Najpomembnejša področja znanstvenega in raziskovalnega dela prof. dr. Lynne Billard, ki je v zadnjih dveh desetletjih močno vplivala tudi na razvoj statistike v Sloveniji, so analiza simbolnih podatkov, časovne vrste, epidemiologija in statistično sklepanje. Objavila je več kot dvesto znanstvenih del v najuglednejših znanstvenih revijah in osem knjig kot avtorica ali soavtorica, stanovski kolegi pa jo cenijo ne le zaradi dosežkov na področju statistike, temveč tudi zaradi njene interdisciplinarnosti. Zato so ji zaupali tudi najpomembnejše vodstvene položaje v svetovnih statističnih združenjih. Med drugim se zelo zavzema za vidnejšo vlogo žensk v znanosti, še posebej na področju statistike. Za svoje znanstveno delo je prof. dr. Lynne Billard prejela številne ugledne nagrade.

S slovenskimi statistiki je začela sodelovati, ko so jo kot plenarno predavateljico povabili na mednarodno konferenco »Metodologija in statistika«, ki je potekala v Preddvoru leta 1996. Udeležence je navdušila s svojim predavanjem o časovnih vrstah. Na tem srečanju se je seznanila s prof. dr. Edwinom Didayem, s katerim sta tedaj začela sodelovati pri razvoju analize simbolnih podatkov. Med drugim sta napisala odmevno delo Symbolic Data Analysis (Analiza simbolnih podatkov), ki je izšla pri založbi Wiley leta 2006, njuna druga knjiga pa je tik pred izidom.

Ob podelitvi priznanja Statističnega društva Slovenije je imela prof. Lynne Billard v Biološkem središču v Ljubljani zanimivo predavanje o življenju in delu Ronalda A. Fisherja, ki velja za enega od dveh očetov statistike in je ustanovitelj Mednarodnega biometričnega društva.

Profesorica Lynne Billard, analiza simbolnih podatkov je novost v statistiki. Kaj pravzaprav to je in zakaj je pomembna?

Analiza simbolnih podatkov postaja čedalje pomembnejša na vseh področjih, kjer nastajajo velike podatkovne baze. Za te zbirke je značilna velika kompleksnost, vendar ne zgolj zato, ker so podatki sami po sebi kompleksni, temveč ker lahko vsebujejo strukture, ki analizo še dodatno otežijo.

Dejansko so se metode analize teh ogromnih zbirk razvijale hkrati s shranjevanjem vse večjih količin podatkov. Celo v primerih, ko se je zdelo, da bi teoretično lahko uporabili določene že obstoječe metode, se je pokazalo, da bi bila uporaba teh statističnih tehnik povsem neustrezna. Če imamo zelo velike baze podatkov, je namreč pomembno, da podatke združujemo, in ko jih združimo, dobimo simbolne podatke. Podatke združujemo na osnovi smiselnih znanstvenih vprašanj, pri čemer dobimo intervale, porazdelitve, histograme, sezname in podobno.

Kaj so simbolni podatki? Običajni podatek je točka, na primer, 17, 24, modro. Če imamo simbolni podatek, pa je namesto 17 interval od 15 do 20 – ker imamo številna opazovanja, ki jih združimo v interval. Potem pa se postavlja vprašanje, kako analiziramo intervale. To je zelo zahteven matematični problem, s katerim se ukvarjava z dr. Edwinom Didayem, profesorjem računalništva in matematike na Univerzi Pariz Dauphine, ki sem ga spoznala na konferenci v Sloveniji. Zelo pomembno je hoditi na strokovna srečanja. Svojim študentom pravim, naj gredo na srečanja – tudi če morate plačati sami, pojdite! Nikoli ne veste, kaj se boste naučili, katere nove ideje boste dobili, katere ljudi boste srečali.

Na katerih področjih daje po vašem mnenju uporaba analize simbolnih podatkov najbolj zanimive rezultate?

