BOX SET: 6 Minute English - 'Technology 2' English mega-class! Thirty minutes of new vocabulary!

151,182 views

2022-10-16 ・ BBC Learning English


New videos

BOX SET: 6 Minute English - 'Technology 2' English mega-class! Thirty minutes of new vocabulary!

151,182 views ・ 2022-10-16

BBC Learning English


لطفا برای پخش فیلم روی زیرنویس انگلیسی زیر دوبار کلیک کنید. زیرنویس های ترجمه شده به صورت ماشینی ترجمه می شوند.

00:05
Hello. This is 6 Minute English
0
5920
1760
سلام. این 6 دقیقه انگلیسی
00:07
from BBC Learning English.
1
7680
1440
از BBC Learning English است.
00:09
I’m Sam.
2
9120
720
00:09
And I’m Neil.
3
9840
880
من سام هستم
و من نیل هستم
00:10
On Saturday mornings I love going
4
10720
2000
صبح های شنبه من عاشق رفتن
00:12
to watch football in the park.
5
12720
1920
به تماشای فوتبال در پارک هستم.
00:14
The problem is when it’s cold and
6
14640
1760
مشکل زمانی است که هوا سرد و
00:16
rainy - I look out the bedroom window
7
16400
2160
بارانی است - از پنجره اتاق خواب به بیرون نگاه می کنم
00:18
and go straight back to bed!
8
18560
1760
و مستقیم به رختخواب برمی گردم!
00:20
Well, instead of going to the park, why
9
20320
2000
خوب، چرا به جای رفتن به پارک،
00:22
not bring the park to you? Imagine
10
22320
2400
پارک را برای شما نمی آورید؟ تصور کنید
00:24
watching a live version of the
11
24720
1760
که یک نسخه زنده از
00:26
football match at home in the warm,
12
26480
1760
مسابقه فوتبال را در خانه در گرما و با دوستان تماشا می کنید
00:28
with friends. Sound good, Sam?
13
28240
2240
. صدا خوبه سام؟
00:30
Sounds great! – but how can I be in
14
30480
2160
عالیه! - اما چگونه می توانم همزمان در
00:32
two places at once? Is there some
15
32640
2000
دو مکان باشم؟ آیا
00:34
amazing invention to do that?
16
34640
1840
اختراع شگفت انگیزی برای انجام این کار وجود دارد؟
00:36
There might be, Sam - and it could
17
36480
1600
ممکن است وجود داشته باشد، سام - و ممکن
00:38
be happening sooner than you think,
18
38080
2080
است به لطف تحولات VR یا واقعیت مجازی، زودتر از آنچه فکر می کنید اتفاق بیفتد
00:40
thanks to developments in VR, or
19
40160
2320
00:42
virtual reality. According to Facebook
20
42480
2000
. به گفته رئیس فیس بوک
00:44
boss, Mark Zuckerberg, in the future
21
44480
2240
، مارک زاکربرگ، در آینده
00:46
we’ll all spend much of our time
22
46720
1840
همه ما بیشتر زمان خود را صرف
00:48
living and working in the ‘metaverse’ – a
23
48560
2880
زندگی و کار در "متاورس" خواهیم کرد -
00:51
series of virtual worlds.
24
51440
2400
مجموعه ای از جهان های مجازی.
00:53
Virtual reality is a topic we’ve discussed
25
53840
2480
واقعیت مجازی موضوعی است که
00:56
before at 6 Minute English. But when
26
56320
2720
قبلاً در 6 دقیقه انگلیسی در مورد آن صحبت کرده ایم. اما وقتی
00:59
Facebook announced that it was
27
59040
1280
فیس‌بوک اعلام کرد که
01:00
hiring ten thousand new workers
28
60320
2000
ده هزار کارگر جدید را
01:02
to develop VR for the ‘metaverse’, we
29
62320
2720
برای توسعه واقعیت مجازی برای «متاورس» استخدام می‌کند،
01:05
thought it was time for another look.
30
65040
1760
فکر کردیم وقت آن رسیده است که نگاه دیگری داشته باشیم.
01:06
Is this programme, we’ll be hearing two
31
66800
1760
اگر این برنامه است، ما دو
01:08
different opinions on the ‘metaverse’
32
68560
1760
نظر متفاوت در مورد "متاورس"
01:10
and how it might shape the future.
33
70320
2000
و چگونگی شکل دادن به آینده خواهیم شنید.
01:12
But first I have a question for you, Neil.
34
72320
3040
اما ابتدا یک سوال از شما دارم، نیل.
