Header

Bruno Latour menar att vi regelmässigt tänker fel om teknikens betydelse och roll. Vi tror att tekniska redskap fungerar som ”intermediaries”, som mellanhänder som utan att göra något annat, hjälper oss att realisera våra mål. Tvärtom, säger Bruno, skall tekniska redskap förstås som ”mediators” som ”översätter”, och därmed också mer eller mindre förändrar intentioner, samtidigt som de bidrar till intentionernas realisering.  Ett annat ord för att tala om detta är agens: Bruno säger att verktyg ”har agens” i den bemärkelsen att tekniken förskjuter effekterna av den konstellation av människor och ting som det ingår i. För att dra resonemanget till sin spets föreslår han därför att man, istället för att göra skillnad mellan människor som vill och handlar och verktyg som passivt utför, skall använda ordet  aktant för att tala om båda; så att aktanten Sverker, som sitter framför datorn och skriver så att säga hamnar ”på samma plan” som tangentbordet, processorn och datorskärmen, liksom även WordPress, CDH, osv. som alla bidrar till den övergripande helhet som skrivandet är en del av. Poängen är att jag inte skulle kunna ha velat skriva detta, om det inte vore möjligt och att jag visste att det var möjligt, samtidigt som de omänskliga delarna av denna konstellation givetvis inte hade funnits där om det inte var för människor som ville saker.

Temat för detta inlägg är automatisering, och jag skall utgå från ett antagande som bryter mot Brunos slutsatser: nämligen att ”ren automatisering” är möjligt. Med ”ren” automatisering menar jag att något som en människa gör ”för hand” blir utfört ”automatiskt”. Ett exempel som kommer nära denna idealtyp är informationssökning. Man kan tänka sig en akademiker som letar efter ett visst ord i en tjock bok. Med datorns hjälp kan detta letande automatiseras, så att akademikern genast hittar det. Ett annat exempel är om en person vill ta sig från punkt A till punkt B: resandet kan automatiseras med tåg, flyg, bil, cykel, osv. Karaktäristiskt för dessa exempel är (1) att man vet vad man vill och (2) man får det man vill ha, (3) man vet att man faktiskt fått det man vill ha, (4) automatiseringen innebär en besparing av tid och ansträngning och (5) den är en del av en process vars övergripande betydelse, funktion och roll inte påverkas av att denna mindre bit automatiseras. Att det här finns en fördel med automatisering tycker jag är uppenbart.

Egentligen är det emellertid aldrig så enkelt. Jag skall här ta upp tre faror som hänger samman med automatisering: förskjutning av resultatet, merarbete och förskjutning av subjektet. Syftet är att bidra till att besvara den övergripande frågan: Hur kan tekniken ställas i människans tjänst?

Fara 1: Förskjutning av resultatet

För det första får man ofta något annat än det man ville ha. Man får så att säga betala ett pris för att man delegerar det arbete man kunde utfört själv till en maskin. En fabriksproducerad limpa smakar inte precis samma som en limpa bakad av händer. Maskinsydda kläder sitter annorlunda än skräddarsydda. Google translate ger ofta ett annat resultat än översättning av en duktig (mänsklig) översättare. Typografi är ett bra exempel tror jag: att typsätta en bok automatiskt går oändligt fort och det blir som regel ganska bra – men inte lika bra som om arbetet utförts av en riktig typograf.

Ibland kan den förskjutning som automatisering resulterar i tolkas positiv. Så kan det vara en fördel att alla skruvar som används i ett bygge är precis lika varandra, och det kan lättare åstadkommas av automatiserad produktion än om skruvarna skapas av människor. Automatisering hänger samman med standardisering och förutsägbarhet – något som har sina fördelar.

Inom sociologin blev det under 1900-talet vanligt att använda matematisk statistik. I ”Statistical models and shoe leather” skriver matematikern David Freedman om hur denna metodologiska standardisering hjälpte samhällsvetare att sluta tänka. Men automatiseringen var knappast bara en nackdel för sociologin som disciplin, för likriktningen av arbetsmetoder gjorde det möjligt att få erkännande, genom att dessa metoder kunde ”kännas igen och erkännas” (Bourdieu), som vetenskapliga, och därmed bidra till att konstituera sociologin som vetenskapligt fält.

En mer komplicerad sak som ofta händer, när aktiviteter automatiseras, är att viljan, begäret, intentionen, förändras. Man börjar vilja det som kan ges automatiskt. Och kanske glömmer man vad man ville innan; hur det kändes att vilja det – och vad det var man då fick; vad som var nyttan med det. Det sammanhang som det ”självskapade” ingick i löses upp, och vi får en ny värld. Då går det inte riktigt att säga om det nya är bättre eller sämre än det gamla.

