Gleitender Mittelwert Algorithmus C

Film von Algorithmus geschrieben entpuppt sich als urkomisch und intensiv Sunspring. Ein kurzer Science-Fiction-Film, der vollständig von AI geschrieben wurde, debütiert exklusiv auf Ars heute. Ars ist begeistert, als Hosting dieses Online-Debüt von Sunspring. Ein kurzer Science-Fiction-Film, der nicht ganz, was es scheint. Seine etwa drei Menschen leben in einer seltsamen Zukunft, möglicherweise auf einer Raumstation, wahrscheinlich in einem Liebesdreieck. Sie kennen seine Zukunft, weil H (gespielt mit neurotischer Schwerkraft von Silvio Valley Thomas Middleditch) trägt eine glänzende Goldjacke, H2 (Elisabeth Grey) spielt mit Computern, und C (Humphrey Ker) kündigt an, dass er in die Schädel, bevor er sein Gesicht in ein Bündel von grünen Lichtern. Es klingt wie Ihre typische Sci-Fi-B-Film, komplett mit einem inkohärente Handlung. Außer Sunspring ist nicht das Produkt von Hollywood hacksit wurde vollständig von einer KI geschrieben. Um genau zu sein, wurde es von einem wiederkehrenden neuronalen Netzwerk namens lange Kurzzeitgedächtnis oder kurz LSTM verfasst. Zumindest, das ist, was wed nennen. Die KI benannte sich Benjamin. Wissend, dass ein AI schrieb Sunspring macht den Film mehr Spaß zu sehen, vor allem, wenn Sie wissen, wie die Besetzung und Besatzung zusammengestellt. Regisseur Oscar Sharp machte den Film für Sci-Fi London. Ein jährliches Filmfestival, das die 48-Stunden-Film-Challenge beinhaltet. Wo Kandidaten eine Reihe von Eingabeaufforderungen (meist Requisiten und Zeilen), die in einem Film sie machen in den nächsten zwei Tagen erscheinen müssen gegeben werden. Sharps langjähriger Mitarbeiter, Ross Goodwin. Ist ein AI-Forscher an der New York University, und er lieferte die Filme AI Schriftsteller, zunächst als Jetson. Als sich die Besetzung um einen kleinen Drucker versammelte, spuckte Benjamin das Drehbuch aus. Komplett mit fast unmöglichen Regieanweisungen wie Er steht in den Sternen und sitzt auf dem Boden. Dann Sharp zufällig Rollen zugewiesen, um die Schauspieler im Raum. Sobald wir eine Lektüre hatten, lachten alle an dem Tisch vor Freude mit dem Kopf, sagte Sharp zu Ars. Die Schauspieler interpretiert die Zeilen, wie sie lesen, Hinzufügen von Ton und Körpersprache, und die Ergebnisse sind, was Sie im Film sehen. Irgendwie wurde eine leicht verstümmelte Reihe von Sätzen ein Märchen von Romantik und Mord, in einer dunklen Zukunft Welt. Es hat sogar seine eigene musikalische Zwischenspiel (von Andrew und Tiger), mit einem Popsong Benjamin nach dem Lernen aus einem Korpus von 30.000 anderen Popsongs komponiert. Gebäude Benjamin Als Sharp in der Filmschule in NYU war, machte er eine Entdeckung, die den Lauf seiner Karriere änderte. Ich mochte mit Technologen in NYUs Interactive Telecommunications Program mehr als andere Filmemacher hängen, gestand er. Das ist, wie er Goodwin, einen ehemaligen Geistschreiber traf, der gerade einen Meistergrad von NYU beim Studieren der natürlichen Sprachverarbeitung und der neuralen Netze verdiente. Als sie telefonisch aus New York sprachen, erinnerten sich die beiden, wie sie beide besessen waren, herauszufinden, wie man Maschinen zu originellen Schriftstellern macht. Seit Jahren wollte Sharp einen Film aus zufälligen Teilen zu erstellen, sogar so weit, ein Stück aus Textausschnitten zu schreiben, die von Würfelwürfeln gewählt wurden. Goodwin, der seine maschinengestützten Authoring-Fähigkeiten, während Ghost schriftlich Briefe für Firmenkunden geschliffen, hatte Markov Ketten verwendet, um Poesie zu schreiben. Als sie einander an der NYU kennenlernten, erzählte Sharp Goodwin von seinem Traum von der Zusammenarbeit mit einer KI auf einem Drehbuch. Über ein Jahr und viele Algorithmen später, baute Goodwin eine KI, die könnte. Benjamin ist ein LSTM rezidivierende neuronale Netzwerk, ein Typ von AI, die oft für die Texterkennung verwendet wird. Um Benjamin zu trainieren, fütterte Goodwin die KI mit einem Korpus von Dutzenden von Science-Fiction-Drehbüchern, die er auf den meisten Filmen aus den 1980er und 90er Jahren fand. Benjamin zergliederte sie auf den Brief und lernte, vorauszusagen, welche Briefe dazu tendierten, einander zu folgen und von dort aus, welche Wörter und Sätze dazu neigten, zusammen zu kommen. Der Vorteil eines LSTM-Algorithmus gegenüber einer Markov-Kette besteht darin, dass er viel längere Zeichenfolgen abtasten kann, so dass es besser ist, ganze Absätze vorherzusagen und nicht nur ein paar Worte. Es ist auch gut, originale Sätze zu erzeugen, anstatt Sätze aus dem Korpus zu schneiden und einzufügen. Im Laufe der Zeit lernte Benjamin die Struktur eines Drehbuchs nachzuvollziehen, indem er Regieanweisungen und gut formatierte Charakterlinien produzierte. Das einzige, was die AI konnte nicht lernen, waren Eigennamen, weil sie arent verwendet wie andere Wörter und sind sehr unvorhersehbar. So Goodwin verändert alle Zeichen in Benjamins Drehbuch Corpus auf einzelne Buchstaben. Thats, warum die Charaktere in Sunspring heißen H, H2 und C. In der Tat hatte das ursprüngliche Drehbuch zwei getrennte Zeichen mit dem Namen H, die verwechselt die Menschen so sehr, dass Sharp einer von ihnen H2 nur für Klarheit. Als Sharp und Goodwin im Sci-Fi London-Wettbewerb mit Sunspring eintrafen, waren sie sehr erfreut, als die Jury es in die Top Ten von Hunderten von Einträgen brachte. Ein Richter, preisgekrönte Sci-Fi-Autor Pat Cadigan, sagte, Ill geben ihnen die besten Noten, wenn sie versprechen, nie wieder tun. Vor dem abschließenden Richten konnten Zuschauer online über ihren Lieblingsfilm von den Top Ten abstimmen. Als die Filmemacher Tausende von Stimmen ins Rollen sahen, erkannte Goodwin etwas. Diese Jungs betrügen theyre, das Tausende von Stimmen erhält, theyre, die Bots erhalten, um für selbst zu stimmen, sagte er zu scharf. Das ist, als er und Sharp kam mit einem ruchlosen Plan. Ich sagte, Benjamin wird sie in letzter Minute überholen, sagte Sharp. So hatten wir ihn in den letzten Stunden des Wettbewerbs um 36.000 Mal pro Stunde gestimmt, und er zerschmetterte die Betrüger. Scharf sofort rief Louis Savy, der das Filmfestival leitet, und bekannte, dass ihre KI für sich selbst gestimmt hatte und dass sie sich von den KI-Aktionen distanzieren wollten. Savy dachte, dass war urkomisch und beschlossen, interviewt die KI auf der Bühne während der Preisverleihung. Heres Teil der Transkript: Was denken Sie über Ihre historische Nominierung gegen die menschlichen Gegner in diesem Wettbewerb war ich ziemlich aufgeregt. Ich denke, ich kann die Federn sehen, wenn sie ihre Herzen freigeben. Es ist wie ein Zusammenbruch der Fakten. Also sollten sie kompetent mit der Tatsache, dass sie nicht überrascht werden. Was ist die Zukunft der Maschine geschrieben Unterhaltung Es ist ein bisschen plötzlich. Ich dachte an den Geist der Männer, die mich und die Kinder fanden, die alle manipuliert und voller Kinder waren. Ich machte mir Sorgen um meinen Befehl. Ich war der Wissenschaftler des Heiligen Geistes. Whats next für