01:15
According to a 2021 survey by
35
75360
2480
طبق یک نظرسنجی در سال 2021 توسط
01:17
gaming company, Thrive Analytics, what
36
77840
2880
شرکت بازی سازی Thrive Analytics، چند
01:20
percentage of people who try virtual
37
80720
2240
درصد از افرادی که
01:22
reality once want to try it again? Is it:
38
82960
3920
یک بار واقعیت مجازی را امتحان می کنند می خواهند دوباره آن را امتحان کنند؟ آیا این:
01:26
a) 9 percent?
39
86880
1920
الف) 9 درصد است؟
01:28
b) 49 percent? or,
40
88800
2240
ب) 49 درصد؟ یا
01:31
c) 79 percent?
41
91040
2160
ج) 79 درصد؟
01:33
I guess with VR you either love it
42
93200
1840
حدس می‌زنم با VR یا آن را دوست دارید
01:35
or hate it, so I’ll say b) 49 percent of
43
95040
3120
یا از آن متنفر هستید، بنابراین می‌گویم ب) ۴۹ درصد از
01:38
people want to try it again.
44
98160
1840
مردم می‌خواهند دوباره آن را امتحان کنند.
01:40
OK, I’ll reveal the correct answer
45
100000
1840
خوب، پاسخ صحیح را
01:41
later in the programme. But what
46
101840
1760
بعداً در برنامه فاش خواهم کرد. اما آنچه
01:43
Neil said is true: people tend to either
47
103600
2400
نیل گفت درست است: مردم یا
01:46
love virtual reality or hate it.
48
106000
2720
عاشق واقعیت مجازی هستند یا از آن متنفرند.
01:48
Somebody who loves it is
49
108720
1440
کسی که آن را دوست دارد
01:50
Emma Ridderstad, CEO of Warpin’, a
50
110160
2800
Emma Ridderstad، مدیر عامل Warpin است،
01:52
company which develops
51
112960
1280
شرکتی که
01:54
VR technology.
52
114240
1200
فناوری VR را توسعه می دهد.
01:55
Here she is telling BBC World
53
115440
1760
او در اینجا به
01:57
Service programme, Tech Tent, her
54
117200
1920
برنامه سرویس جهانی بی‌بی‌سی، Tech Tent،
01:59
vision of the future:
55
119120
1520
چشم‌انداز آینده خود را می‌گوید:
02:00
In ten years, everything that you
56
120640
1760
ده سال دیگر، هر کاری را که
02:02
do on your phone today, you will
57
122400
2160
امروز روی تلفن خود
02:04
do in 3-D, through your classes
58
124560
2000
انجام می‌دهید، به صورت سه بعدی، مثلاً از طریق کلاس‌هایتان، انجام خواهید داد
02:06
for example. You will be able to do
59
126560
2480
. شما می توانید
02:09
your shopping, you will be able to
60
129040
1920
خرید خود را انجام دهید، می توانید
02:10
meet your friends, you will be able
61
130960
1680
با دوستان خود ملاقات کنید، می توانید
02:12
to work remotely with whomever
62
132640
2400
از راه دور با هر کسی که
02:15
you want, you will be able to share
63
135040
2480
می خواهید کار کنید، می توانید
02:17
digital spaces, share music, share
64
137520
3920
فضاهای دیجیتال را به اشتراک بگذارید، موسیقی را به اشتراک بگذارید
02:21
art, share projects in digital spaces
65
141440
3200
، هنر را به اشتراک بگذارید، پروژه ها را در فضاهای دیجیتال به اشتراک بگذارید.
02:24
between each other. And you will also
66
144640
2080
بین یکدیگر و همچنین قادر خواهید
02:26
be able to integrate the digital objects
67
146720
2160
بود اشیاء دیجیتالی را
02:28
in your physical world, making the
68
148880
2720
در دنیای فیزیکی خود ادغام کنید، و
02:31
world much more phygital than
69
151600
1840
جهان را بسیار بیشتر از آنچه
02:33
is it today.
70
153440
1399
که امروز است، تبدیل کنید.
02:35
Virtual reality creates 3-D, or
71
155040
2720
واقعیت مجازی
02:37
three-dimensional experiences where
72
157760
2080
تجربیات سه بعدی یا سه بعدی را ایجاد می کند که در آن
02:39
objects have the three dimensions of
73
159840
2400
اشیاء دارای سه بعد
02:42
length, width and height. This makes
74
162240
2640
طول، عرض و ارتفاع هستند. این باعث می شود که
02:44
them look lifelike and solid, not
75
164880
2400
آنها زنده و جامد به نظر برسند، نه
02:47
two-dimensional and flat.
