyveket például a Google Books-ban.

Megnéztünk néhány magyar nevet

A munkát 2008-ban kezdték, a programot és az első elvégzett elemzéseket a Science legújabb számában mutatják be a fejlesztők. A cikk megjelenésével egyszerre vált publikussá a www.culturomics.org oldal is, ahol mindenki szabadon megkezdheti a kutakodást. A Harvard Egyetemtől előzetesen kapott adatok alapján mi már megnéztünk néhány olyan nevet és kifejezést, amelyek nekünk magyaroknak érdekesek, Puskás Ferenctől a trianoni békediktátumig. Nézzük akkor először Öcsi bácsit!

A "Ferenc Puskas" név előfordulási gyakoriságának alakulása az elmúlt évtizedekben. Az Aranycsapat és a Real Madrid hatása lehet az első két tüske a grafikonon, aztán talán az edzői pályafutás hatása következik (vesd össze ezekkel az adatokkal).

Mivel magyarázható a negyedik hullámhegy? Az adatbázis alapját adó könyveknek körülbelül 72%-a angol nyelvű (a maradék német, francia, spanyol, orosz, kínai, héber). A Harvardtól kapott grafikonok mindegyike az angol nyelvű könyvek szavaiban végzett keresésre vonatkozik. Nyilvánvaló, hogy az USA-ban (ahol az európai foci csak az 1980-as évektől kezdett népszerű válni) kiadott könyvek korábban "felhígították" a Puskás név gyakoriságát.

Az amerikai hatással magyarázható az is, hogy egy másik világszerte ismert magyar, Neumann János neve két nagyságrenddel nagyobb gyakorisággal és folyamatosabban fordul elő.

A grafikon értelmezéséről: az X tengelyen az idő látható, az Y tengelyen pedig az adott név előfordulási gyakorisága. Neumann esetében az Y tengely tetején látható érték 1e-7, azaz 10-7, azaz egy tízmilliomod. Ha Neumann grafikonja egy 1-es értéket ér el az Y tengelyen, akkor az azt jelenti, hogy abban az évben minden tízmilliomodik szó volt a "Neumann" az összes szó között. Egy kicsit felfelé visszagördítve látható, hogy Puskásnál az egyes érték csak minden egymilliárdodik szót jelenti, holott valószínűleg összemérhetők voltak ismertségben.

Még egy magyar példa, a trianoni békediktátum, amelyet a Múlt-kor szerkesztői elemeztek.

A trianoni trauma a 20-as évektől beleégett a közbeszédbe, és ez így is maradt 1945-ig, amikor is a "hivatalos nyelvből" kikoptatták. A II. világháború vége éles cezúra a Trianon szó találati listájában: 1945-öt követően privát beszélgetésekbe szorult vissza. Ami viszont meglepő és elgondolkodtató, hogy az 1990-es rendszerváltás sem hozott a fogalommá vált szó előfordulási arányaiban meghatározó emelkedést, fordulatot. A felmérés alapján az eddig is jól ismert nemzetközi álláspont mérhető le: a nemzetközi közvélemény apatikus Trianonnal szemben, vagyis számukra nem jelent semmilyen historikus mérföldkövet.

További magyar példák a cikk 2. oldalán láthatók.

Hírességek régen és most

Az angol nyelvű túlsúlyt az is magyarázza, hogy a program egyik első célja az angol nyelv változásainak követése volt az utóbbi kétszáz évben (kiderült például, hogy évente körülbelül 8500 szóval gyarapszik a nyelv), de létrehozói folyamatosan szeretnék bővíteni az adatbázist és a kutatási lehetőségeket. "Fejlesztenünk kell az adatbázist, több könyvvel és további nyelvek bevonásával" - mondja Erez Lieberman-Aiden. "Hasonló módszert kellene kidolgoznunk más forrásokra, például újságokra, folyóiratokra is."

Már a jelenlegi adatokból is kiderülnek azonban érdekes társadalmi-kulturális összefüggések, változások. Az adatok szerint az emberiség egyre gyorsabban felejti el saját múltját: például az 1880-es évre való hivatkozások száma 32 év alatt (1912-re) csökkent a felére, míg az 1973-as évre való hivatkozások már 1983-ra, egy évtized alatt feleződtek. Jól követhető a technikai civilizáció fejlődése is: a technológiai újítások a 20. században több mint kétszer olyan gyorsan terjedtek, mint az azt megelőző században.

A hírességek ma fiatalabbak és közismertebbek, mint 19. századi elődeik, de tündöklésük rövidebb életű (a média nélkül is, mert ne felejtsük el, hogy csak könyvek szerepelnek az adatbázisban). Az 1800-ban született emberek közül kikerülő hírességek átlagéletkora még 43 év volt, az 1950-ben születettek esetében ez már csak 29 év volt.

A www.culturomics.org nagyon hasznos eszköz lehet a cenzúra és a propaganda hatásainak követésére. Érdemes például megnézni, hogy Marc Chagall nevét hányszor említik a német és hányszor az angol könyvek az 1936 és 1944 közötti időszakban. Ugyanígy eltüntették az orosz szövegekből Trockijt vagy a kínaiakból a Tiananmen-teret egy időben.

A könyvek "kulturális genomunk" fontos részét képezik, olyan információt, amelyet generációról generációra továbbadunk, génjeinkhez hasonlóan. A kulturomika az emberi kultúra fejlődésének új vizsgálati lehetőségét jelenti, amelyben a könyvek az előző generációk "kövületei". Megalkotói szerint az erre alapuló jövőbeli vizsgálatok például betegségek, háborúk, tudomány és vallás rejtett összefüggéseire mutathatnak rá a jövőben.

Az "omikák" (angolul omics) korát éljük. A különféle fajok genetikai állománya, más néven a genom összetett, adatbányászaton alapuló vizsgálatával kezdődött a dolog, amit genomikának (genomics) neveztek el. Aztán jött sorban a többi: a fehérjék (proteinek) komplex kutatása lett a proteomika, a kisebb molekuláké a metabolomika, és lehetne még sorolni a példákat. Eddig talán a bibliomika volt a legfurább közöttük, azaz a szakirodalomban megjelent cikkek információiban történő adatbányászat.

A lényeg ugyanis az adatbányászat: a kísérletekkel, mérésekkel felhalmozott, irdatlan mennyiségű adattömegben (az emberi genetikai állomány például 3 milliárd "betűből" áll) megtalálni a valóban fontos információkat és összefüggéseket. Új tudomány jött létre, a bioinformatika; és új vizsgálati módszer az élettudományokban: az in vitro ("üvegben", azaz élő szervezeten kívül történő vizsgálat) és az in vivo (élő közegben, például állatkísérletben zajló kutatás) mellett megjelent az "in silico" ("szilíciumban", azaz számítógépben) is. Vagyis a mások által felhalmozott kísérleti adatokban találni valamit, adatbányászattal, bioinformatikával - miközben el sem mozdulunk a monitor elől. Ez a fajta adatelemzés ma már számos természettudományban nélkülözhetetlen.

Az "omikák" legújabb tagja a kulturomika: www.culturomics.org.

További magyar vonatkozású elemzések (mindegyik az angol nyelvű könyvekben). Kértük a "magyar" szó keresését is. A Rubik-kockánál látható korai előfordulás valószínűleg mérési hiba (ami máshol is előfordulhat). Forrás: Harvard University, Erez Lieberman-Aiden és Jean-Baptiste Michel szívességéből.