 |
| http://manovich.net/ |
1960.
a. sündinud Moskvas sündinud ja 1981. a. Ühendriikidesse emigreerunud Lev
Manovich on mitme kõrgkooli juures tegutsev väljapaistev arvutiteaduse professor
ning uue meedia ja digitaalkultuuri teoreetik, kelle huviorbiidis on kaasaegne
globaalkultuur läbi andmeteaduste uurimisprisma, samuti arvuti- ja
sotsiaalteaduste kokkupuuteala, tehisintellekt ja -kultuur ning meediateooria. 2005.
aastal võttis ta kasutusele termini „kultuurianalüüs“ (cultural analytics) ja 2007. aastast tegutseb tema juhtimisel
kultuurianalüüsi labori (Cultural
Analytics Lab) nime all tuntud uurimiskeskus, millelt on tellinud
kultuuriartefakte koondavate andmekogude visualiseeringuid nii Google, New
Yorgi avalik raamatukogu kui ka sealne moodsa kunsti muuseum MoMA (Manovich.net,
kuupäev puudub).
Lev
Manovich määratleb kultuurianalüüsi kui „massiliste kultuuriandmekogumite ja
-voogude analüüsi arvutus- ja visualiseerimistehnikate abil“. Teaduslaboris
püütakse nii teoreetiliselt kui praktiliselt vastata küsimustele, kas kultuur
esitab andmeid, milliseid ainulaadseid võimalusi pakub suurte kultuuriandmete
andmeanalüüs, erinevalt humanitaar- ja ühiskonnateaduses kasutatavatest
kvalitatiivsetest meetoditest, kuidas kvantitatiivseid meetodeid kasutada
kaasaja võtmekultuurivormi - interaktiivse meedia – uurimiseks ning kuidas
ühendada andmeanalüüsi ja suurte kultuuriandmete visualiseerimist
kvalitatiivsete meetoditega, sealhulgas
nende "lähilugemisega" (ehk teisiti, kuidas viia kokku n-ö.
suur pilt ja detailid)? Kuidas üldse õigustab andmeanalüüs end kultuuriprotsesside
varieeruvuse ja mitmekesisuse tingimusis, selmet mitte keskenduda üksnes "tüüpilisele"
ja "kõige populaarsemale"? (Manovich, 2015).
Kultuuriandmestikele
toetuvaid uurimusi on viimasel ajal avaldanud arvukalt teadlasi kümnetel
tuhandetel lehekülgedel, analüüsitud on sotsiaalvõrgustikes (Facebook, Flickr,
Instagram, Twitter jt) kasutajate loodud sisu, s.o. kommentaare, tviite,
videoid ja fotosid, meeldimisi ja
jagamisi. Teiseks on teadlased hakanud analüüsima ka konkreetseid kultuurivaldkondi ja ajaloolisi perioode,
näiteks veebisaitide kujundamine, moefotograafia, 20. sajandi popmuusika, 19.
sajandi kirjandus jne. See on kahe uue teadusvaldkonna – sotsiaalse
andmeteaduse (social computing) ja
digihumanitaaria (digital humanities) pärusmaa. Manovichi arvates on kultuurianalüüsi
rolliks olla nende kahe haru neutraalne, kuid vajalik ühenduslüli, kuna mõlemad
käsitlevad kultuuriandmeid valdkonnasiseselt, ent kultuurianalüüs ei sea piiranguid.
Siin ei olda huvitatud mitte niivõrd humanitaar- või reaalteaduse eesmärkidest
ja metoodika valimisest ega mingist subordinatsioonist, vaid nende ühendamisest
kultuuriuuringutes, keskendudes humanitaarteaduste lähenemisviisidele minevikusündmuste
tõlgendamisel ning formaalloogika ja
mudelite kasutamisele (Manovich,
2015).
Kui
humanitaarteadlastele on arvuti abivahendiks ajalooliste artefaktide uurimisel
ja andmeteadlased uurivad inimese-arvuti interaktsiooni, siis
kultuurianalüütikutel on veendumus, et mahukate kultuuriandmetega töötatakse
kummaltki poolt liiga vähe. Arvutiteadlaste põhiline motiiv suuri andmemassiive
analüüsida tuleneb tööstuslikest eesmärkidest – muuta tehnoloogia veel
töökindlamaks ja sujuvamaks. Ajalooliste esemete analüüs ei kuulu selle
eesmärgi alla ning ajalooliste andmetega
tegeleb murdosa arvutiteadlasi (digipärandi valdkond on üks erand) (Manovich,
2015).