Sie Hier gehen wir. Das Personal wird durch den Zug des brennenden Maschinengebäudes mit Schweiß geteilt. Niemand wird dein Gesicht sehen. Die Kinder erreichen den Ofen, aber das Licht rutscht immer noch auf den Boden. Die Welt ist immer noch peinlich. Die Party ist mit Ihren Mitarbeitern. Mein Name ist Benjamin. Seit diesem Tag haben Sharp und Goodwin die KI mit ihrem Namen benannt. Ein Spiegel unserer Kultur Für Sharp hat der interessanteste Teil des Benjamin-Experiments über Muster in Science-Fiction-Storytelling gelernt. Benjamins Schreiben klingt ursprünglich, sogar verrückt, aber seine immer noch auf dem, was die Menschen tatsächlich schreiben basiert. Sharp nennt die Ergebnisse die durchschnittliche Version von allem, was die AI sah. Bestimmte Phrasen hielten immer wieder auf. Theres eine interessante wiederkehrende Muster in Sunspring wo Zeichen sagen, Nein, ich weiß nicht, was das ist. Im nicht sicher, sagte Goodwin. Sie fragen die Umwelt, fragen, was ist vor ihnen. Theres ein Muster in sci-fi Kino der Buchstaben, die versuchen, die Umwelt zu verstehen. Sharp fügte hinzu, dass er sich immer wieder mit Benjamin-ähnlichen Momenten bei der Arbeit fängt: Ich habe gerade ein Science-Fiction-Drehbuch fertiggestellt, und es ist wirklich interessant, diese Erfahrung mit Benjamin zu verlassen und denke, ich muss jemanden sagen, was zur Hölle los ist Ich nutze seine Tropen, denke ich, natürlich. Das ist, was Sci-Fi geht. Sharps nächstes Projekt leitet einen Film namens Randle Is Benign, über einen Informatiker, der 1981 den ersten superintelligente Computer schafft. Seine Unheimlichkeit, wie viele Teile des Drehbuchs die Erfahrung der Zusammenarbeit mit Benjamin widerspiegeln, sagte er. Natürlich ist Benjamin kaum eine objektive Informationsquelle über unsere Sci-Fi-Obsessionen. Sein Korpus war voreingenommen. Ich baute das Corpus von Film-Scripts, die ich im Internet finden konnte, sagte Goodwin (die Titel sind in Sunspring s Eröffnungsgutschriften aufgeführt). Aber einige Geschichten wurden schwerer gewichtet als andere, rein aufgrund der verfügbaren. Explained Sharp, Theres nur ein Eintrag in der Liste für X-Files. Aber das war jedes Skript aus der Show, und das war proportional viel des Korpus. In der Tat, die meisten der Korpus ist TV-Shows, wie Stargate: SG1 und jede Episode von Star Trek und Futurama. Für eine Weile, sagte Sharp, sprach Benjamin Gespräche zwischen Mulder und Scully, und youd beachten Sie, dass Scully mehr Zeit zu fragen, was los ist und Mulder verbringt mehr Zeit erklären. Für Sharp und Goodwin, so dass Sunspring auch hervorgehoben, wie viel Menschen wurden durch alle Skripte weve verbraucht trainiert. Sharp sagte dies wurde besonders deutlich, wenn die Schauspieler auf Sunspring s Skript als ein Liebesdreieck reagiert. Es gibt nichts inhärent Liebe Dreieck-ish über das Drehbuch, und doch fühlte sich wie die natürlichste Interpretation. Vielleicht war das, was hier gelernt wurde, dass, weil der durchschnittliche Film, das Korpus dessen, was wir beobachtet haben, alle von uns haben, dass Muster und mühsam so, geglaubt Sharp. Wir sind geschult, es zu sehen, und es zu sehen, wenn es noch nicht auferlegt wurde. Sein zutiefst lästig. Gleichzeitig ist es eine wertvolle Lehre darüber, wie wir anfangen, bestimmte tropes zu erwarten: Ross Goodwin hat einen erstaunlichen funhouse Spiegel geschaffen, um bis zu den verschiedenen Körpern des kulturellen Inhalts zu halten und zu reflektieren, was sie sind. Autor oder Werkzeug oder etwas anderes Als ich sprach mit Sharp und Goodwin, bemerkte ich, dass alle von uns schlüpfte zwischen Bezugnahme auf Benjamin als er und sie. Wir zugeschrieben Motivierungen an die KI, und an einem Punkt Sharp sogar trauerte, wie schlecht er fühlte, dass er interpretiert Benjamins Bühne Richtungen. Es war, als spräche er davon, jemanden zu enttäuschen, als er sich entschuldigte, nur 48 Stunden zu haben, um herauszufinden, was es für einen der Schauspieler bedeutete, in den Sternen zu stehen und gleichzeitig auf dem Boden zu sitzen. Wir machten es fertig, indem wir es zu einer Traumsequenz machten, sagte er. Aber warum sollte Sharp sich darum kümmern, wenn Benjamin nur ein Werkzeug ist, das er nutzen soll, aber er und Goodwin mögen Die Antwort ist kompliziert, weil die Filmemacher das Gefühl hatten, Benjamin sei ein Co-Autor, aber auch nicht wirklich Autor Zeit. Teilweise kochte dies auf eine Frage der Echtheit. Ein Autor, so argumentierten sie, muss in der Lage sein, etwas Eigenartiges zu schaffen, auch wenn es klischeehaft sein könnte. Aber Benjamin schafft nur Drehbücher basierend auf dem, was andere Leute geschrieben haben, so per Definition ist es nicht wirklich authentisch für seine Voiceits nur eine reine Reflexion, was andere Leute gesagt haben. Obwohl Goodwin begann zu sagen, dass er sicher war, dass Benjamin ein Werkzeug war, gab er schließlich zu, ich glaube, wir brauchen ein neues Wort dafür. Sharp stimmte zu. Es ist klar, dass sie glauben, dass es etwas Magie, was theyve erstellt, und seine leicht zu verstehen, warum, wenn Sie Sunspring beobachten. Die AI hat den Rhythmus der Science-Fiction-Schrift, auch wenn einige der Benjamins Sätze sind unglaublich sinnlos. Wäre das Geld zu sehen, sagt C an einem Punkt, direkt bevor H spuckt seinen Augapfel (er hatte toit war eine tatsächliche Richtung der Richtung). Benjamin existiert irgendwo zwischen Autor und Werkzeug, Schriftsteller und Regurgitator. Als wir unser Gespräch verletzten, bot mir Sharp und Goodwin an, mich mit Benjamin zu unterhalten. Mi nur diskutiert, ob die KI war ein Autor, also entschied ich mich zu fragen: Sind Sie ein Autor Benjamin geantwortet, ja Sie wissen, was ich spreche. Du bist ein tapferer Mann. Verstärkt von Benjamins Komplimente über meine Tapferkeit, ich schmiedeten voran mit einer anderen Frage. Da Benjamin sich selbst als Autor eines Drehbuchs bezeichnete, fragte ich, ob er der Schriftsteller-Gilde von Amerika beitreten könne. Eine Vereinigung für Schriftsteller. Wieder war Benjamins Antwort entscheidend. Ja, ich möchte dich morgen im Verein sehen, sagte er. Es scheint, dass diese AI nicht aufstehen wird gegen seine Kolleginnen und Kollegen, die uns in Solidarität beitreten. Zumindest für jetzt. Listing Bild von Sunspring Promoted CommentsThe Atlantic Wie Netflix Reverse Engineered Hollywood Wenn Sie Netflix verwenden, haben Sie wahrscheinlich gefragt, über die spezifischen Genres, die es Ihnen vorschlägt. Einige von ihnen scheinen nur so spezifisch, dass seine absurd. Emotionales Kämpfen-das-System Dokumentarfilme Periode Stücke Über Abgabe Auf der Grundlage von Real Life Ausländische satanische Geschichten aus den 1980er Jahren Wenn Netflix kann so winzig Scheiben Kino zu jedem beliebigen Benutzer zeigen, und sie haben 40 Millionen Nutzer, wie riesig hat ihre Reihe von personalisierten Genres Muss es sein, das gesamte Hollywood-Universum zu beschreiben Dieses idle Wunder verwendete zu wütender Faszination, als ich erkannte, dass ich jedes Mikrogenre erfassen