Moje običajno delo je razvoj teorije, in tako razvijam teorijo za številne uporabe. Delati sem začela kot matematičarka in še vedno sem matematičarka. Torej se ne osredotočam na eno uporabo, temveč razvijam splošno teorijo, ki jo je mogoče uporabiti na zelo različnih področjih, kot denimo v medicini, biologiji, družboslovju, ekonomiji, bančništvu, geografiji in podnebnih raziskavah. Druga knjiga, ki jo pišem v sodelovanju z Didayem, je polna primerov. Ko sem pisala to delo, sem kar tri četrtine časa namenila iskanju zanimivih primerov uporabe analize simbolnih podatkov, ker sem želela, da bi bila knjiga za bralce kar najbolj razumljiva.

Lahko za ponazoritev navedete kak zanimiv primer?

Pomislimo denimo na medicinske baze podatkov, v katerih so zabeleženi milijoni in milijoni opazovanj o različnih ljudeh z različnimi boleznimi in težavami. Vsakič, ko gre človek k zdravniku v zdravstveni dom ali v kliniko, zabeležijo njegovo ime, naslov, krvni tlak, težo in rezultate številnih drugih meritev, pač v skladu z njegovo diagnozo. Tako obsežnih podatkovnih baz ni mogoče analizirati niti z zelo zmogljivimi sodobnimi računalniki. Torej moramo podatke združevati, s čimer spomin računalnika razbremenimo in tako analize lahko opravimo. Zdravnike zanimajo na primer 50-letni moški z določeno boleznijo in jih združijo v eno skupino. Znotraj te skupine pa imajo osebe različen krvni tlak, različno težo in podobno. Te podatke razvrstimo v intervale, kajti če vzamemo zgolj povprečje, zavržemo veliko dragocenih informacij. Dobimo odgovor, vendar odgovor ni pravilen. Torej moramo obdržati interval.

Klasična analiza podatkov se torej ukvarja samo z variacijami med opazovanji, analiza simbolnih podatkov pa upošteva tako notranje variacije kot tudi variacije med opazovanji. Glavna razlika med klasičnimi in simbolnimi podatki je torej v tem, da ima vsako simbolno opazovanje svoje notranje variacije, medtem ko jih klasično opazovanje nima.

Ko je Edwin Diday pred 25 leti predlagal, da bi intervale ohranili, si seveda nismo mogli zamišljati, kako pomembna je ta ideja.

V okviru vašega predavanja v Biološkem središču ste dejali, da je danes razvoj statističnih metod velik znanstveni izziv in izjemna priložnost za ustvarjalno delo. Kako vidite prihodnost statistike?

Današnji čas je za statistiko zares vznemirljiv. Živimo v obdobju računalniške revolucije. Računalniki postajajo vse hitrejši in čedalje boljši in sedaj ne vemo, kako naj s to novo tehnologijo ravnamo. Facebook in podobna družabna omrežja so po mojem mnenju zanimiva, veliko se dogaja v teh omrežjih, vendar se moramo zavedati, da nam računalnik krade zasebnost. Računalnik nas opazuje. Mislim, da to ni dobro, in nekega dne bomo te probleme morali rešiti. Kako bi te probleme rešili, ne vem. To je velik izziv.

Pred 50 leti smo imeli v statistiki majhna podatkovna skladišča, v šestdesetih letih preteklega stoletja pa so se s pospešenim razvojem računalništva vse hitreje večala, kar je povzročilo revolucijo tudi v statistiki. Zame je zares velik izziv razvijati računalniške algoritme. Za pisanje računalniške kode je potreben matematični način razmišljanja, logika.

Ronald A. Fisher je zapisal, da pomeni nastanek biometrije v 20. stoletju to, kar je pomenil izum geometrije v 3. stoletju pr.n.št.

Po Fisherjevem pojmovanju označuje nastanek omenjenih ved dve najbolj kritični obdobji v razvoju človeškega razumevanja. Z razvojem logike se je človek naučil misliti deduktivno, drugi veliki intelektualni preskok pa je Fisher pripisal biometriji.