On
siiski mõned näited, kus ilmnevad kokkupuutepunktid. Ühes uuringus analüüsiti
veebisaidi kujunduse eelistusi kogu maailmas, võttes aluseks 2,4 miljonit
reitingut 40 000 inimeselt 179 riigist. Ilmselgelt kuuluvad esteetika ja
disainiuuringud humanitaarteadlaste huviorbiiti. Teises uuringus analüüsiti
Instagrami fotode temaatikat, mida võiks iseenesest võrrelda näiteks 17.
sajandi Madalmaade kunstižanrite kunstiajaloolise analüüsiga. Ja veel üks
näide: 2010. a. viidi läbi Twitteri
sotsiaalvõrgustiku suuremahuline analüüs, mis toetus 41,7 miljonile kasutaja
106 miljonile säutsule (tviidile) ja keskendus trendidele, s.o. kuidas populaarsed
teemad liigituvad, kui kaua nad kestavad ja palju kasutajaid neis kaasa räägib.
Arvestades, et Twitteri-laadne mikroblogindus on niisamuti uus meediaväljund
nagu omal ajal õlimaal, trükitud raamat või fotograafia, kuulub selle eripära
mõistmine ja lahtimõtestamine loomulikult humanitaarteadlaste ülesannete hulka (Manovich,
2015).
Avaandmete
hulk on pidevalt kasvamas. Näiteks tegi New Yorgi linnavalitsuse arhiiv 2012. a. avalikult kättesaadavaks 870 000 digiteeritud ajaloolist linna fotot, 2015. a. avalikustas HathiTrust
kättesaadavaks 4 801 237 köidet (1,8 miljardit lehekülge) uurimisandmeid ning
Associated Press ja British Movietone laadisid YouTube'i üles 550 000
digiteeritud uudislugu alates 1895. aastast. Võib küsida, mis on nii suurte
andmemassiivide/-baaside mõte, kas meile ei piisaks representatiivsest valimist
väiksemas mastaabis? Õnnestuda
uurimistöös saab sel juhul, kui meil on kasutada suurandmeid valdkonniti. Manovich toob
näiteks filmiandme-baasi IMDB, mis sisaldab teavet miljonite filmide ja
telesaadete kohta üle kogu maailma - 20. sajandi filmikunsti uurimiseks on
seega olemas juba küllalt esinduslik andmebaas. Kuid paljudes
kultuurivaldkondades midagi sellist veel ei eksisteeri. Teisalt: eeldusel, et
suudame konstrueerida ühes kultuurivaldkonnas mingi representatiivse valimi,
saame selle põhjal leida ka üldisi suundumusi ja mustreid. Näiteks eelpool
mainitud Instagrami fotoanalüüsis valiti tohutust pildipangast juhuvaliku
alusel uurimisobjektiks 1000 Instagrami
fotot, mis jaotati kaheksasse populaarsemasse kategooriasse (selfie, sõbrad,
mood, toit, vidinad, tegevus, lemmikloom, pealkirjadega fotod). Võimalik, et
need kategooriad olid kõige populaarsemad ka kõigi ülejäänud Instagrami fotode
seas, mida kogu maailmas jagati uuringu läbiviimise hetkel. Samas teine uuring,
mis vaatles Insta-fotosid erinevates linnades ja linnajagudes (näiteks Kiievi
kesklinnas 2014. a. Maidani-sündmuste ajal), näitas, et inimesed jagavad ka teist laadi
pilte – olenevalt ajast ja olukorrast. Seega võimaldab väike valim leida
"tüüpilise" või "kõige populaarsema", ent jätab
tähelepanuta segmendi, mida Manovich nimetab "sisusaarteks" -
koherentse sisu tüübid, millel on mõõdukate numbrite korral erilised
semantilised ja/või esteetilised omadused (Manovich, 2015).
Kui
Manovich esmakordselt 2005. a. kultuurianalüüsi mõtestama asus, astusid
digihumanitaaria ja sotsiaalandmeteadus teadusvaldkonnana alles esimesi samme.