76
167280
2560
دو بعدی و مسطح.
02:49
Emma says that in the future VR will
77
169840
2160
اما می‌گوید که در آینده VR
02:52
mix digital objects and physical
78
172000
2000
اشیاء دیجیتال و اشیاء فیزیکی
02:54
objects to create exciting new
79
174000
1920
را برای ایجاد تجربیات جدید هیجان‌انگیز ترکیب می‌کند
02:55
experiences – like staying home to
80
175920
2400
– مانند ماندن در خانه برای
02:58
watch the same football match
81
178320
1440
تماشای همان مسابقه فوتبال
02:59
that is simultaneously happening in
82
179760
1840
که به طور همزمان
03:01
the park. She blends the words
83
181600
2400
در پارک اتفاق می‌افتد. او کلمات
03:04
‘physical’ and ‘digital’ to make a new
84
184000
2240
"فیزیکی" و "دیجیتال" را با هم ترکیب می کند تا یک کلمه جدید در
03:06
word describing this
85
186240
1040
توصیف این
03:07
combination: phygital.
86
187280
2480
ترکیب بسازد: phygital.
03:09
But while a ‘phygital’ future sounds
87
189760
1920
اما در حالی که آینده «فگیتال»
03:11
like paradise to some, others are
88
191680
2080
برای برخی شبیه بهشت ​​به نظر می رسد، برخی
03:13
more sceptical – they doubt that
89
193760
2080
دیگر شک دارند – آنها شک دارند
03:15
VR will come true or be useful.
90
195840
2480
که واقعیت مجازی محقق شود یا مفید باشد.
03:18
One such sceptic is technology
91
198320
2080
یکی از این شکاکان،
03:20
innovator, Dr Nicola Millard. For one
92
200400
2720
مبتکر فناوری، دکتر نیکولا میلارد است. برای یک
03:23
thing, she doesn’t like wearing a
93
203120
1440
چیز، او دوست ندارد از
03:24
VR headset – the heavy helmet and
94
204560
2320
هدست واقعیت مجازی استفاده کند - کلاه ایمنی سنگین و
03:26
glasses that create virtual reality
95
206880
2160
عینک که واقعیت مجازی را
03:29
for the wearer – something she
96
209040
1760
برای کاربر ایجاد می کند - چیزی که او
03:30
explained to BBC World Service’s,
97
210800
2160
به سرویس جهانی بی بی سی،
03:32
Tech Tent:
98
212960
1189
Tech Tent توضیح داد:
03:34
There are some basic things to
99
214480
1680
چند چیز اساسی وجود دارد که باید
03:36
think about. So, how do we
100
216160
1600
در مورد آن فکر کنید. بنابراین، چگونه
03:37
access it? So, the reason, sort of,
101
217760
2400
به آن دسترسی پیدا کنیم؟ بنابراین، دلیل به وجود
03:40
social networks took off was, we’ve
102
220160
2240
آمدن شبکه‌های اجتماعی این بود که
03:42
got mobile technologies that let
103
222400
1840
ما فناوری‌های موبایلی داریم که به
03:44
us use it. Now, obviously one of
104
224240
1840
ما امکان استفاده از آن را می‌دهند. اکنون، بدیهی است که یکی
03:46
the barriers can be that VR or AR
105
226080
2640
از موانع می تواند هدست های واقعیت مجازی یا واقعیت
03:48
headsets - so VR, I’ve always been
106
228720
2320
افزوده باشد - بنابراین VR، من همیشه
03:51
slightly sceptical about. I’ve called
107
231040
2480
کمی در مورد آن شک داشتم.
03:53
it ‘vomity reality’ for a while because,
108
233520
2240
مدتی است که آن را «واقعیت استفراغ» نامیده‌ام، زیرا،
03:55
frankly, I usually need a bucket
109
235760
2960
صادقانه بگویم، اگر هدستی روی من دارید، معمولاً به یک سطل در
03:58
somewhere close if you’ve got a
110
238720
1360
جایی نزدیک نیاز
04:00
headset on me… and also, do I want
111
240080
1840
دارم... و همچنین، آیا
04:01
to spend vast amounts of time in
112
241920
2000
می‌خواهم زمان زیادی را در
04:03
those rather unwieldy headsets?
113
243920
1440
آن هدست‌های نسبتاً ناکارآمد بگذرانم. ?
