🗳️ همراه لیترری دایجست وارد دنیای عددهای بزرگ می‌شویم؛ جایی که حجم عظیم داده، اعتماد بیش‌ازحد به نمونه و نادیده گرفتن واقعیت‌های اجتماعی، مسیر را از حقیقت منحرف کرد.

📊 سوگیری پنهان در داده‌ها: بررسی می‌کنیم چگونه چارچوب نمونه‌گیری اشتباه، سوگیری طبقاتی و عدم پاسخ، باعث شد پیش‌بینی مجله با واقعیت انتخابات اختلافی تاریخی پیدا کند.

🔍 در ادامه، به ظهور جورج گالوپ می‌رسیم؛ جایی که تأکید بر نمایندگی آماری، مسیر علم نظرسنجی را از «داده‌ی زیاد» به «داده‌ی درست» تغییر داد و درس‌هایی ماندگار برای دنیای کلان‌داده امروز ساخت.

📚 منابع مهم این اپیزود:

· مقاله‌ی «Why the 1936 Literary Digest Poll Failed» نوشته‌ی Peverill Squire در Public Opinion Quarterly — تحلیل عمیق علل خطای نظرسنجی و نقش سوگیری‌های نمونه‌گیری و عدم پاسخ.

· مقاله‌ی «President Landon and the 1936 Literary Digest Poll: Were Automobile and Telephone Owners to Blame? » منتشرشده در Social Science History — بررسی علمی‌تر درباره نقش فهرست‌های تلفن و ثبت خودرو در سوگیری نمونه‌گیری.

· مقاله‌ی «Roosevelt Predicted to Win: Revisiting the 1936 Literary Digest Poll» در Statistics, Politics and Policy — بازخوانی آماری نظرسنجی و پیشنهادهای تعدیلی که می‌توانست پیش‌بینی صحیح بدهد.

· صفحه «The Literary Digest» در ویکی‌پدیا — مروری بر تاریخچه‌ی مجله، نظرسنجی ۱۹۳۶ و پیامدهای آن.

📧 ایمیل پادکست: dataspy.pod@gmail.com

🎶 موسیقی: Cosmic Revelation (Pixabay Website)

⚠️ همراه هالریث وارد هرج‌ومرج داده‌های سرشماری می‌شویم؛ جایی که او با الهام از بلیت راه‌آهن، مردم را به سوراخ‌های الکتریکی تبدیل کرد و پردازش را از سال‌ها به ۲.۵ سال رساند.

💡 ماشین جدول‌بندی و جرقه IBM : چطور کارت‌های سوراخ‌دار با برق، آمار را ماشینی کرد و به IBM (۱۹۲۴) رسید.

⚡ رقابت پاورس: در ادامه، ورود رقیب جیمز پاورس، ماشین‌های داخلی ۱۹۱۰، UNIVAC I (۱۹۵۱ برای سرشماری) و FOSDIC (۱۹۶۰، اسکن نوری فرم‌ها) را بررسی می‌کنیم و درس‌های کلیدی برای Big Data امروز استخراج می‌کنیم.

🎧 برای چه کسانی مناسب است؟ اگر به تاریخ تکنولوژی، دیتا ساینس، IBM، کامپیوترهای اولیه علاقه داری، این اپیزود برای توست.

📚 منابع مهم این اپیزود:

·      مقاله‌ی «Census Technology, Politics, and Institutional Change, 1790–2020» نوشته‌ی Ruggles & Magnuson در Journal of American History.

·      صفحه‌ی تاریخچه‌ی «The Hollerith Machine» در سایت U.S. Census Bureau.

·      مقاله‌ی «Tabulation and Processing» در سایت U.S. Census Bureau.

·      کتاب «Herman Hollerith: Forgotten Giant of Information Processing» نوشته‌ی Geoffrey D. Austrian

📧 ایمیل پادکست: dataspy.pod@gmail.com

🎶 موسیقی: Cosmic Revelation (Pixabay Website)

Hosted on Acast. See acast.com/privacy for more information.

⚔️ کریمه، مرگ و داده‌ها

همراه فلورانس وارد جهنم بیمارستان اسکوتاری در جنگ کریمه می‌شویم؛ جایی که بیشتر سربازان نه از زخم جنگ، بلکه از بیماری‌های قابل پیشگیری می‌مردند و او با ثبت سیستماتیک داده‌ها و تحلیل آماری نشان می‌دهد ریشه فاجعه در نبود بهداشت و مدیریت است، نه صرفاً در میدان نبرد.​

📊 نمودار کاکس کامب و انقلاب بصری

بعد می‌بینیم چطور نایتینگل برای قانع کردن سیاست‌مدارها، داده‌های خشک را به یک داستان بصری قدرتمند تبدیل می‌کند؛ با طراحی نمودار مساحت قطبی (کاکس‌کامب) که در یک نگاه نشان می‌دهد دشمن اصلی، بیماری است نه گلوله، و همین تجسم داده، راه را برای اصلاحات بزرگ در سیستم بهداشت ارتش باز می‌کند.​

🏥 میراث در پرستاری و بهداشت عمومی

در ادامه، به تأسیس مدرسه نایتینگل برای پرستاران، نقش او در شکل‌گیری پرستاری مدرن، عضویت در انجمن سلطنتی آمار و تأثیر ماندگارش بر سیاست‌گذاری مبتنی بر شواهد در بهداشت عمومی می‌پردازیم و در نهایت، چند درس کلیدی برای دنیای امروزِ داده‌محور استخراج می‌کنیم.​

🎧 برای چه کسانی مناسب است؟

اگر به داده، تاریخ علم، پرستاری، سلامت عمومی یا الهام گرفتن از زنانی که با عدد و تحلیل جهان را تغییر داده‌اند علاقه داری، این اپیزود برای توست.