Kultuurianalüüs kui termin pidi viitama millelegi enamale. Kultuurianalüütikud on ühevõrra huvitatud nii ajaloolisest materjalist kui
uuest meediast (nt Instagram),
huvisfääri kuulub nii professionaalne kultuur kui tavakasutajate loodud
artefaktid, kunstnikud väljaspool
kunstimaailma ning juhuslikud loojad (inimesed, kes laadivad aeg-ajalt oma
fotod sotsiaalmeediavõrkudesse). Nagu andmeteadlased, on ka kultuurianalüütikud
huvitatud ühiskonnauuringutest, mis baseeruvad sotsiaalmeedial ja suhtlusvõrgustikel
ja analüüsivad spetsiifilisi nähtusi. Aga
erinevalt sotsiaalteadusest, mis keskendub sotsiaalsele aspektile, huvituvad
kultuurianalüütikud ennekõike kultuurist, mistõttu on nende jaoks
sotsiaalteaduste relevantsem osa kultuuri sotsioloogia, alles seejärel
sotsioloogia ja majandus (Manovich, 2015).
Manovichi
veendumuse kohaselt annavad veebi- ja suhtlusvõrgustike sisu ja kasutus-võimalused
kultuurianalüütikutele enneolematu võimaluse kirjeldada, modelleerida ja
jäljendada ülemaailmset kultuuriuniversumit, pannes küsimärgi alla ja ümber
mõeldes humanitaarteaduste põhimõisteid ja töövahendeid, mis töötati välja
“väikeste kultuuri-andmete” (s.t. väga selektiivsete kultuurinäidiste) põhjal. Kultuurianalüütikute
huviprintsiip on kõik, mis on loodud kõigi ehk igaühe poolt (everything created by everybody). See
tähendab kultuurile lähenemist meetodil, kuidas keeleteadlased uurivad keeli
või bioloogid lähenevad biosfäärile. Ideaalne oleks valikuliste proovide asemel
süvitsi vaadelda igat kultuurilist manifestatsiooni (nagu teevad
kultuurantropoloogid) (Manovich, 2015).
Huvipakkuv
on üldise ja erilise küsimus. Kultuurianalüüs võib ühendada ühiskonnateaduste
(ja üldiselt reaalteadlaste) huvid üldistamise suunal ning humanitaarteaduste
huvi individuaalse ja erilise suunal. Kui sotsioloogiline traditsioon on seotud
inimeste üldiste käitumimustrite leidmise ja kirjeldamisega, selmet läheneda individuaalselt
ja konkreetsete isikute kaudu, siis kultuurianalüütikut huvitavad ka mustrid,
mis joonistuvad välja suurtest kultuuriandmekogumitest. Ideaalis võiksid
suurandmed avada ka konkreetsete üksik-juhtumite, s.o. üksikute loojate
loomingu või kultuurilise käitumise tagamaid. Näiteks võib ühe fotograafi
karjääri kestel tehtud fotode andmeanalüüs välja selekteerida tema karjääri
kõige erilisemad fotod (Manovich, 2015).
2017.
a. ilmunud artiklis pühendub Manovich võimalustele ja piirangutele, mida
kultuuri-andmestik pakub. Ta toob isiklike kogemuste põhjal näitena 2009. a. infootsingu
teemal, mida inimesed kogu maailmas maalisid 1930. aastail, jättes kõrvale kõik
„ismid“. Uurides Artstori veebiplatvormi, kuhu on koondatud miljoniga
mõõdetavas suurusjärgus digiteeritud kunsti USA raamatukogude, ülikoolide ja
kunstimuuseumide kogudest, sai selgeks, et valik on küll suur kuid ebaühtlane:
kui päringust välistati Põhja-Ameerika ja Lääne Euroopa, kahanes tulemuste hulk
mõnekümnele – seda terve ülejäänud maailma peale kokku. See pole muidugi
platvormi süü, sest ta teeb kättesaadavaks pildid, mida on digiteerinud
ülikoolid-muuseumid-raamatukogud ise. Ja ikkagi vaid mõned pildid Aasiast ajal,
mil USA ülikoolides on 45% tudengitest Aasia päritolu. Seevastu Picasso päring
tõi 700 pilti. Siit ka Manovichi mure: see, mis on digiteeritud,
on ainult „saar” ja massiline kultuuriline „ookean” võib jääda kvantitatiivseks
analüüsiks kättesaamatuks (Manovich, Cultural Data. Possibilities and
limitations of the digital data universe, 2017).
Õnneks
pole sedasorti kartused teoks saanud, hämmastab hoopis digiteeritud materjali
mitmekülgsus ja rikkalisus, mida Manovich põhjendab teistlaadse paradigmaga,
millest suured andmebaasid (Europeana, DPLA, Kongressi Raamatukogu, New Yorgi
avalik raamatukogu, Interneti-arhiiv, Google Arts & Cultures) lähtuvad: nad
ei paku meile pilte üksnes kõrgest kunstist kunstimuuseumide varakambritest,
vaid töötavad pigem traditsioo-niliste raamatukogude laiendina, võttes vastu inimeste
ja organisatsioonide annetusi. Kui neid arhiive hakati digiteerima, hakkas
veebis ilmnema hämmastavalt rikkalik ja mitmekesine ajalooline kultuurimaastik (Manovich,
Cultural Data. Possibilities and limitations of the digital data universe,
2017).