Än mer komplicerat är att vi ibland inte ens vet vad det är vi fått, eller hur det nya automatskapade förhåller sig till det gamla självskapade. Tänk om vi drömde om att resa till Island. Så köper vi en billig biljett från en obskyr resebyrå, och hamnar på Grönland. Men vi märker det inte, för vi vet inte hur Island såg åt. Kanske blev vi nöjda med vår resa till Island, trots att vi egentligen aldrig var där. Eller så blev vi besvikna på vårt ”Island”, helt oberoende av hur vi skulle ha tänkt om denna plats om vi faktiskt kommit dit.

Det finns en lockelse i nya platser; i möjligheten att få något som man inte känner igen och inte helt förstår. I sig är detta förmodligen varken bra, eller dåligt. Men lurigt.

Fara 2: Merarbete

Tyvärr hänger automatisering ofta ihop med merarbete. Dels behöver man göra en del förarbete, innan den automatiserade processen kan gå igång. Efteråt krävs som regel även en del efterarbete. Maskinerna som utför jobbet måste designas och konstrueras. Väl klara behöver de sitt råmaterial i en viss form, och vem skall ge materialet denna form om inte människan? Eller så får man bygga en ny maskin för detta ändamål, men för det krävs såklart ytterligare förarbete. Resultatet man får ut är sällan direkt användbart. Det måste finputsas, justeras, distribueras, tolkas.

En särskild sorts sådant arbete består i att fungera som en sorts ”klister” mellan en mängd olika verktyg, som automatiserar olika delar av en större process. Graham Kemp förklarade för mig att ”Glue guy” är ett vedertaget namn inom en del datarelaterade kretsar för en person som fyller denna funktion. Varje verktyg kräver sitt lilla förarbete, sitt förberedande av materialet (förutom att det måste installeras och konfigureras), liksom efterarbete som nu får formen av översättningsarbete, eftersom syftet är att stoppa in det i nästa steg i processen.

Kanske kan man i detta sammanhang tala om kombinerbarhet som en egenskap hos en viss uppsättning verktyg. Om verktyg är kombinerbara så kräver de lite merarbete.

Kommandona i ett viss programspråk – som Perl. Python, C, C++, Ruby, Dart, R, Matlab, Mathematica, Java – är alltid relativt kombinerbara. De är skapade för att kunna fogas samman, med så lite klister som möjligt, så att man kan skicka det som ett kommando spottar ut rakt in i nästa. Men dessa verktyg är så små att merarbetet återuppstår i själva konstruktionsarbetet, i skapandet av det program som utför den uppgift som skall automatiseras. Jag har själv fått fungera som klister när jag fogat samman program skrivna i Java, Python och Mathematica.

På ett liknande sätt som nya och annorlunda resultat kan fungera förförande, för att de inte är helt förstådda, kan merarbete förföra. Mekanismen har beskrivits av Robert Pfaller i Die Illusionen der anderenVad man får, i merarbetet, är nämligen något att göra, ett föremål för sitt begär, ett ”projekt”, samtidigt som detta projekt omges av en aura av effektivisering. Medan utförandet av det som faktiskt skall göras, den ”raka” vägen mot målet, kan kännas lång, förutsägbar och tråkig, har produktionen av automatisering något lockande över sig; det är liksom ett arbete som inte är arbete, eftersom det inte leder mot målet, utan mot ett utraderande av det precis det arbete som man inte utför; det är ett arbete som bygger på ett löfte om en bättre, automatiserad, framtid. Det ger två saker på samma gång: man slipper arbeta – det vill säga att göra det man känner igen som arbete – samtidigt som man, med framtiden tagen med i beräkningen, så att säga i delegerad form ”utför” detta arbete så mycket effektivare.

Fara 3: Förskjutning av subjektet

Det tredje problemet består i att utförandet av merarbete kräver andra förmågor och andra begär än utförandet av det man gjorde tidigare, själv.

Frågan är, kan man säga, om humanistisk forskning liknar resande till platser som man vill åka till och känner igen. I så fall kan man tänka sig tåg-konstruktörer, som hjälper humanisterna att komma dit. Eller, som det ofta är med tåg, till någon plats i närheten från vilken man kan promenera. I så fall krävs givetvis satsningar på utbyggnad av ett nätverk av spår, som gör det möjligt för humanisterna att komma ungefär dit de vill. Metaforen tydliggör att det är två helt olika saker att bygga och att resa. De två har knappast med varandra att göra. Detta är en vision om humanioras digitalisering.

