re:publica 2016 – Yasmina Banaszczuk: I like Big Data and I can not lie!

Aus den Kommentaren bei Youtube:

Fight bias – of course with more „diversity“? No proof needed. Okay…. Engineers are not good in statistics and so they need a little help by social science „methods“? Because, well, reasons? Okay. What she really says: „Now give any useless jobless social scientist and Gender Studies major an engineer´s pay!“ Ridiculous.
oder
Not even one specific sample, no advice. For someboy in Economic: Why not the famous Heckman paper or the work by Gronau, that has an very actual topic (and are 40 years old)? Like this the talk is just to general to be of any use.
Oder
Ms Banasczcuk’s self description: „I’m a passionate speaker who always aims to make my talks fun, interesting and valuable“  Ummm, nope on all accounts.

 

Advertisements

35 Gedanken zu “re:publica 2016 – Yasmina Banaszczuk: I like Big Data and I can not lie!

  1. Dem letzten Kommentar kann ich nur zustimmen, von einer „Speakerin“ würde ich für mein Geld etwas mehr erwarten. Immerhin hat sie zugegeben „we are all biased“.

  2. Das scheint mir ein ziemlicher off-topic Beitrag zu sein. Es kommt zwar das Triggerwort „Diversity“ vor, aber das ist ja keine Gendertante. Sie weist einfach auf die Gefahr von einseitig zusammengesetzten Teams bei statistischen Analysen hin, was wohl nicht falsch ist. Der erste Youtubekommentator hat das überhaupt nicht kapiert.

  3. Klingt für mich nach Bulemi-Wissen, alles im Studium reingefressen, zur Prüfung ausgekotzt aber nichts davon im Kopf behalten bzw. verstanden.

    • Ok ab diversity wird’s dann lächerlich, bzw. man bekommt das Gefühl die Dame hat null Lebenserfahrung ausserhalb der Uni und ihrer Filter-Bubble bzw. hält alle anderen Menschen für Volltrottel.

  4. Nun ja, der Vortag geht wirklich nicht so sehr in die Tiefe – war sicherlich aus der Kategorie „für Einsteiger“. Ingenieure/Softwareentwickler, die analytische Algorithmen umsetzen, werden sich wohl mit den notwendigen Grundlagen der Statistik ein wenig auskennen.
    Interessant wird, die Aussagen von Frau Lasersushi dann heraus zu kramen, wenn das nächste mal Statistiken mit „feminist bias“ durch die Presse oder das Netz geistern.

  5. Wahrscheinlich geht´s um´s Dasein als „strategic consultant“ und nur ganz nebenbei um Statistik.
    Denn auch Statistiken seien keinesfalls wertneutral oder „unbiased“ und müssen vom Sexismus bereinigt werden! So jedenfalls wird das bei Harvard (war es doch) gemeint. lol

  6. Als Mathematiker, der ständig mit emprischen Daten und nicht-parametrischen Methoden zu tun hat, kann ich nur sagen: Kindergartenniveau – höchstens.

    Mir ist unklar, warum dieser Vortrag ausgewählt wurde. Der Bias charakterisiert normalerweise eine Schätzfunktion und von einer Art Daten-Bias zu reden, ist in etwa zu spektakulär, wie darauf zu achten, daß man z.B. eine Bio-Probe untersucht – und nicht z.B. die Eigenschaften des jeweiligen Objektträgers. In dem Vortrag ist nichts nichts drin, was nicht schon in den papers von 1950-something drin steht (oder früher).

    Das Einzige, was man nicht so häufig hört, ist die These, daß jeglicher bias durch diversity aufgehoben würde. Und diese These ist in etwa so intelligent, wie zu glauben, daß man die Wahrheit durch Lesen zweier politisch tendentiöser Zeitungen herausbekommen würde.

    … Humbug … um es mal freundlich zu formulieren. Die re:publica war mal innovativ. Inzwischen scheint gerade mal der mainstream reproduziert zu werden.

    • Das war auch mein Eindruck. Das meiste von dem was sie hier präsentiert ist Inhalt der Statistik Einführungsvorlesung, 1. Semester. Noch dazu schlecht und unverständlich erklärt. Wenn das repräsentativ ist für einen PhD in Economics und Social Sciences dann gute Nacht.