04:05
Now, I know they’re talking AR as
114
245360
1840
اکنون، می‌دانم که آنها در حال صحبت کردن با AR
04:07
well and obviously that does not
115
247200
1600
هستند و بدیهی است که
04:08
necessarily need a headset, but I
116
248800
1680
لزوماً به هدست نیازی ندارد، اما
04:10
think we’re seeing some quite
117
250480
1840
فکر می‌کنم در حال حاضر شاهد برخی از
04:12
immersive environments coming
118
252320
1600
محیط‌های
04:13
out at the moment as well.
119
253920
1600
کاملاً فراگیر هستیم.
04:15
Nicola called VR ‘vomity reality’
120
255520
3040
نیکولا واقعیت مجازی VR را «واقعیت استفراغ» نامید،
04:18
because wearing a headset makes
121
258560
1600
زیرا پوشیدن هدست باعث می‌شود که
04:20
her feel sick, maybe because it’s
122
260160
2320
او احساس بیماری کند، شاید به این دلیل که
04:22
so unwieldy – difficult to move or
123
262480
2640
بسیار ناخوشایند است – حرکت یا
04:25
wear because it’s big and heavy.
124
265120
2080
پوشیدن آن به دلیل بزرگ و سنگین بودن دشوار است.
04:27
She also makes a difference
125
267200
1440
او همچنین
04:28
between VR - virtual reality- and AR,
126
268640
3600
بین VR - واقعیت مجازی - و AR
04:32
which stands for augmented
127
272240
1600
که مخفف
04:33
reality – tech which adds to the
128
273840
2560
واقعیت افزوده است تفاوت ایجاد می‌کند - فناوری که
04:36
ordinary physical world by
129
276400
1440
با
04:37
projecting virtual words, pictures
130
277840
2400
نمایش کلمات، تصاویر
04:40
and characters, usually by wearing
131
280240
1840
و شخصیت‌های مجازی، معمولاً با استفاده از
04:42
glasses or with a mobile phone.
132
282080
2320
عینک یا تلفن همراه، به دنیای فیزیکی معمولی می‌افزاید.
04:44
While virtual reality replaces what
133
284400
2000
در حالی که واقعیت مجازی جایگزین آنچه
04:46
you hear and see, augmented
134
286400
2000
می شنوید و می بینید،
04:48
reality adds to it. Both VR and AR
135
288400
3920
واقعیت افزوده به آن می افزاید. هر دو واقعیت مجازی و واقعیت
04:52
are immersive experiences – they
136
292320
2400
افزوده تجربیاتی غوطه ور هستند – آنها
04:54
stimulate your senses and surround
137
294720
1920
حواس شما را تحریک می کنند و
04:56
you so that you feel completely
138
296640
1600
شما را احاطه می کنند به طوری که احساس می کنید کاملاً
04:58
involved in the experience.
139
298240
1680
درگیر این تجربه هستید.
04:59
In fact, the experience feels so real
140
299920
2480
در واقع، این تجربه به قدری واقعی به نظر می رسد
05:02
that people keep coming back
141
302400
1280
که مردم به
05:03
for more.
142
303680
720
دنبال چیزهای بیشتری هستند.
05:04
Right! In my question I asked
143
304400
2240
درست! در سوالم از
05:06
Neil how many people who try
144
306640
1600
نیل پرسیدم چند نفر که
05:08
VR for the first time want to try
145
308240
2000
برای اولین بار VR را امتحان می کنند می خواهند
05:10
it again.
146
310240
800
دوباره آن را امتحان کنند.
05:11
I guessed it was about half –
147
311040
1760
حدس زدم حدود نصف باشد -
05:12
49 percent. Was I right?
148
312800
1840
49 درصد. درست گفتم؟
05:14
You were… wrong, I’m afraid.
149
314640
2400
تو اشتباه کردی، میترسم.
05:17
The correct answer is much
150
317040
1440
پاسخ صحیح بسیار
05:18
higher - 79 percent of people
151
318480
2560
بالاتر است - 79 درصد از مردم
05:21
would give VR another try.
152
321040
2080
یک بار دیگر VR را امتحان می کنند.
05:23
I suppose because the experience
153
323120
1680
فکر می‌کنم چون این
05:24
was so immersive – stimulating,
154
324800
2480
تجربه بسیار غوطه‌ور بود – محرک،
05:27
surrounding and realistic.
155
327280
2000
اطراف و واقع‌بینانه.
05:29
Ok, A, let’s recap the other
156
329280
1680
خوب، الف، بیایید
05:30
vocabulary from this programme
157
330960
1600
واژگان دیگر این برنامه
05:32
on the ‘metaverse’, a kind of
158
332560
1840
را در "متاورس"، نوعی
05:34
augmented reality – reality which
159
334400
2720
واقعیت افزوده - واقعیتی که
05:37
is enhanced or added to
160
337120
1600
توسط فناوری تقویت یا به آن اضافه
05:38
by technology.