📚 سه منبع مهم استفاده‌شده در این اپیزود:

• مقاله «Florence Nightingale: The pioneer statistician» در وب‌سایت Science Museum درباره نقش نایتینگل به‌عنوان پیشگام آمار و تحلیل مرگ‌ومیر در جنگ کریمه.​
• مقاله «Florence Nightingale (1820–1910): An Unexpected Master of Data» در PubMed Central درباره مهارت‌های تحلیلی و داده‌محور او در بهداشت عمومی.​
• مطلب «Florence Nightingale and the Polar Area Diagram» درباره طراحی و تأثیر نمودار مساحت قطبی/کاکس‌کامب به‌عنوان یکی از اثرگذارترین تجسم‌های داده در تاریخ.​

📧 ایمیل پادکست: dataspy.pod@gmail.com

🎶 موسیقی: Cosmic Revelation (Pixabay Website)

Hosted on Acast. See acast.com/privacy for more information.

در اوج همه‌گیری وحشتناک وبا در محله سوهوی لندن، اسنو در برابر تئوری غالب میازما (تئوری هوای بد) ایستاد. او به عنوان یک متخصص بیهوشی که به دقت مرگبار دوزها عادت داشت، به جای بینی‌اش، به داده‌ها اعتماد کرد.

در این اپیزود خواهید شنید:

🚨 بحران میازما: چرا مقامات اصرار داشتند وبا از بوی تعفن می‌آید و چطور اقدامات آن‌ها (مثل خوشبو کردن خیابان‌ها) فاجعه را بدتر کرد.

🩺 پزشک ملکه: چطور جان اسنو، با تجویز کلروفرم به ملکه ویکتوریا، شهرت خود را تثبیت کرد و چطور همین دقت در اندازه‌گیری، او را به کشف منبع وبا رهنمون شد.

🗺️ راز پمپ خیابان براد: چگونه یک نقشه ساده و چند نقطه سیاه (محل مرگ‌ومیر) توانست الگوی پنهان شیوع بیماری را در اطراف یک پمپ آب عمومی آشکار کند.

🕵️‍♂️ کارآگاه میدانی: نقش حیاتی کشیش هنری وایت‌هد در همکاری با اسنو؛ کسی که با مصاحبه‌های میدانی، پیوند نهایی آلودگی (پوشک نوزاد) به پمپ آب را کشف و تئوری اسنو را اثبات کرد.

📈میراث داده: چگونه برداشتن دسته یک پمپ آب، نه تنها یک اپیدمی را متوقف کرد، بلکه به یک سابقه قدرتمند برای برنامه‌ریزی شهری در جهان مدرن تبدیل شد و جان میلیون‌ها نفر را در طول قرن‌ها نجات داد.

منابع اصلی این اپیزود:

کتاب: نقشه شبح (The Ghost Map) نوشته استیون جانسون.

مقالات تاریخی و بیوگرافی‌های جان اسنو و هنری وایت‌هد.

📧 ایمیل پادکست: dataspy.pod@gmail.com

🎶 موسیقی: Cosmic Revelation (Pixabay Website)

Hosted on Acast. See acast.com/privacy for more information.

آدرس ایمیل پادکست: dataspy.pod@gmail.com

موسیقی: Cosmic Revelation (Pixabay Website)

منابع:

1.     ترجمه آدا لاولیس از مقاله "Sketch of the Analytical Engine" (۱۸۴۳)

2.     کتاب خاطرات چارلز ببیج، "Passages from the Life of a Philosopher"

3.     کتاب "Ada Lovelace: The Making of a Computer Scientist" اثر هالینگز، مارتین و رایس.

Hosted on Acast. See acast.com/privacy for more information.

در اولین فصل پادکست "دیتا اسپای"، پرده از داستان‌های ناگفته‌ای برمیداریم که پایه و اساس علم داده امروز را بنا نهادند. این فصل، سفری است به گذشته‌های دور؛ به زمانی که ایده‌های انقلابی، جهان را تغییر دادند، حتی پیش از آنکه کامپیوترها وجود داشته باشند.

در این قسمت، با روایتی جذاب از آنچه در فصل اول خواهید شنید آشنا می‌شوید:

·        چطور یک نقشه‌ی ساده، یک اپیدمی مرگبار را در لندن ویکتوریایی مهار کرد و جان هزاران نفر را نجات داد.

·        با زن پیشگامی آشنا می‌شوید که زبان برنامه‌نویسی را صد سال قبل از اختراع کامپیوتر نوشت: ایده‌ای که آینده را شکل داد.

·        چرا نادیده گرفتن "چیزهایی که نیستند" می‌تواند فاجعه‌بار باشد؟ کشف راز سوگیری‌ها و داده‌های گم‌شده.

·        چگونه یک اشتباه آماری بزرگ، دیدگاه ما را نسبت به داده‌ها برای همیشه دگرگون کرد و درس‌هایی برای عصر هوش مصنوعی امروز داشت.

برای اینکه هیچ داستانی را از دست ندهید، همین حالا پادکست "دیتاسپای" را Subscribe یا Follow  کنید. اپیزودهای جدید هر ماه منتشر می‌شوند.

Hosted on Acast. See acast.com/privacy for more information.