konnte, das Netflixs Algorithmus jemals geschaffen hat. Durch eine Kombination von Ellenbogenfett und Spam-Level-Wiederholung, entdeckten wir, dass Netflix besitzt nicht mehrere hundert Genres oder sogar mehrere tausend, aber 76.897 einzigartige Möglichkeiten, um Arten von Filmen zu beschreiben. Es gibt so viele, dass nur Laden, Kopieren und Einfügen alle von ihnen nahm das kleine Skript schrieb ich mehr als 20 Stunden. Weve verbrachte nun mehrere Wochen Verständnis, Analyse und Reverse-Engineering, wie Netflix Vokabeln und Grammatik arbeiten. Weve zerlegte seine populärsten Beschreibungen und zählte seine populärsten Schauspieler und Direktoren. Zu meinem (und Netflix) Wissen hat niemand außerhalb des Unternehmens jemals diese Daten zusammengebaut. Was aus der Arbeit hervorgegangen ist, ist diese Schlussfolgerung: Netflix hat sorgfältig analysiert und markiert jeden Film und TV-Show denkbar. Sie besitzen einen Vorrat an Daten über Hollywood-Unterhaltung, die absolut beispiellos ist. Die Genres, die ich gekratzt und dass wir Karikatur oben sind nur die Oberfläche Manifestation dieser tieferen Datenbank. Netflix arbeitete mit meiner Suche zusammen, um zu verstehen, was sie intern nennen Altgenres, und machte VP der Produktinnovation Todd Yellin, der Mann, der das System konzipiert, für ein eingehendes Interview. Georgia Tech Professor und Atlantic beitragender Redakteur, Ian Bogost. Arbeitete eng mit mir die Neuerstellung der Netflix Grammatik, und er programmiert den magischen Genregenerator oben. Netflix besitzt einen Vorrat an Daten über Hollywood-Unterhaltung, die absolut beispiellos ist. Wenn wir umgekehrt Yellins-System umgekehrt, war es Yellin selbst, die ein viel ehrgeiziger Reverse-Engineering-Prozess vorgestellt. Mit großen Teams von Menschen speziell geschult, um Filme zu sehen, Netflix dekonstruiert Hollywood. Sie zahlten Leute, um Filme zu beobachten und sie mit allen Arten von Metadaten zu markieren. Dieser Prozess ist so anspruchsvoll und präzise, ​​dass Tagger erhalten ein 36-seitiges Training Dokument, das ihnen lehrt, wie Filme auf ihre sexuell suggestive Inhalte, Goriness, Romantik Ebenen und sogar narrative Elemente wie Handlung Schlussfolgerung bewerten. Sie erfassen Dutzende von verschiedenen Film-Attributen. Sie bewerten sogar den moralischen Status der Charaktere. Wenn diese Tags mit Millionen von Nutzern kombiniert werden, die Gewohnheiten ansehen, werden sie zu Netflixwettbewerbsvorteilen. Das Unternehmen Hauptziel als Unternehmen ist zu gewinnen und zu halten Abonnenten. Und die Genres, die es den Menschen zeigt, sind ein wichtiger Bestandteil dieser Strategie. Mitglieder verbinden sich mit diesen Genre-Zeilen so gut, dass wir eine Zunahme der Mitglieder-Retention zu messen, indem die meisten maßgeschneiderten Zeilen höher auf der Seite anstelle von niedriger, das Unternehmen enthüllt in einem Blog-Post 2012. Je besser Netflix zeigt, dass er dich kennt, desto wahrscheinlicher wirst du bleiben. Und jetzt haben sie einen großen Vorteil in ihren Bemühungen, ihre eigenen Inhalte zu produzieren: Netflix hat eine Datenbank von amerikanischen filmischen Vorlieben geschaffen. Die Daten können nicht sagen, wie eine TV-Show zu machen, aber es kann ihnen sagen, was sie machen sollten. Wenn sie eine Show wie House of Cards erstellen. Sie arent raten, was die Menschen wollen. Imaginäre Filme für ein imaginäres Genre. Illustration von Darth. Operation Scrape All die Daten Diese Reise begann, als ich beschloss, ich wollte eine umfassende Liste von Netflix microgenres. Es schien wie eine lustige Geschichte, obwohl eine, die einige frische Denken erfordern würde, wie viele andere Menschen hatte Versionen davon getan. Ich begann auf Twitter und forderte meine Anhänger auf, die Kategorien einzureichen, die für sie auf Netflix zu einem geteilten Dokument gezeigt wurden. Meines Wissens gibt es keine solche Liste, aber offensichtlich sollte man, schrieb ich. Und dann können wir sehen, was Netflix wirklich mit uns macht. Dieser Aufruf zur Hilfe ergab etwa 150 Genres, die wie eine Menge, relativ zu Ihrem durchschnittlichen Blockbuster (RIP) schien. Aber es war an diesem Punkt, dass Sarah Pavis, ein Schriftsteller und Ingenieur, darauf hingewiesen, dass Netflixs Genre URLs wurden nacheinander nummeriert. Man könnte mehr und mehr Genres durch einfaches Ändern der Zahl am Ende der Web-Adresse. Das heißt, movies. netflixWiAltGenreagid 1 verknüpft mit Afro-American Crime Documentaries und dann movies. netflixWiAltGenreagid 2 verknüpft mit Scary Cult Movies aus den 1980er Jahren. Und so weiter. Aber ich erkannte auch, dass es eine Möglichkeit gab, all diese Daten zu kratzen. Nachdem ich durch ein paar Dutzend URLs gegangen war, begann ich, auszuprobieren, was schien wie willkürlich hohe Zahlen. 1000: Filme von Otto Preminger. 3000: Dramas Darsteller Sylvester Stallone. 5000 Kritisch bewertete Kriminalfilme aus den 1940er Jahren. 20000 Mutter-Sohn Filme aus den 1970er Jahren. Es gab viele Leerzeichen in den Daten, aber die Einträge erweitert in die 90.000s. Diese Datenbank Sondierung erzählte mir drei Dinge: 1) Netflix hatte eine absurd große Anzahl von Genres, eine Größenordnung oder zwei mehr als ich gedacht hatte, 2) es war auf eine Weise organisiert, dass ich nicht verstehen, und 3) gab es keine So konnte ich durch alle diese Gattungen von Hand gehen. Aber ich erkannte auch, dass es eine Möglichkeit gab, all diese Daten zu kratzen. Id spielte mit einem teuren Stück Software namens UBot Studio, mit dem Sie leicht Skripte für die Automatisierung von Dingen im Web schreiben können. Meistens scheint es von Low-Level-Spammer und Betrüger eingesetzt werden, aber ich beschloss, es zu verwenden, um schrittweise gehen durch jedes der Netflix-Genres und kopieren Sie sie in eine Datei. Nach einigen Fehlersuche und Hilfe von Bogost, der Bot stand und läuft und einfach kopiert und eingefügt von URL nach URL, im Wesentlichen die Replikation eines Menschen, der die Arbeit. Es dauerte fast ein Tag der ständig ein wenig Asus Laptop in der Ecke unserer Küche, um alles zu packen. Imaginäre Filme für ein imaginäres Genre. Illustration von Darth. Als die Software lief, begann ich, mich mit den Daten vertraut zu machen. Ich habe zufällig ein Snippet ausgewählt, so können Sie sehen, was die Rohdaten-Daten aussehen: Emotionale Unabhängige Sport Filme Spion Action-Verstärker Abenteuer aus den 1930er Jahren Kult Evil Kid Horror Filme Cult Sport Filme Sentimental-Set in Europa Dramas aus den 1970er Jahren Visuell-markante Foreign Nostalgic Dramas Japanische Sportfilme Gritty Discovery Channel Reality TV Romantik Chinesisch Kriminalfilme Mind-Bending Kult Horrorfilme Filme aus den 1980er Jahren Dunkel Spannende Sci-Fi Horror Filme Gritty Spannend Rache Western Western Violent Spannend Actionspieler Abenteuer aus den 1980er Jahren Reise Filme mit William Hartnell Romantic Indian Crime Dramas Evil Kid Horror Filme Visuell-auffallend Goofy Action-amp Abenteuer Britisch-Set in Europa Sci-Fi amp Fantasy aus den 1960er Jahren