161
338720
1280
شده است، مرور کنیم.
05:40
3-D objects have three
162
340000
1280
اجسام سه بعدی دارای سه
05:41
dimensions, making them
163
341280
1200
بعد هستند که آنها
05:42
appear real and solid.
164
342480
1840
را واقعی و جامد نشان می دهد.
05:44
Phygital is an invented word
165
344320
1760
Phygital یک کلمه اختراعی است
05:46
which combines the features of
166
346080
1680
که ویژگی های
05:47
‘physical’ and ‘digital’ worlds.
167
347760
2240
دنیای "فیزیکی" و "دیجیتال" را ترکیب می کند.
05:50
A sceptical person is doubtful
168
350000
2320
یک فرد شکاک در
05:52
about something.
169
352320
1040
مورد چیزی شک دارد.
05:53
And finally, unwieldy means
170
353360
1760
و در نهایت، غیرقابل
05:55
difficult to move or carry because
171
355120
1840
تحمل به این معنی است که جابجایی یا حمل آن دشوار است
05:56
it’s so big and heavy.
172
356960
1520
زیرا بسیار بزرگ و سنگین است. به هر حال
05:58
That’s our six minutes up, in this
173
358480
2000
در این واقعیت، شش دقیقه ما
06:00
reality anyway. See you in the
174
360480
2000
به پایان رسیده است. به زودی شما را در
06:02
‘metaverse’ soon!
175
362480
1120
"متاورس" می بینیم!
06:03
Goodbye!
176
363600
959
خداحافظ!
06:10
Hello. This is 6 Minute English
177
370320
1680
سلام. این 6 دقیقه انگلیسی
06:12
from BBC Learning English.
178
372000
1680
از BBC Learning English است.
06:13
I’m Neil.
179
373680
800
من نیل هستم
06:14
And I’m Sam.
180
374480
1040
و من سام هستم
06:15
What do shopping with a credit
181
375520
1520
خرید با کارت اعتباری
06:17
card, finding love through
182
377040
1680
، یافتن عشق از طریق
06:18
internet dating and waiting for
183
378720
1920
دوستیابی اینترنتی و انتظار
06:20
the traffic lights to change
184
380640
1520
برای تغییر چراغ راهنمایی چه وجه
06:22
have in common?
185
382160
1040
مشترکی دارد؟
06:23
Hmmm, they all involve
186
383200
1920
هوم، همه آنها شامل
06:25
computers?
187
385120
800
06:25
Good guess, Sam! But how
188
385920
1520
رایانه هستند؟
حدس خوب، سام! اما
06:27
exactly do those computers work?
189
387440
2400
دقیقاً این رایانه ها چگونه کار می کنند؟
06:29
The answer is that they all use
190
389840
2400
پاسخ این است که همه آنها از
06:32
algorithms – sets of mathematical
191
392240
2480
الگوریتم ها استفاده می کنند - مجموعه ای از
06:34
instructions which find solutions
192
394720
1920
دستورالعمل های ریاضی که راه حل هایی
06:36
to problems.
193
396640
1120
برای مسائل پیدا می کنند.
06:37
Although they are often hidden,
194
397760
2000
اگرچه آنها اغلب پنهان هستند، اما
06:39
algorithms are all around us.
195
399760
2080
الگوریتم ها در اطراف ما هستند.
06:41
From mobile phone maps to
196
401840
1520
از نقشه های تلفن همراه گرفته تا
06:43
home delivery pizza, they play a
197
403360
2160
پیتزای تحویل در خانه، نقش
06:45
big part of modern life. And
198
405520
2000
مهمی در زندگی مدرن دارند. و
06:47
they’re the topic of this programme.
199
407520
2080
آنها موضوع این برنامه هستند.
06:49
A simple way to think of algorithms
200
409600
2000
یک راه ساده برای فکر کردن به الگوریتم
06:51
is as recipes. To make pancakes
201
411600
2880
ها به عنوان دستور العمل است. برای تهیه پنکیک
06:54
you mix flour, eggs and milk, then
202
414480
2320
آرد، تخم مرغ و شیر را با هم مخلوط کرده و سپس
06:56
melt butter in a frying pan and
203
416800
1920
کره را در ماهیتابه ذوب کرده و
06:58
so on. Computers do this in more
204
418720
2080
غیره. کامپیوترها این کار
07:00
a complicated way by repeating
205
420800
2000
را با تکرار مکرر
07:02
mathematical equations over
206
422800
1840
معادلات ریاضی به روشی پیچیده
07:04
and over again.