    • „Bias“ ist im Kontext von Big Data und Machine Learning etwas anderes: im allgemeinen eine additive Konstante (je nach zugrunde liegendem Verfahren).

  7. Was für ein nichtssagender Unsinn. Ich habe den Talk jetzt fertig angesehen, aber könnte nicht sagen was der konkrete Inhalt war.

    Interessant auf jeden Fall: Als Beispiel für Bias führt sie den BMI an (um 11:30), der „absolut nichts mit der Gesundheit zu tun hat“, weil es gibt ja Leute wie Dwayne Johnson oder Arnold Schwarzenegger, die wären lt. BMI adipös.

    Da macht also jemand einen Talk in dem er die ganze Zeit betont wie wichtig Grundwissen in Statistik wäre, pisst den „Developers and Engineers“ ans Bein weil ihnen ebendieses Wissen angeblich oft fehlt und schafft es dann im Brustton der Überzeugung einen eindeutigen Ausreißer (!) als systematischen Fehler (Bias) zu verkaufen. Danke, keine weiteren Fragen…

    • @pingpong

      Genau das ist das Lustige an dem Vortrag:

      Sie will ja nicht tatsächlich saubere Datenbereinigung vornehmen, sie will, dass man ihr nicht genehme Ergebnisse direkt als Bias erkennt. Sie dürfen nur auf Bias beruhen, weil die Wirklichkeit ihrer Theorie entsprechen muss und nicht umgekehrt. Es ist letztendlich die Aussage, dass alle ihr nicht genehmen Ergebnisse an einem Bias kranken, man muss solange Intersectional die Daten bereinigen, bis endlich das gewünschte herauskommt.

      • Habe eher den Eindruck, dass sie fordert, dass Daten schon bei der Erhebung irgendwie manipuliert, bzw „korrigiert“ gehörten. Sie unterstellt ja lang und breit einen Bias der Datensammler, der irgendwie zu gebiasten Daten führen würde, was man nur mit „Diversity“ ausgleichen könne.

        Das ist natürlich völlig anmassend, da die Art und Weise der Datenerhebnung nicht mehr in der Steinzeit ist und alle möglichen psychologischen Effekte lange, lange diskutiert wurden und versucht werden zu berücksichtigen. Aber es ist für sie als Sexistin natürlich von alles entscheidener Bedeutung WER die Daten macht, hauptsache keine reinen Männerteams (eines der seltenen Beispiele, die sie überhaupt gibt).

        • Das ist natürlich völlig anmassend, da die Art und Weise der Datenerhebnung nicht mehr in der Steinzeit ist und alle möglichen psychologischen Effekte lange, lange diskutiert wurden und versucht werden zu berücksichtigen.

          Sie hat schlicht und ergreifend gar keine über ein mangelhaftes Erstsemesterwissen hinausgehende Ahnung davon, wie gearbeitet wird.

          Sie wirkt wie ein Kind, dass dem Automechaniker nasweiß vorschlägt, er solle doch die Radmuttern mit der Rohrzange lösen. Der ist doch voll gebiased, ey. Hausfrauen machen das mit der Rohrzange!

        • If you can´t dazzle them with brilliance, baffle em with bullshit.

          Wie selten ist es auch, dass mal ein Vortrag viel zu frühzeitig beendet wurde. Aber wenn man gar nicht wirklich weiss, worum es geht, muss man sich über die Zeit retten.

          Welch eine Pein für die Zuschauer! Und dann schwadroniert sie von soundsoviel Prozent m/w in der Penny Vorstellung.

          Am allerhärtesten ist aber der Zeilenumbruch in der Präsentation. Früher hätte sie sicherlich auf einer overhead folie mit Filzer und Tippex rumgekritzelt.

    • Danke, keine weiteren Fragen…

      Ja, das ist mehr als nur peinlich. Sie hat schon im Grundkurs Statistik nicht aufgepasst und Popper ist wohl einfach nur ein gaanz phöse gebiaster WHM. Aber alle sollen von ihr was über Statistik und Erkenntnistheorie „lernen“..

    • Trauriges niveau, pingpong. Arni war ein beleg dafür, wie schlecht der bmi übergewicht anzeigt/misst. Ein statistiker schließt vom einzelnen aufs allgemeine. Tststs, davor hat sie doch gewarnt.