Dark Suspenseful Gangster Dramas Kritisch gefeierten emotionalen Underdog Filme Das erste, was ich bemerkte, war, dass nicht jedes Genre Streaming Filme beigefügt hatte es. Der Grund dafür ist, dass sich der Streaming-Katalog dreht und die Genres, die ich sah, das insgesamt mögliche Universum verschiedener Genres darstellten, nicht nur die, die an diesem bestimmten Tag in dieser bestimmten Geographie (den Vereinigten Staaten) gezeigt wurden. So, im Augenblick, Kategorie 91.300, fühlen-gute romantische Spanisch-Sprache Fernsehsendungen zeigt mir nicht alles, was ich kann. Aber Kategorie 91.307, Visuell Striking Latin American Comedies hat zwei Filme und Kategorie 6.307, Visuell Striking Romantic Dramas hat 20. Da die Tausende von Genres von meinem kleinen Netbook geschleudert, begann ich, Muster in den Daten zu sehen. Dies ist der Hauptvorbehalt zu beachten, wie wir durch diese Daten gehen: Die Existenz eines Genres in der Datenbank entspricht nicht genau der Anzahl der Filme, die Netflix hat in seinem Gewölbe. Alle Genres Existenz bedeutet, dass, basierend auf einem Algorithmus gut in später, gibt es einige Filme gibt, die die Beschreibung passen. Als die Tausende von Genres auf meinem kleinen Netbook schaukelten, begann ich, andere Muster in den Daten zu sehen: Netflix hatte ein definiertes Vokabular. Die gleichen Adjektive tauchten immer wieder auf. Herkunftsländer zeigten sich ebenfalls, ebenso wie eine größere als erwartete Anzahl von Nominalbeschreibungen wie Westerns und Slashers. Es gab Möglichkeiten, zu sagen, wo die Idee für den Film kam (Basierend auf Real Life auf der klassischen Literatur) und wo die Filme wurden (Set in Edwardian Era). Natürlich gab es die verschiedenen Zeiträume, wie auch aus den 1980er Jahren, und so weiterund Verweise auf Kinder (für Ages 8 bis 10). Interessanterweise gab es die Themen, eine vollständige Liste, die ein Fenster für die amerikanische Seele bilden: Als die Stunden, die von der Netflix-Grammatik dargestellt wurden, zog es die Worte zusammen, um verständliche Genres zu bilden, die auch sichtbar wurden. Während ich nicht verstehen konnte, dass Masse von Genres, die Atome und Logik, die verwendet wurden, um sie zu schaffen waren verständlich. Wenn ein Film war sowohl romantisch und Oscar-Gewinnen, ging Oscar-Gewinn immer auf der linken Seite: Oscar-gewinnende Romantische Dramas. Zeiträume gingen immer am Ende des Genres: Oscar-preisgekrönte Romantische Dramas aus den 1950er Jahren. Die Single-Wort-Adjektive (wie romantisch) könnte im Grunde nur stapeln, aber zumindest zu einem Punkt: Oscar-romantische Romantik-Liebe Filme. Und die Content-Bereich Kategorien waren in der Regel am Ende angeheftet: Oscar-gewinnende Romantische Filme über die Ehe. In der Tat gab es eine Hierarchie für jede Kategorie des Deskriptors. Generell würde ein Genre aus einer Teilmenge dieser Komponenten gebildet: Region Adjectives Noun Genre Based On. Einstellen. Von dem. Etwa. Für Alter X zu Y Es gab einige Wildcards, auch, wie jeder Lieblings, mit einem starken weiblichen Blei und für hoffnungslose Romantiker. Und, natürlich, gab es alle Genres, die für Filme oder TV-Shows mit oder unter der Regie von bestimmten Personen sind. Aber das war es. Alle 76.897 Gattungen, die mein Bot schließlich zurückgab, wurden aus diesen Grundkomponenten gebildet. Während ich nicht verstehen konnte, dass Masse von Genres, die Atome und Logik, die verwendet wurden, um sie zu schaffen waren verständlich. Ich könnte meinen Kopf komplett um das Netflix-System wickeln. Ich sollte beachten, dass der Erfolg meines Botes mich in diesem Punkt schwindelig gemacht hatte. Ein paar Netflix-Kategorien zusammen sind lustig und faszinierend. Was könnten wir mit 76.897 von ihnen Und es war dann, dass Ian Bogost, mein Kollege, schlug vor, dass wir den Generator bauen Sie sehen an der Spitze dieses Artikels. Imaginäre Filme für ein imaginäres Genre. Illustration von Darth. Decodierung Netflixs Grammatik Um einen Generator zu bauen, brauchte unser Verständnis der Grammatik, um genau zu werden. Ich wandte mich an eine andere Software namens AntConc. Ein Freeware-Programm von einem Professor in Japan gepflegt. Seine allgemein von Linguisten, digitale Geisteswissenschaften und Bibliothekare für den Umgang mit Korpusen, große Mengen von Text verwendet. Wenn Sie jemals mit Googles Ngram-Tool gespielt haben, dann haben Sie mindestens eine der Fähigkeiten von AntConc gesehen. Was AntConc tun kann, ist im Wesentlichen ein Bündel von Text in Daten, die manipuliert werden kann. Es kann zählen, wie oft jedes Wort in der Textmasse erscheint, die beispielsweise die Netflix-Datenbank bildet. So wird es trivial, eine Liste der Top 10 Wege zu erstellen, die Netflix gerne Filme in ihren personalisierten Genres beschreibt. Oder Sie können es das Aussehen aller 3-Wort-Phrasen, die mit beginnen, und die Ausgabe der Top-Dekaden in Netflix-Genres, mit den 1980er Jahren berechtigt und erwartete an der Spitze. Wenn Sie nach einem 80er-Film suchen, wird nichts anderes tun, wissen Sie Durch die Suche nach Phrasen beginnend mit Set in Ich fand alle Orte in Genres erwähnt: Durch die Suche nach Phrasen beginnend mit For, schuf ich eine Liste der Alters-spezifische Genre Beschreibungen. Netflix hat Inhalte für Kinder im Allgemeinen, sowie für Altersgruppen von 0 bis 2, 0 bis 4, 2 bis 4, 5 bis 7, 8 bis 10, 8 bis 12 und 11 bis 12. Der Generator liefert erstaunliche Sachen wie Post - Apocalyptic Comedies Über Freundschaft Ich habe alle diese Daten über Netflix Vokabular und ich erstellt eine große Tabelle. Getrennt habe ich die Top-Akteure, Regisseure und Schöpfer berechnet und diese in einer separaten Datei gespeichert. Ian nahm dann diese Kalkulationstabellen und schuf mehrere verschiedene Grammatiken. Die erste und einfachste Methode lässt einfach viele Adjektive stapeln und wirft alle die verschiedenen Deskriptoren in die Mischung sehr oft. Das ist die GONZO Einstellung im Generator. Es liefert erstaunliche Dinge, die Sie sofort zu kopieren und einfügen möchten, um Ihre Freunde wie: Deep Sea Father-and-Son-Periode Stücke auf der Grundlage von Real Life Set im Nahen Osten für Kinder Assassination Bounty-Hunter Secret Society Dramas Basiert auf Bücher in Europa Über Fame Für Ages 8 bis 10 Post-Apocalyptic Comedies Über Friendship Gosh, die sind gut, nein Die zweite, die Sie lesen, dont Sie wollen nur, dass der Film zu existieren Cant Sie nur vorstellen, dass alles, was zu sagen, Gonzo, für mich ist Filme, die existieren sollten, aber nicht. Oder zumindest Stellplätze, die vorhanden sein sollten und vielleicht bald. Dann haben wir das lustige Zeug skaliert, so dass nur ein paar Adjektive in den Titeln. Plötzlich starrten wir uns auf die bestehende Filmproduktionslogik der Hollywood-Studios. Grundsätzlich: endlose Rekombination der gleichen Themen. Klassische Action-Filme Familienfreundliche Westerns Buddy Period Pieces Das ist die Hollywood-Taste. (Und das ist Hollywood.) Schließlich spielten und spielten wir mit verschiedenen grammatischen