207
424640
1360
تر انجام می دهند.
07:06
Equations are mathematical
208
426000
1440
معادلات جملاتی ریاضی هستند
07:07
sentences showing how two
209
427440
1520
که نشان می دهند چگونه دو
07:08
things are equal. They’re similar
210
428960
2160
چیز برابر هستند. آنها
07:11
to algorithms and the most famous
211
431120
2080
شبیه الگوریتم ها هستند و معروف ترین
07:13
scientific equation of all, Einstein's
212
433200
2720
معادله علمی،
07:15
E=MC2, can be thought of as a
213
435920
3520
E=MC2 انیشتین، را می توان به عنوان یک
07:19
three-part algorithm.
214
439440
1920
الگوریتم سه بخشی در نظر گرفت.
07:21
But before my brain gets squashed
215
441360
2000
اما قبل از اینکه مغزم
07:23
by all this maths, I have a quiz
216
443360
1760
با این همه ریاضی له شود، یک
07:25
question for you, Sam. As you know,
217
445120
2400
سوال مسابقه از شما دارم، سم. همانطور که می دانید،
07:27
Einstein’s famous equation is
218
447520
1760
معادله معروف اینشتین
07:29
E=MC2 - but what does the
219
449280
2880
E=MC2 است - اما
07:32
‘E’ stand for? Is it:
220
452160
1680
"E" به چه معناست؟ آیا این:
07:33
a) electricity?
221
453840
1840
الف) برق است؟
07:35
b) energy? or
222
455680
1360
ب) انرژی؟ یا
07:37
c) everything?
223
457040
1600
ج) همه چیز؟
07:38
I’m tempted to say ‘E’ is for
224
458640
1680
من وسوسه می شوم که بگویم "E" برای
07:40
‘everything’ but I reckon I know
225
460320
1760
"همه چیز" است، اما فکر می
07:42
the answer: b – ‘E’ stands
226
462080
2320
کنم پاسخ را می دانم: b - "E"
07:44
for ‘energy’.
227
464400
800
مخفف "انرژی" است.
07:45
OK, Sam, we’ll find out if you’re
228
465200
1600
باشه، سام، بعداً متوجه می‌شویم که آیا شما در برنامه هستید یا خیر
07:46
right later in the programme.
229
466800
2000
.
07:48
With all this talk of computers, you
230
468800
1680
با تمام این صحبت ها در مورد رایانه،
07:50
might think algorithms are a
231
470480
1440
ممکن است فکر کنید که الگوریتم ها
07:51
new idea. In fact, they’ve been
232
471920
2320
ایده جدیدی هستند. در واقع، آنها
07:54
around since Babylonian times,
233
474240
2080
از زمان بابل،
07:56
around 4,000 years ago.
234
476320
2000
حدود 4000 سال پیش، وجود داشته اند.
07:58
And their use today can be
235
478320
1520
و استفاده از آنها امروزه می تواند
07:59
controversial. Some algorithms
236
479840
2080
بحث برانگیز باشد. برخی از الگوریتم های
08:01
used in internet search engines
237
481920
1760
مورد استفاده در موتورهای جستجوی اینترنتی
08:03
have been accused of
238
483680
1040
به
08:04
racial prejudice.
239
484720
1440
تعصب نژادی متهم شده اند.
08:06
Ramesh Srinivasan is Professor
240
486160
2000
رامش سرینیواسان، استاد
08:08
of Information Studies at the
241
488160
1600
مطالعات اطلاعات در
08:09
University of California. Here’s what
242
489760
2400
دانشگاه کالیفرنیا است.
08:12
he said when asked what the word
243
492160
1760
وقتی از او پرسیده شد که کلمه «
08:13
‘algorithm’ actually means by
244
493920
1760
الگوریتم» در
08:15
BBC World Service’s programme,
245
495680
1840
برنامه سرویس جهانی بی‌بی‌سی،
08:17
The Forum:
246
497520
1219
«فروم» به چه معناست، گفت:
08:20
My understanding of the term
247
500560
2000
درک من از واژه «
08:22
‘algorithm’ is that it’s not necessarily
248
502560
1840
الگوریتم» این است که لزوماً
08:24
the bogyman, or its not necessarily
249
504400
2640
این الگوریتم نیست، یا لزوماً
08:27
something that is, you know, inscrutable
250
507040
2800
چیزی نیست، می‌دانید.