Da, kako pogumna trditev! Kako daljnosežna je bila njegova vizija pred skoraj 70 leti! Spoznal je, da se v naravi pojavljajo naključni dogodki. Variacije. Zato je Fisherjevo delo tako zelo pomembno. Razvil je nove ideje, nove načine razmišljanja. Svoje metode je uporabil v genetiki, med drugim je proučeval načine, kako vzgojiti najboljše kmetijske pridelke, kot so koruza, pšenica, krompir, pa tudi, pod kakšnimi pogoji se izboljša vzreja živali. Fisher je bil prvi, ki je statistiko in matematiko uporabil v bioloških vedah. Poleg Sewella Wrighta je tudi oče genetike. Imel je prav. Bistvenega pomena je misliti logično, matematično, prepoznati naključne pojave in uporabiti te metode pri iskanju odgovorov v genetiki, biologiji, astronomiji in drugje.

V Fisherjevem času so bile podatkovne baze majhne, danes pa so ogromne. Gonilo razvoja v prihodnosti bodo prav te ogromne zbirke podatkov, ki jih bomo morali pravilno analizirati.

Med drugim ste opravili tudi natančne statistične analize položaja žensk v znanosti, še posebej na področju statistike in matematike. Moto vašega nedavnega prispevka je citat znanega statistika Davida Salsburga, ki pravi, da je od časov Snedecorja in Cohrana »najboljša oseba« pogosto ženska.

Tako je, vendar je ne vidijo kot najboljšo! Spominjam se pogovora z Janet Norwood, zelo slavno gospo, ki je žal pred kratkim umrla. Bila je izjemno priznana statističarka in prva ženska, imenovana za vodjo Urada za statistiko dela ZDA. Ko sva pred več kot 20 leti govorili o položaju žensk v znanosti, je rekla, da mora biti ženska vsaj 10-krat ali pa celo 20-krat boljša od moškega, da jo vidijo kot njemu enako, in morda še vedno ne bo dobila službe, za katero je oddala prijavo. Zagotovo mora biti ženska veliko boljša kot moški, da jo vidijo kot njemu enako. To lahko trdim vsaj za Ameriko, kjer razmere dobro poznam.

Skoraj dve desetletji sem pripravljala delavnice za mlade ženske na začetku njihove kariere. Delavnice, ki sem jih imenovala Poti v prihodnost, je financirala ameriška Nacionalna znanstvena fundacija, kjer so ugotovili, da odobrijo ženskam bistveno manj znanstvenoraziskovalnih projektov kot moškim. Delavnice so potekale ob koncih tedna in govorile smo o raznih perečih vprašanjih, o tem, kaj moraš in česa na začetku kariere ne smeš narediti.

Na koncu sem rekla: mogoče res ni pošteno, da morate biti trikrat boljše kot moški, vendar je to realnost. Torej bodite trikrat boljše!

Sama sem naredila na začetku svoje kariere marsikaj narobe, ker mi teh stvari nihče ni povedal, a sem vseeno preživela. Večina žensk pa ne preživi. Zato jih je tako malo na vodilnih položajih. Ker jim teh zadev nihče ne razloži.

Delavnice smo začeli pripravljati leta 1988 in udeleženke prvih so danes že med pomembnimi vodilnimi osebnostmi v statistični skupnosti. Seveda ni vsakdo nadarjen za vodenje, vendar bi morali imeti vsi, tudi ženske, enake možnosti, da razvijemo svoje sposobnosti.

Vaše raziskave torej razkrivajo predsodke in neenakopraven položaj žensk v akademskem svetu?