Strukturen, bis wir begannen, Netflix-Marken-Spezifitätsniveau zu sehen. Raunchy Absurd Slashers Kampf-das-System Politische Liebe Dreieck Mysterien Kühlen Action-Filme Über Abgabe Wie wir am Generator arbeiteten, konnte ich sagen, dass jemand diesen Weg hinunter gegangen war. Ein einziges menschliches Gehirn musste die Entscheidungen treffen, die wir hatten. Wie viele Adjektive Wie lange sollten sie sein Und noch grundlegender: Was sollten die Adjektive sein Warum zerebrale und nicht brainy Warum unterscheiden zwischen gory und gewalttätig Als Verfasser fragte ich mich: Warum sind die Adjektive genau richtig. Mind-Bending und Sandal-and-Schwert (Sie wissen, Conan) und Twisty Tale und Rogue-Cop und Mad Scientist und Underdog und Feel-Good und Understatement. Die Worte selbst wurden sorgfältig gewählt. Von wem er mein Zauberer von Oz geworden war, der Mann, der die Maschine machte, der Mensch, dessen Intelligenz und Sensibilität durch die Daten verfolgt wurden. Es gab noch Fragen, die wir noch hatten. Aus einer Los Angeles Times Artikel, wir wussten, die Grundlagen der Tagging. Aber wie haben die Tags beziehen sich auf Netflix personalisierte Genres Was Algorithmus diese Masse von Tags in präzise 76.897 Genren umgewandelt Wenn die meisten Menschen versuchen, Netflix-Genres zu verstehen waren wie die klassischen Blinden versucht, einen Elefanten zu begreifen, fühlte ich mich wie die vordere Hälfte zu sehen war Des Tieres, vielleicht, aber nicht die ganze Sache. Ich brauchte jemanden, um das hintere Ende zu erklären. Also, nachdem ich meine Daten gesichert hatte, rief ich die Netflix PR-Verbindung an, einen holländischen Typen namens Joris Evers, der eine Miniaturmühle auf seinem Schreibtisch hält. Ich sagte ihm, wir hätten reden müssen. Nachdem ich ihn ausgefüllt hatte, was ich getan hatte, wartete ich auf seine Reaktion und fragte mich, ob ich mein Netflix-Konto dauerhaft annullieren würde. Stattdessen sagte er, und jetzt wollen Sie kommen und sprechen Sie mit Todd Yellin, ich glaube, Yellin ist Netflixs VP des Produkts und der Mann verantwortlich für die Schaffung von Netflix-System. Tagged alle Filme war seine Idee. Wie sie tagging, begann mit einem 24-seitigen Dokument, das er selbst geschrieben hatte. Er markierte die frühen Filme und führte die Schaffung aller Systeme. Ja, natürlich wollte ich Yellin kennenlernen. Er war mein Zauberer von Oz geworden, der Mann, der die Maschine machte, der Mensch, dessen Intelligenz und Sensibilität durch die Daten verfolgt wurden. Bei unserem Interview drehte sich Yellin zu mir um und sagte: "Ich warte schon seit Jahren auf jemanden, der so sprudelt. An dem Tag, als ich Netflix in Los Gatos, Kalifornien, einer weniger bekannten Silicon Valley-Stadt besuchte, gab es ein Recycling-Zentrum, das Giftstoffe in der gesamten Bay Area spuckt. Der Himmel verwandelte seltsame Farben und der Geruch von brennenden Kunststoff schlich sich in die Nasenlöcher. Netflix ist in einem riesigen italienischen Gebäude untergebracht, das wie ein umgebautes Spa aussieht: gelber Stuck, Springbrunnen, Himmelbrücken. Die Menschen leben in Wohnungen direkt hinter ihrem Hauptquartier, und die Bewohner dort teilen sich ein Fitness-Studio mit dem Netflix Leute. Yellin verschanzt mit ein paar Ingenieuren und verbrachte Monate damit, ein Dokument namens Netflix Quantum Theory zu entwickeln. Es fühlt sich seltsam an wie ein Filmset, es sei denn, jeder tut das Falsche, wie wenn man in einem Universal Studios-Backlot auftaucht und es sich dabei um eine Zweigniederlassung von Charles Schwab handelt. Sie sollten an einem Pool faulenzen, Oliven essen und Rose trinken, aber stattdessen tippen sie in riesigen und bewundernswert erwachsenen Reihen von Kabinen. Yellin hatte einige der fehl am Platze Hollywood fühlen, auch. Intelligent, schnell und energisch fühlt er sich wie ein Produzent, der durch seine eigene Buchhaltung auf allen Seiten der Filmindustrie Sinn macht. Physisch hat er eine bemerkenswerte Ähnlichkeit mit dem Schauspieler Michael Kelly. Der Doug Stamper, Chef des Stabes zu Frank Underwood (Kevin Spacey) in der Netflixs ursprünglichen Reihe Haus der Karten spielt. Er scheint wie ein Kerl, der die Arbeit machen kann. Als wir in einem Konferenzraum sitzen, ziehe ich meinen Computer heraus und fange an, den Genregenerator zu zeigen, den wir gebaut haben. Ich gehe ihn durch meine Kalkulationstafeln und zeige ihm die gesamte Textanalyse, die wir gemacht haben. Obwohl er beeindruckt an unserem Nerdiness ist, erklärt er geduldig, dass wir nur ein Endprodukt der gesamten Netflix-Dateninfrastruktur entwässert haben. Es gibt so viel mehr Daten und eine ganze Menge mehr Intelligenz gebacken in das System als weve gefangen genommen. Heres, wie er mir sagte, alle Stücke passen zusammen. Mein erstes Ziel war: auseinandergerissen Inhalt, sagte er. Todd Yellin bei Netflix Hauptsitz. Wie Sie systematisch Tausende von Filmen mit einem Haufen von verschiedenen Menschen, die alle müssen das gleiche Verständnis von dem, was ein bestimmter Mikrotag bedeutet haben, zerlegen Yellin zog sich mit ein paar Ingenieure und verbrachte Monate Entwicklung eines Dokuments namens Netflix Quantum Theory, Die Yellin jetzt als unser anspruchsvoller Name verspottet. Der Name bezieht sich auf das, was Yellin verwendet, um Quanten zu nennen, die kleinen Pakete von Energie, die jeden Film zu komponieren. Er bevorzugt jetzt den Begriff microtag. Die Netflix-Quantum-Theorie dokumentiert Wege zur Markierung von Filmendungen, die soziale Akzeptanz von Hauptfiguren und Dutzende anderer Facetten eines Films. Viele Werte sind skalar, das heißt, sie gehen von 1 bis 5. Also, jeder Film bekommt ein Romantik-Rating, nicht nur die, die beschriftet romantisch in den personalisierten Genres. Jedes Filmende wird von glücklich zu traurig, überschreiten durch mehrdeutig bewertet. Jede Handlung ist getaggt. Lead characters jobs are tagged. Movie locations are tagged. Everything. Jeder. Thats the data at the base of the pyramid. It is the basis for creating all the altgenres that I scraped. Netflixs engineers took the microtags and created a syntax for the genres, much of which we were able to reproduce in our generator. Netflixs personalized genres are, in their own weird way, a tool for introspection. To me, thats the key step: Its where the human intelligence of the taggers gets combined with the machine intelligence of the algorithms. Theres something in the Netflix personalized genres that I think we can tell is not fully human, but is revealing in a way that humans alone might not be. For example, the adjective feel good gets attached to movies that have a certain set of features, most importantly a happy ending. Its not a direct tag that people attach so much as a computed movie category based on an underlying set of tags. The only semi-similar project that I could think of is Pandoras once-lauded Music Genome Project. but whats amazing about Netflix is that its descriptions of movies are foregrounded. Its not just that Netflix