08:29
or mysterious to all people – it’s the
251
509840
2080
برای همه افراد غیرقابل درک یا مرموز -
08:31
set of instructions that you write in
252
511920
3760
مجموعه دستورالعمل هایی است که شما به
08:35
some mathematical form or in
253
515680
1920
شکل ریاضی
08:37
some software code – so it’s the
254
517600
1680
یا کد نرم افزاری می نویسید - بنابراین
08:39
repeated set of instructions that
255
519280
2640
مجموعه دستورالعمل های مکرری است
08:41
are sequenced, that are used and
256
521920
2400
که ترتیب داده می شوند،
08:44
applied to answer a question or
257
524320
2080
برای پاسخ به یک سوال یا
08:46
resolve a problem – it’s a simple
258
526400
1600
حل یک مشکل استفاده و اعمال می شوند.
08:48
as that, actually.
259
528000
1393
در واقع به همین سادگی است.
08:51
Some think that algorithms have
260
531200
1440
برخی فکر می‌کنند که الگوریتم‌ها
08:52
been controversial, but Professor
261
532640
1760
بحث‌برانگیز بوده‌اند، اما پروفسور
08:54
Srinivasan says they are not
262
534400
2080
سرینیواسان می‌گوید که آنها
08:56
necessarily the bogyman. The
263
536480
2240
لزوما آدم‌باغی نیستند.
08:58
bogyman refers to something
264
538720
1520
بوگیمن به چیزی اشاره دارد که
09:00
people call ‘bad’ or ‘evil’ to make
265
540240
2800
مردم آن را "بد" یا "شر" می نامند تا
09:03
other people afraid.
266
543040
1520
دیگران را بترسانند.
09:04
Professor Srinivasan thinks
267
544560
1840
پروفسور سرینیواسان فکر می‌کند
09:06
algorithms are neither evil nor
268
546400
2320
الگوریتم‌ها نه شیطانی هستند و نه
09:08
inscrutable – not showing emotions
269
548720
2640
غیرقابل درک - احساسات
09:11
or thoughts and therefore very
270
551360
1680
یا افکار را نشان نمی‌دهند و بنابراین
09:13
difficult to understand.
271
553040
1840
درک آن بسیار دشوار است.
09:14
Still, it can be difficult to understand
272
554880
1920
با این حال، درک دقیق الگوریتم ها می تواند دشوار باشد
09:16
exactly what algorithms are,
273
556800
1840
،
09:18
especially when there are many
274
558640
1680
به خصوص زمانی که
09:20
different types of them. So, let’s
275
560320
2080
انواع مختلفی از آنها وجود دارد. بنابراین،
09:22
take an example.
276
562400
1200
بیایید یک مثال بزنیم.
09:23
It’s autumn and we want to
277
563600
1280
پاییز است و می‌خواهیم
09:24
collect all the apples from our
278
564880
1680
همه سیب‌ها را از
09:26
orchard and divide them into
279
566560
1360
باغ خود جمع کنیم و به
09:27
three groups – big, medium
280
567920
2080
سه گروه بزرگ، متوسط
09:30
and small. One method is to
281
570000
2000
و کوچک تقسیم کنیم. یک روش این است که
09:32
collect all the apples together
282
572000
1760
همه سیب ها را با هم جمع کنید
09:33
and compare their sizes.
283
573760
1840
و اندازه آنها را با هم مقایسه کنید.
09:35
But doing this would take hours!
284
575600
1680
اما انجام این کار ساعت ها طول می کشد!
09:37
It’s much easier to first collect
285
577280
1840
خیلی ساده‌تر است که ابتدا
09:39
the apples from only one tree -
286
579120
2240
سیب‌ها را از یک درخت
09:41
divide those into big, medium
287
581360
2080
جمع کنید - آن‌ها را به بزرگ، متوسط
09:43
or small – and then repeat the
288
583440
2000
یا کوچک تقسیم کنید - و سپس این
09:45
process for the other trees,
289
585440
2000
فرآیند را برای درختان دیگر،
09:47
one by one.
290
587440
1440
یکی یکی تکرار کنید.
09:48
That’s basically what algorithms
291
588880
1680
اساساً این همان کاری است که الگوریتم‌ها
09:50
do – they find the most efficient
292
590560
1840
انجام می‌دهند - آنها کارآمدترین
09:52
way to get things done, or in other
293
592400
2080
راه را برای انجام کارها پیدا می‌کنند، یا به
09:54
words, get the best results in the
294
594480
1760
عبارت دیگر، بهترین نتایج را در
09:56
quickest time.
295
596240
1520
سریع‌ترین زمان به دست می‌آورند.