      • Was mich dabei vor allem wundert:
        Gilt jetzt Muskelaufbau mit Anabolika etwas als „gesund“, so dass die damit gestalteten Körper die Idee sprengen, ein erhöhter BMI würde nicht mehr für erhöhtes gesundheitliches Risiko sprechen?

        Sowas kommt dabei raus, wenn man ideologisch vorgeht, es der „fatacceptance“ recht machen will und sich dann an jeden Strohhalm argumenatativ klammern muss.

  8. Hab da nur mal kurz reingezappt und bin sofort bei 11:18 auf ihre Ausführungen zum BMI gestoßen. Oje..

    Natürlich kann ich nur sehr begrenzt vom BMI einer einzelnen, konkreten Person auf dessen Gesundheitsszustand schließen, aber wenn ich Populationen betrachte ist der BMI ein sehr brauchbarer Indikator, der auch häufig verwendet wird.

    Den Leuten, die mit dem BMI arbeiten muss Ms Banasczcuk nicht erklären, was sie im Gegensatz zu ihnen nicht versteht. Meine Güte, ist das schlecht.

  9. Achja…Feministinnen und Statistik.

    Gerade auch ein so entlarvendes Beispiel bei ZOn:

    Eine feministische Sozialdemokratin mahnt der SPD an, mehr für die Wählerinnen zu tun. Hintergrund ihrer „Argumentationsführung“ Wählerinnen wählen nur noch zu 21 Prozent die SPD, der Anteil lag bei Schröder aber etwa doppelt so hoch. Erstaunlich oder? Schröder erzielte ja auch mit fast 40 Prozent Gesamtwählerstimmen auch fast doppelt so viel wie die SPD bei der BTW 2013.

    Hahahahahaha…..und nicht genug, sie schreibt es sogar selbst in ihren Artikel ohne es zu checken: 23 Prozent aller männlichen Wähler und 21 Prozent aller Wählerinnen wählen SPD. Der Einbruch der SPD in der Wählergunst seit 1998 ist somit ziemlich genau gleich verteilt, vor allem wenn man den Merkelfaktor eingerechnet. Viele Frauen wählen wegen ihr CDU.

    Das ist Realsatire.

    Achja. Als Gegenmaßnahme fordert sie Doppelspitzen und mehr feminismus in der SPD. Wer solche Leute in der Partei hat, braucht keinen politischen Gegner. Merke: „Hey, wir haben insgesamt 20 Prozent Stimmen verloren, und sogar 20 Prozent bei den Frauen. Wir müssen mehr für die frauen tun.“

    Hahahahahaha……

  10. Was ist das, eine Erstmester-Vorlesung in Statistik, gehalten von einer Erstsemester-Studentin?
    Ich habe nur insgesamt zwei Minuten durchgezappt und ihre Erklärung für statistische Signifikanz ist dermaßen schlecht, dass man sich fragt warum sie nicht einfach die Wikipedia-Definition vorgelesen hat, als es in eigenen (improvisierten?) Worten zu versuchen.

    Enthält der Vortrag denn relevante Kernaussagen die was mit der re:publika zu tun haben oder nur mäßig formuliertes Statistik-Grundwissen?

    • @david

      Die Kernaussage ist ganz feministisch: „Die gegenwärtigen Statistiken leiden alle an Bias, es sei denn sie bestätigen feministische Theorien. Würden alle die feministischen Bias Theorien verstehen, nach denen Nichtprivilegierte die einzigen Quellen für Wahrheiten sind, dann würde die Forschung bessere Ergebnisse liefern. Leider denken die Leute nicht intersektional genug, deswegen geht alles schief“

Kommentar verfassen

Trage deine Daten unten ein oder klicke ein Icon um dich einzuloggen:

WordPress.com-Logo

Du kommentierst mit Deinem WordPress.com-Konto. Abmelden / Ändern )

Twitter-Bild

Du kommentierst mit Deinem Twitter-Konto. Abmelden / Ändern )

Facebook-Foto

Du kommentierst mit Deinem Facebook-Konto. Abmelden / Ändern )

Google+ Foto

Du kommentierst mit Deinem Google+-Konto. Abmelden / Ändern )

Verbinde mit %s