Moja in številne druge študije to dokazujejo. Neenakopravnost se pokaže še posebej pri napredovanju, moški izrazito prevladujejo na vodilnih položajih. Ženska sicer dobi službo, vendar ne napreduje tako kot moški, kljub enakim sposobnostim in znanju. Plače se danes celo bolj razlikujejo kot v preteklosti. Prepad se ni prav nič zmanjšal. Pred nami je še dolga pot. Vendar se vede med seboj razlikujejo, nekatere so ženskam bolj naklonjene kot druge. Razmere so za ženske dobre v biologiji in biostatistiki, izjemno težko pa se ženske uveljavijo v matematiki, fiziki in tehniki. Na splošno sicer prevladuje stališče, da obstaja v akademskem svetu enakopravnost, vendar je sploh ni.

Menite, da bi morali tem vprašanjem posvečati več pozornosti?

Zagotovo. O tej problematiki se ne govori, čeprav je vedno v ozadju. Ženske vidijo, da je tisti moški v sosednji pisarni napredoval, da je dobil višjo plačo, čeprav je sodelavka opravila več dela kot on – to bi morali nadrejeni opaziti, vendar tega ne vidijo – to je stvar kulture.

Gre za naučeno nemoč?

Tako je. Ženska si bo morda rekla, »dobro, morda nisem tako dobra kot on«. Toda dejansko si enako dobra! Naša kultura pravi, da nisi tako dobra. Seveda so nekateri moški slabi in tudi nekatere ženske so slabe, vendar teh razlik ne delajo namerno. Vse to je kulturno pogojeno, vendar tega ne uvidijo.

O tem govori tudi znana študija Philipa Goldberga, ki je dal isti članek v ocenjevanje moškim in ženskam. Raziskava, ki jo je Goldberg opravil leta 1968, je pokazala, da so akademski članki, ki naj bi jih napisale ženske, ocenjeni nižje, kot če ocenjevalec misli, da so jih napisali moški. Tudi ženske so ocenile avtorice slabše, kot če so menile, da je avtor članka moški. Danes temu pravimo Goldbergov učinek.

Se torej ženske na svoji poklicni poti soočajo z znatno več preprekami kakor moški?

Veliko je literature in raziskav, ki to dokazujejo. Kot kaže, je glavna ovira pri doseganju enakosti to, da se delo žensk še vedno ne ocenjuje brez predsodkov. Moški mi včasih ugovarjajo in potem rečem, kako bi ocenili isti članek, če bi bil podpisan nekdo z Univerze Stanford ali pa nekdo z neke neznane univerze. In odgovor, ki ga dobim, je vedno, da bi ocenili članek z Univerze Stanford boljše. Vendar gre za isti članek. Torej gre za ime univerze! Michele Paludi in William Bauer, ki sta Goldbergov učinek še nadalje raziskovala, sta o tem napisala zanimivo razpravo z naslovom Kaj je v avtorjevem imenu?.

Predsodki se še posebej izrazito pokažejo, če je ženska na vodilnem položaju. Veliko težje je biti vodja ženski kot moškemu. Spodbudna novica pa je, da opažajo raziskovalci pri ženskah na vodilnih položajih pogosteje kot pri moških transformacijski način vodenja, ki je veliko bolj učinkovit kot drugi tipi vodenja. Ljudje, ki delajo s transformacijskimi vodji, so bolj zadovoljni in dosegajo boljše delovne rezultate kot pri vodjih, za katere so značilnih drugačni medosebni odnosi in načini razmišljanja. Za transformacijski način vodenja je namreč značilno, da vodja postavi kot svoj prvi in najpomembnejši cilj delo v dobro podjetja oziroma ustanove, daleč pred svoje lastne interese in osebne ambicije. Pogosto se pogovarja z zaposlenimi in prisluhne različnim stališčem, ne zgolj tistim, ki mu pritrjujejo, kar je še posebej pomembno, ko se načrtujejo večje spremembe v ustanovi, trdo dela ter z jasno in privlačno vizijo navdihuje in navdušuje svoje podrejene. Vse njegovo delovanje temelji na visokih etičnih in moralnih vrednotah ter na medsebojnem zaupanju. Zato imajo zaposleni občutek varnosti, zavedajo se, da je njihovo delo cenjeno in da vodja njihovo mnenje upošteva.