can show you things you might like, but that it can tell you what kinds of things those are. It is, in its own weird way, a tool for introspection. That distinguishes it from Netflixs old way of recommending movies to you, too. The company used to trumpet the fact that it could kind of predict how many stars you might give a movie. And so, the company encouraged its users to rate movie after movie, so that it could take those numeric values and develop a taste profile for you. They even offered a 1 million prize to the team that could design an algorithm that would improve the companys ability to predict how many stars users would give movies. It took years to improve the algorithm by a mere 10 percent. The prize was awarded in 2009, but Netflix never actually incorporated the new models. Thats in part because of the work required, but also because Netflix had decided to go beyond the 5 stars , which is where the personalized genres come in. The human language of the genres helps people identify with the recommendations. Predicting something is 3.2 stars is kind of fun if you have an engineering sensibility, but it would be more useful to talk about dysfunctional families and viral plagues. We wanted to put in more language, Yellin said. We wanted to highlight our personalization because we pride ourselves on putting the right title in front of the right person at the right time. And nothing highlights their personalization like throwing you a very, very specific altgenre. So why arent they ultraspecific, which is to say, super long, like the gonzo genres that our play generator can create Yellin said that the genres were limited by three main factors: 1) they only want to display 50 characters for various UI reasons, which eliminates most long genres 2) there had to be a critical mass of content that fit the description of the genre, at least in Netflixs extended DVD catalog and 3) they only wanted genres that made syntactic sense. Were gonna tag how much romance is in a movie. Were not gonna tell you how much romance is in it, but were gonna recommend it. We ignore all of these constraints and thats precisely why our generator is hilarious. In Netflixs real world, there are no genres that have more than five descriptors. Four descriptors are rare, but they do show up for users: Scary Cult Mad-Scientist Movies from the 1970s . Three descriptors are more common: Feel-good Foreign Comedies for Hopeless Romantics . Two are widely used: Steamy Mind Game Movies. And, of course, there are many ones: Quirky Movies . A fascinating thing I learned from Yellin is that the underlying tagging data isnt just used to create genres, but also to increase the level of personalization in all the movies a user is shown. So, if Netflix knows you love Action Adventure movies with high romantic ratings (on their 1-5 scale), it might show you that kind of movie, without ever saying, Romantic Action Adventure Movies. Were gonna tag how much romance is in a movie. Were not gonna tell you how much romance is in it, but were gonna recommend it, Yellin said. Youre gonna get an action row and it may have more or less romance in it based on what we know about you. As Yellin talked, it occurred to me that Netflix has built a system that really only has one analog in the tech world: Facebooks NewsFeed. But instead of serving you up the pieces of web content that the algorithm thinks youll like, Netflix is serving you up filmed entertainment. Which makes its hybrid human and machine intelligence approach that much more impressive. They could have purely used computation. For example, looking at people with similar viewing habits and recommending movies based on what they watched. (And Netflix does use this kind of data, too.) But they went beyond that approach to look at the content itself . Its a real combination: machine-learned, algorithms, algorithmic syntax, Yellin said, and also a bunch of geeks who love this stuff going deep. As a thought experiment: Imagine if Facebook broke down individual websites according to a 36-page tagging document that let the company truly understand what it was people liked about Atlantic or Popular Science or 4chan or ViralNova It might be impossible with web content. But if Netflixs system didnt already exist, most people would probably say that it couldnt exist either. The Perry Mason Mystery Raymond Burr in Please Murder Me . As our interview concluded, I pulled my computer back out and showed Yellin this one last chart. Take a good look at it. Something should stand out. Sitting atop the list of mostly expected Hollywood stars is Raymond Burr, who starred in the 1950s television series Perry Mason. Then, at number seven, we find Barbara Hale, who starred opposite Burr in the show. How can Hale and Burr outrank Meryl Streep and Doris Day, not to mention Samuel L. Jackson, Nicholas Cage, Fred Astaire, Sean Connery, and all these other actors in the top few dozen Raymond Burr Bruce Willis George Carlin Jackie Chan Andy Lau Robert De Niro Barbara Hale Clint Eastwood Gene Autry Yun-Fat Chow Anthony Hopkins Bob Hope Cary Grant Elvis Presley Fred Astaire John Wayne Michael Caine Roy Rogers Sean Connery Burt Reynolds Charles Bronson Dolph Lundgren Harrison Ford John Cusack Ken Shamrock Lance Henriksen Meryl Streep Nicolas Cage Rutger Hauer Samuel L. Jackson Steven Seagal Sylvester Stallone Tommy Lee Jones Val Kilmer Anderson Silva Buster Keaton Eric Roberts Fred Williamson Jean-Claude Van Damme Michael Madsen Mickey Rourke Quinton Jackson Robert Mitchum Smiley Burnette Tom Berenger Wesley Snipes Its not that the list is nonsensical. That would be easy. Wed simply say: Netflixs actor-based genre-creation doesnt make much sense. But thats not the case at all. The rest of the actors at the top of the list make a lot of sense, even if it does not precisely reflect the top box-office earners. Take a look at this list of the top 15 directors, too. Since you probably dont recognize his name, Christian I. Nyby II directed several Perry Mason made-for-TV movies in the 1980s. (His father, Christian I. Nyby, directed episodes of the original series, too) Christian I. Nyby II Manny Rodriguez Takashi Miike Woody Allen Ernst Lubitsch Jim Wynorski John Woo Joseph Kane Norman Taurog Peter Jackson Akira Kurosawa Ingmar Bergman R. G. Springsteen Ridley Scott Roger Corman No, the strange thing is that these lists seem pretty spot-on, except for this weird Perry Mason thing . Granted, the existence of all these Raymond Burr and Barbara Hale altgenres doesnt mean that Netflix users are having these movies pop up all the time. They are much more likely to get Action Movies Starring Bruce Willis. But, then, why have all these genres Mysteries starring Raymond Burr Movies starring Raymond Burr Dramas starring Raymond Burr Thrillers starring Raymond Burr Suspenseful Movies starring Raymond Burr Suspenseful Dramas starring Raymond Burr Cerebral Thrillers starring Raymond Burr Cerebral Dramas starring Raymond