Kunstiajalugu
on loonud kõrgelt kontrollitud süsteemi, mis jagab meie visuaalse pärandi
kunstiks ja kõigeks muuks ning süstematiseerib
neid kindlate tunnuste alusel. Ka kunstimuuseumide digitaalsed kollektsioonid
näevad tänapäeval välja korrastatud ja süstemaatilised. See-eest Europeana,
DPLA jt metakollektsioonid näivad otsekui „kurioosumite kabinetina“, kust leiame palju
triviaalset ja efemeerset – võrrelduna suurte muuseumidega, mis paradeerivad
oma kogusid militaarse korrapärasusega. Lõputuisse metakollektsioonidesse võibki
ära eksida ja minevik näib selles perspektiivis laialivalguva ja süsteemituna.
Inimeste lõputud kultuurilised "hoiused" on jõudnud raamatukogudesse
ja digiteeritud ning muudetud metaandmestandardite, veebiprotokollide,
Javascripti koodi, API-de jms tehnoloogia abil avaandmeteks. Kuidas selles labürindis
navigeerida? Manovichi hinnangul töötab näiteks Europeana, mille eesmärgiks on ühendada
tuhandete Euroopa muuseumide ja piirkondlike arhiivide digiteeritud esemed, tehniliselt ja kontseptuaalselt suurepäraselt,
kuid omamoodi soovimatute tagajärgedega: „ühendatud Euroopa” - ühtse
üleeuroopalise kultuuripärandi ruumi - loomise asemel võib Europeana selle hoopis
killustada, kuna tekitab mulje juhuslikult säilinud ja omavahel segunenud
eripalgeliste tsivilisatsioonide failide sulamist (Manovich, Cultural Data. Possibilities and
limitations of the digital data universe, 2017).
Digiteeritud
ajaloolise sisuga saarte arv kasvab pidevalt. Kuid kas need on kunagi piisavalt
suured, et võimaldada meil „ookeanist” aru saada – s.t. luua detailne kaart
visuaalsest inimajaloost viimase 200 aasta jooksul? Rikkus ja mitmekesisus ei
tähenda kõikehõlmavust. Teisisõnu: kuigi Europeana, DPLA ja muude projektide
digiteerimine ja digiteeritud üksuste korraldamine jätkub, jääb kultuuriloolise
kvantitatiivse uurimise kõige põhilisem küsimus lahendamata. Ehk: kuidas
saaksime koostada representatiivsed valimid, mis hõlmavad süstemaatiliselt
kõike ühel konkreetsel ajaperioodil, geograafilises piirkonnas ja meedias
loodut? (Manovich, Cultural
Data. Possibilities and limitations of the digital data universe, 2017).
Manovich
peatub põhjalikult ka nn „tasakaalustatud kultuuriproovi“ võtmise probleemil,
mida saab määratleda mitmel viisil – võib keskenduda toodetele kindla ajaperioodi, koha- või
meediumipõhiselt, kuid võib luubi alla võtta vaid selle, mida tegelikult loetakse,
vaadatakse või kuulatakse; võib lisada valikusse teatud tunnustuse pälvinud
teosed (võrdluseks: meeldimiste ja lemmikute arv sotsiaalmeedias) või jätta see
aspekt tähelepanuta. Kuid igal juhul on vajalik süstemaatiline protseduur,
mitte lihtsalt maitseotsus. Statistilisi meetodeid tuleks kasutada ka
ajalooliste kultuuriliste esemete analüüsimiseks, kus meid huvitab eranditult
kogu tervik, mitte ainult “meistriteosed”. Representatiivsete, hästikorraldatud
kultuuriandmestike loomise idee on huvitav, kuigi tekitab hulga uusi küsimusi. Kuna
õpikud, muuseumid, kultuuriportaalid jms käsitlevad kultuuri alati valitud
näidete põhjal, siis on kultuuriandmete valimi küsimused üldiselt olulised ka
siis, kui ei viida läbi kvantitatiivset analüüsi. Kõik see on seotud
küsimustega, kuidas me mõistame, representeerime ja õpetame kultuurilugu,
kuidas mõtestame kultuurilist olevikku kaasosaliste, koostoime ja kogemuste
kaudu (Manovich, Cultural
Data. Possibilities and limitations of the digital data universe, 2017).