Eller så är det orimligt att tänka sig att så väl utbyggt nätverk av tåglinjer att de kan täcka humaniorans frågor och problem. Istället måste humanisterna kunna orientera sig själva, även på längre resor. De behöver samla ihop sin egen personliga utrustning och bygga sin egen farkost, anpassad till den terräng de ser framför sig. De måste då kunna bygga, eller åtminstone kombinera med egen produktion av det klister som sådant kombinerande alltid kräver. Det är en annan vision.

För att sammanfatta och spetsa till problematiken kan man säga att faran här är att ett subjekt tar form, som är specialiserat på en ny framväxande form av digitalhumanistiskt merarbete, samtidigt som de resultat som det på så sätt skapade genererar är något annat än de som humanister ville från början – något som inte borde framstå som helt överraskande i den mån den ”ursprungliga” humanisten inte lägre är en del av processen. Det blir så att säga ett möte, hos humanioran, på humaniorans plats, mellan två aktanter som båda hamnat fel: både den skapande och det hon skapar. Detta är ett sätt att förstå risken med att börja räkna programmering som en humanistisk aktivitet.

Personligen tycker jag det är svårt att veta vilken strategi som är mest fruktbar för att samtidigt dra nytta av tekniken och besvara och värna om något ursprungligt humanistiskt. Hur skall tekniken kunna ställas i humaniorans tjänst?

Christopher Kullenberg har förtjänstfullt laddat hem och OCR:at alla svenska SOU:er.  Liksom jag tänker han att den inom Digital humaniora populära tekniken ”topic modelling” kunde vara användbar för att överblicka vad alla dessa texter handlar om. Han beskriver egna försök med programmet MALLET.

Jag har skrivit ett litet verktyg i Mathematica för vad jag vill kalla Relationell korpusanalys. Den enkla idén är att texter får sin mening strukturellt, genom dess relation till varandra. Den är inspirerad av Pierre Bourdieu och de matematiker han arbetade med. Topic Modelling passar bra in i denna övergripande metodologi.

SOU-materialet är dock en utmaning, eftersom det är så stort: drygt 5000 texter, många långa som böcker. Det mäktar inte riktigt mitt lilla verktyg och min lilla dator med, och det väcker frågor kring hur verktyget fungerar. Istället för att alltid läsa in allt i datorns minne kanske man borde arbeta med någon typ av databas. Jag vet inte. Hur som helst.

Jag bestämde mig för att begränsa mitt första försök till ett årtionde och valde 1990-talet. I materialet finns 765 SOU:er från detta årtionde. Jag bestämde mig för att bara ha med de 10000 vanligaste orden i analysen, och att behandla de allra vanligaste 200 orden som så kallade ”stoppord”, det vill säga ord som man bortser från på grund av att de är så vanliga. Detta är ganska godtyckliga val, och det återstår att se om analysresultaten ändrar sig dramatiskt om man tar med fler eller färre ord och ändrar antalet stoppord. Jag tror inte  att de gör det.

Jag delade in alla texterna i bitar om 1000 ord. Det blev 15227 sådana bitar. Jag tänkte: 100 är ett jämnt tal, varför inte köra MALLET med precis 100 topics. Detta innebär att TM-algoritmen försöker identifiera 100 olika ”ämnen” för att så bra som möjligt karaktärisera de 765 SOU:erna. Valet av antalet ”topics”, är ett krux med metoden. Det kan mycket väl hända att topic-uppsättningen ändrar sig ganska mycket om man ändrar antalet topics, till exempel till 99 eller 101. Samtidigt blir det ofta så att vissa topics, som är så att säga ”stabila”, inte påverkas så mycket. Om jag varit mer noggrann – och mer noggranna analyser kommer! – så skulle jag provat att variera topic-antalet några gånger, så att jag på något sätt kunde markera vilka topics som var ”att lita på”. Så inte nu. Det är alltså en preliminär karta jag presenterar, som skall tas med en nypa salt.

Hur som hest. Mitt Mathematica-verktyg anropar MALLET, alltså samma program som Christopher arbetar med. Det är bra att komma ihåg att man (läs: jag) inte riktigt vet vad MALLET gör med texterna. Förmodligen finns någon sorts ytterligare rensning av vilka ord som anses värda att ingå i själva topic-modellerandet. Mest kontroll hade man såklart haft om man implementerat algoritmen själv. Så inte nu. Man får hoppas att programmet gör något klokt.

Med lite bearbetning av de ganska obskyra textfiler som MALLET lämnar ifrån sig fick jag följande lista med ”ämnen”: TM-karta

En början, kanske, på en kartläggning.

/Sverker