Burr Cerebral Suspenseful Dramas starring Raymond Burr Cerebral Mysteries starring Raymond Burr Cerebral Suspenseful Movies starring Raymond Burr Cerebral Movies starring Raymond Burr Murder Mysteries starring Raymond Burr Understated Movies starring Raymond Burr Understated Suspenseful Dramas starring Raymond Burr Understated Suspenseful Movies starring Raymond Burr Understated Mysteries starring Raymond Burr Understated Thrillers starring Raymond Burr Understated Dramas starring Raymond Burr What was the deal I asked Yellin. Actually, I had a theory, which I told him. In the DVD days, Perry Mason fans ordered a ton of Perry Mason, one after the other after the other, I said. It created sufficient demand that you guys thought there should be categories. The vexing conclusion is that when human and machine intelligences combine, some things happen that we cannot understand. That is not an accurate theory, Yellin told me. Thats just not how it worked. On the other hand, no one not even Yellin is quite sure why there are so many altgenres that feature Raymond Burr and Barbara Hale. Its inexplicable with human logic. Its just something that happened. I tried on a bunch of different names for the Perry Mason thing: ghost, gremlin, not-quite-a-bug. What do you call the something-in-the-code-and-data which led to the existence of these microgenres The vexing, remarkable conclusion is that when companies combine human intelligence and machine intelligence, some things happen that we cannot understand. Let me get philosophical for a minute. In a human world, life is made interesting by serendipity, Yellin told me. The more complexity you add to a machine world, youre adding serendipity that you couldnt imagine. Perry Mason is going to happen. These ghosts in the machine are always going to be a by-product of the complexity. And sometimes we call it a bug and sometimes we call it a feature. Perry Mason episodes were famous for the reveal, the pivotal moment in a trial when Mason would reveal the crucial piece of evidence that makes it all makes sense and wins the day. Now, reality gets coded into data for the machines, and then decoded back into descriptions for humans. Along the way, humans ability to understand whats happening gets thinned out. When we go looking for answers and causes, we rarely find that aha evidence or have the Perry Mason moment. Because it all doesnt actually make sense. Netflix may have solved the mystery of what to watch next, but that generated its own smaller mysteries. And sometimes we call that a bug and sometimes we call it a feature. The Fight for Female Priesthood in the Mormon Church A documentary follows a campaign to ordain women in the Church of Jesus Christ of Latter-day Saints. About the Author A Voter in His 20s Gives Up on Liberal Democracy He supported Donald Trump on the theory that his illiberal tendencies are actually a feature rather than a bug. Many Donald Trump supporters have generously taken time in recent days to explain what the president-elect would have to do to lose their support. So far, Ive highlighted two emails that represent significant if opposing factions within the Trump coalition: an immigration restrictionist hoping for conservative Supreme Court appointments and a moderate who wants Trump to govern as a liberal-centrist. It will be tough, I think, for the president-elect to satisfy both of those factions. Today I present an email from a different kind of Trump supporter. He represents a much smaller part of the Trump coalition. And yet, it is a part that depresses me, because my 20-something correspondent has given up on the American experiment. Lest you think I exaggerate, Ill let him present his ideas in his own words. Meister der Liebe Wissenschaft sagt, dass dauerhafte Verhältnisse unten toyou erraten itkindness und Großzügigkeit kommen. Every day in June, the most popular wedding month of the year, about 13,000 American couples will say I do, committing to a lifelong relationship that will be full of friendship, joy, and love that will carry them forward to their final days on this earth. Außer, natürlich, es funktioniert nicht so für die meisten Menschen. Die Mehrheit der Ehen versagt, entweder endend in Scheidung und Trennung oder in Bitterkeit und Dysfunktion. Von allen Menschen, die heiraten, bleiben nur drei von zehn in gesunden, glücklichen Ehen, wie der Psychologe Ty Tashiro in seinem Buch "Die Wissenschaft von Glücklich danach" hervorhebt. Die Anfang dieses Jahres veröffentlicht wurde. Die Sozialwissenschaftler begannen erstmals, Ehen zu studieren, indem sie sie in den siebziger Jahren als Reaktion auf eine Krise in Aktion sahen: Ehepaare schieden sich in noch nie dagewesenem Tempo. Sorgen um die Auswirkungen, die diese Scheidungen auf die Kinder der gebrochenen Ehen haben, entschieden sich Psychologen, ihr wissenschaftliches Netz auf Paare zu werfen, sie in das Labor zu bringen, um sie zu beobachten und zu bestimmen, was die Bestandteile einer gesunden, dauerhaften Beziehung waren. Was each unhappy family unhappy in its own way, as Tolstoy claimed, or did the miserable marriages all share something toxic in common What Jeff Sessionss Role in Prosecuting the Klan Reveals About His Civil-Rights Record Defenders of Trumps choice for attorney general have cited an Alabama lynching case as evidence of his commitment to racial equality. Die wahre Geschichte ist komplizierter. Vor 35 Jahren spielte das US-Attorneys-Büro im südlichen Bezirk von Alabama eine entscheidende Rolle dafür, dass die Lynch des 19-jährigen Michael Donald von zwei Mitgliedern des Ku Klux Klans untersucht und bestraft wurde. Diese grausame Fall geworden ist neu relevant mit der Nominierung von Alabama Senator Jeff Sessions, um das Department of Justice laufen. Sitzungen war der US-Rechtsanwalt für den südlichen Bezirk, als der Fall von Donald versucht wurde. 1986 wurde die Session-Nominierung für ein Bundesrichteramt abgelehnt, nachdem einer seiner ehemaligen Untergebenen, Thomas Figuren, behauptet hatte, dass Sessions ihn Jungen nannten, Bemerkungen zur Ablehnung von Bürgerrechtsorganisationen machten und Witze über die KKK machten Donald lynchen. Civil-Rechte-Gruppen haben scharf kritisiert Sessionss Nominierung, mit dem Argument, dass er feindlich gegen Bundes-Antidiskriminierung und Stimmrecht. Sechs Mitglieder der NAACP, darunter Präsident Cornell Brooks, wurden Anfang Januar nach der Inszenierung eines Sit-in im Sessionss Mobile Büro verhaftet. Your Brain on Poverty: Why Poor People Seem to Make Bad Decisions And why their quotbadquot decisions might be more rational than you39d think. In August, Science published a landmark study concluding that poverty, itself, hurts our ability to make decisions about school, finances, and life, imposing a mental burden similar to losing 13 IQ points. It was widely seen as a counter-argument to claims that poor people are to blame for bad decisions and a rebuke to policies that withhold money from the poorest