Ühes
artiklis analüüsib Manovich põhjalikult uut meediat – veebi- ja
suhtlusvõrgustike platvorme - ning kasutab terminit „meediaanalüüs“, mille keskmes pole mitte niivõrd loomingu, avaldamise
ja levikuprotsess (kuigi ka need on olulised), vaid algoritmidel baseeruv, automaatselt
genereeritav andmesisuanalüüs, mis vaatleb inimeste veebikäitumist nii
individuaalsel kui grupitasandil. Vajadus selle järele tuleneb digikultuuri
plahvatuslikust kasvust 21. sajandil, kui veebis ringleb 14 miljardit
veebilehte, igapäevaselt jagatakse 2 miljardit fotot, Spotify kaudu
voogedastatakse 30 miljonit lugu jne. Meil on tegemist miljardite aktiivsete
suhtlusvõrgustike ja veebikasutajatega, kes moodustavad tänuväärse
uurimismaterjali. Ampluaa on lai, hõlmates kasutajate veebikäitumist (nn
digitaalne jalajälg: veebisaitide külastamine, linkide jälgimine, postituste
jagamine ja reklaamide vaatamine ning neile klõpsamine) ja füüsilisi
parameetreid (postituste geograafiline asukoht, kuupäev ja kellaaeg), samuti
meediaettevõtete loodud/vahendatud meediasisu ( laulud, videod, raamatud ja
filmid) ning kasutajate endi loodud meediasisu (postitused, vestlused, fotod ja
videod) (Manovich, 100 Billion Data Rows per Second:
Media Analytics in the Early 21st Century , 2018).
Selline
automaatne (ja pidev) andmesisu analüüs teenib mõistagi parema teenuse
kujundamise eesmärki, mille ülesanne omakorda on teenida ärilisi huve ehk
siduda kasutajaid enda külge, pakkudes neile isikupärastatud teenust. Kasutaja
veebikäitumise põhjal kuvatakse talle ainuomast soovituslikku sisu (playlistid)
ja huvi pakkuda võivat reklaami (mistõttu pole imestada, et inimesed elavad
täiesti erinevates, paralleelsetes inforuumides – R.R.). Meediaanalüüsil põhineb ka Google’i
tõlketeenus või Facebooki algoritm, mis kuvab suhtlusringkonna postituste
trende analüüsides igale kontole ainuomaseid värskendusi. Sealjuures põhinevad
paljud meediaanalüüsi tehnoloogiad avatud allikatel (Manovich, 100 Billion
Data Rows per Second: Media Analytics in the Early 21st Century , 2018).
Meediaanalüüsil
kui meediatehnoloogia uusimal etapil on kaks tahku, millest üks - kasutajate
digitaalne jälg – on pakkunud palju kõneainet poliitilisteks ja sotsiaalseteks
aruteludeks privaatsuse, jälgimise,
juurdepääsuõigusted, diskrimineerimise või
eelarvamuste teemal, kuid teine tahk - igat tüüpi veebimeediasisu
algoritmianalüüs tootjate poolelt - on vähem tähelepanu saanud. Nende kahe osa
koosvaates (kasutaja ja andmete interaktsiooni ning meediasisu analüüs) ilmneb
ajavahemikul 1995–2010 toimunud nihke ulatus – esimestest
veebiotsingumootoritest kuni Facebooki 500 miljoni kasutaja teetähiseni (Manovich,
100 Billion Data Rows per Second: Media Analytics in the Early 21st Century ,
2018).
* * *
Viidatud allikad
Manovich.net. (kuupäev puudub). Loetud
aadressilt : http://manovich.net/index.php/about (13.10.2019)
Manovich, L. (2015). The Science of Culture? Social Computing,
Digital Humanities and Cultural Analytics . Loetud aadressilt:
http://manovich.net/content/04-projects/089-cultural-analytics-social-computing/cultural_analytics_article_final.pdf
(10.10.2019)
Manovich, L. (2017). Cultural Data. Possibilities and limitations
of the digital data universe. Loetud aadressilt:
http://manovich.net/content/04-projects/103-cultural-data/cultural_data_article.pdf
(11.10.2019)
Manovich, L. (2018). 100 Billion Data Rows per Second: Media
Analytics in the Early 21st Century . Loetud aadressilt:
http://manovich.net/content/04-projects/096-media-analytics/100_billion_data_rows.pdf
(13.10.2019).
Kommentaare ei ole:
Postita kommentaar