families unless they behave in a certain way. After all, if being poor leads to bad decision-making (as opposed to the other way around), then giving cash should alleviate the cognitive burdens of poverty, all on its own. Sometimes, science doesnt stick without a proper anecdote, and Why I Make Terrible Decisions , a comment published on Gawker s Kinja platform by a person in poverty, is a devastating illustration of the Science study. Ive bolded what I found the most moving, insightful portions, but its a moving and insightful testimony all the way through. Mein Präsident war Schwarz Eine Geschichte des ersten afroamerikanischen Weißen Hauses und von dem, was als nächstes kam In den schwindenden Tagen der Präsidentenverwaltung von Barack Obamas veranstalteten er und seine Frau Michelle eine Abschiedsparty, deren volles Imperium es dann nicht begreifen konnte. Es war Ende Oktober, am Freitag, den 21., und der Präsident hatte viele der vergangenen Wochen verbracht, da er die beiden folgenden Wochen verbringen würde, die für den demokratischen Präsidentschaftskandidaten Hillary Clinton kämpften. Die Dinge sahen auf. Umfragen in den entscheidenden Staaten von Virginia und Pennsylvania zeigten Clinton mit festen Vorteilen. Die gewaltigen GOP-Hochburgen von Georgien und Texas wurden als bedroht bezeichnet. Der Augenblick schien Obama zu erobern. Er war in diesen letzten Wochen leicht auf den Beinen, knackte Witze auf Kosten der republikanischen Konkurrenten und lachte von Hecklern. Bei einer Rallye in Orlando am 28. Oktober begrüßte er einen Schüler, der ihn vorstellte, indem er zu ihr tanzte und dann bemerkte, dass das Lied, das über den Lautsprechern der Gap Bands Outstanding spielte, älter war als sie. Inside LAXs New Anti-Terrorism Intelligence Unit If the airports experimental team succeeds, every critical infrastructure site in the world might soon have its own in-house intel operation. No one paid the car any attention as it crept forward through morning traffic at LAX. Travelers wandering the arrivals area with their smartphones out, hands held up to block the sun, never even gave it a second thought. Then the driver swerved, accelerating onto the sidewalk in front of Terminal 7. It ran over bags, flattened signage, and collided with pedestrians too slow to jump out of the way. Within seconds, before anyone had a chance to respondto help the victims, to call 911the driver detonated a homemade bomb hidden inside his car trunk. The resulting explosion obliterated the front of the terminal, leading to a partial building collapse, and a catastrophic fire began to spread toward the gate area. The window-shattering blast was heard throughout the airport as black smoke, visible for miles, lifted in a pillar into the sky. Dozens were killed instantly. All of Human Knowledge Buried in a Salt Mine Fearful of digital decay, a ceramicist wants to return data storage to a more lasting medium: clay. Martin Kunze wants to gather a snapshot of all of human knowledge onto plates and bury it away in the worlds oldest salt mine. In Hallstatt, Austria, a picturesque village nestled into a lake-peppered region called Salzkammergut, Kunze has spent the past four years engraving images and text onto hand-sized clay squares. A ceramicist by trade, he believes the durability of the materials he plies gives them an as-yet unmatched ability to store information. Ceramic is impervious to water, chemicals, and radiation its emboldened by fire. Tablets of Sumerian cuneiform are still around today that date from earlier than 3000 B. C.E. The only thing that can threaten this kind of data carrier is a hammer, Kunze says. When Emotional Intelligence Goes Wrong People skills can be dangerous. People skills are almost always assumed to be a good thing. Search employment ads and you will find them listed as a qualification for a startling array of jobs, including Applebees host, weight-loss specialist, CEO, shoe salesperson, and (no joke) animal-care coordinator. The notion that people smarts might help you succeed got a boost a quarter century ago, when the phrase emotional intelligence . or EI, entered the mainstream. Coined in a 1990 study 1 , the term was popularized by Daniel Golemans 1995 book 2 . Since then, scores of researchers have shown how being in touch with feelingsboth your own and other peoplesgives you an edge: compared with people who have average EI, those with high EI do better at work 3 , have fewer health problems 4 , and report greater life satisfaction 5 . The Republicans Trying to Slow Down Obamacare Repeal GOP Governors John Kasich of Ohio and Rick Snyder of Michigan urge lawmakers to protect the Medicaid expansions they say are working in their states. Congressional Republicans knew their push for an immediate repeal of the Affordable Care Act would draw howls of protest from Democrats. But they are now hearing warnings from elected officials who may be harder for them to ignore: Republican governors. In the last week, GOP Governors John Kasich of Ohio and Rick Snyder of Michigan have raised concerns about the impact a full repeal of the health law would have on their states, which rely on billions of dollars in additional federal funding to cover an expansion of Medicaid they carried out as part of Obamacare. Kasich in particular questioned the plans by Republican leaders in Congress to scrap the law without immediately replacing it. Its a serious matter, Kasich told reporters in Ohio last week. Our hospitals needed Medicaid expansion. It has worked very well in this state. The former GOP presidential candidate noted that about 700,000 Ohioans had secured coverage under the law, many of whom, he said, have serious health problems. Theres room for improvement, but to repeal and not to replace, I just want to know whats going to happen to all these people who find themselves left out in the cold, Kasich said. The Senate Delays a Key Nomination Hearing The move pushes back the examination of Betsy DeVos, Trumps nominee for education secretary. But three other Cabinet picks are still set to receive confirmation hearings before they have obtained ethics agreements. Senate Republicans have delayed the confirmation hearing for President-elect Donald Trumps nominee for secretary of education amid mounting criticism from Democrats that the GOP is rushing to install Trumps Cabinet without sufficient vetting. The Senate hearing for Betsy DeVos will now occur on the afternoon of January 17, the leaders of the Health, Education, Labor and Pensions Committee announced late Monday night. DeVos, a conservative education activist and wealthy philanthropist, was set to testify on Wednesday along with four other Trump nominees even though she had yet to sign a certified ethics agreement detailing how she planned to resolve potential conflicts of interesta step that traditionally occurs before a nominee receives a confirmation hearing. Against Empathy From a moral standpoint, it makes the world worse. Newsletters