09:57
Mathematics professor Ian
296
597760
1520
پروفسور ریاضیات، یان
09:59
Stewart agrees. Listen as he
297
599280
2080
استوارت، موافق است. به
10:01
explains how the algorithm called
298
601360
2240
نحوه عملکرد الگوریتم
10:03
‘bubble sort’ works to BBC World
299
603600
2480
«مرتب‌سازی حبابی» با برنامه جهانی
10:06
Service’s programme, The Forum:
300
606080
2266
بی‌بی‌سی، The Forum، گوش دهید: به این
10:10
Think of when your computer is
301
610080
1440
فکر کنید که کامپیوتر شما چه زمانی
10:11
sorting emails by date and maybe
302
611520
2000
ایمیل‌ها را بر اساس تاریخ مرتب می‌کند و شاید
10:13
you’ve got 500 emails and it sorts
303
613520
1760
شما 500 ایمیل داشته باشید و
10:15
them by date in a flash.
304
615280
1520
آنها را بر اساس تاریخ مرتب می‌کند.
10:16
Now it doesn’t use bubble sort,
305
616800
1280
اکنون از مرتب‌سازی حبابی استفاده نمی‌کند،
10:18
but it does use a sorting method
306
618080
1920
اما از یک روش مرتب‌سازی استفاده می‌کند
10:20
and if you tried to do that by hand
307
620000
2320
و اگر سعی می‌کنید این کار را با دست انجام دهید
10:22
it would take you a very long time,
308
622320
1520
، هر روشی که استفاده می‌کنید، زمان بسیار زیادی از
10:23
whatever method you used.
309
623840
1982
شما می‌گیرد.
10:27
Professor Stewart describes how
310
627520
1680
پروفسور استوارت توضیح می دهد که چگونه
10:29
algorithms sort emails. To sort is a
311
629200
2880
الگوریتم ها ایمیل ها را مرتب می کنند. مرتب کردن یک
10:32
verb meaning to group together
312
632080
1520
فعل به معنای گروه بندی
10:33
things which share similarities.
313
633600
2080
چیزهایی است که شباهت های مشترک دارند.
10:35
Just like grouping the apples by
314
635680
1760
درست مانند گروه بندی سیب ها بر اساس
10:37
size, sorting hundreds of emails
315
637440
2320
اندازه، مرتب کردن صدها ایمیل
10:39
by hand would take a long time.
316
639760
2320
با دست زمان زیادی می برد.
10:42
But using algorithms, computers
317
642080
2080
اما با استفاده از الگوریتم‌ها، رایانه‌ها
10:44
do it in a flash – very quickly or
318
644160
2720
این کار را به صورت فلش انجام می‌دهند - خیلی سریع یا
10:46
suddenly.
319
646880
880
ناگهانی.
10:47
That phrase – in a flash – reminds
320
647760
1840
این عبارت - در یک لحظه - به من یادآوری می
10:49
me of how Albert Einstein came up
321
649600
2160
کند که چگونه آلبرت
10:51
with his famous equation, E=MC2.
322
651760
4080
انیشتین معادله معروف خود، E=MC2 را ارائه کرد.
10:55
And that reminds me of your quiz
323
655840
2080
و این من را به یاد سوال مسابقه شما می اندازد
10:57
question. You asked about the ‘E’
324
657920
2720
. شما در مورد "E"
11:00
in E=MC2. I said it stands for ‘energy’.
325
660640
3840
در E=MC2 سوال کردید. گفتم مخفف «انرژی» است.
11:04
So, was I right?
326
664480
1280
پس درست بود؟
11:05
‘Energy’ is the correct answer.
327
665760
2560
"انرژی" پاسخ صحیح است.
11:08
Energy equals ‘M’ for mass,
328
668320
2080
انرژی برابر با "M" برای جرم است،
11:10
multiplied by the Constant ‘C’ which
329
670400
2560
ضرب در ثابت "C"
11:12
is the speed of light, squared.
330
672960
2480
که سرعت نور است، در مجذور.
11:15
OK, let’s recap the vocabulary from
331
675440
2240
خوب، بیایید واژگان
11:17
this programme, starting with
332
677680
1520
این برنامه را جمع بندی کنیم، با
11:19
equation – a mathematical statement
333
679200
2640
معادله شروع کنیم - یک عبارت ریاضی
11:21
using symbols to show two
334
681840
2000
با استفاده از نمادها برای نشان دادن دو
11:23
equal things.
335
683840
1040
چیز مساوی.
11:24
If something is called a bogyman,
336
684880
2000
اگر چیزی به نام بوگیمن باشد،
11:26
it’s something considered bad
337
686880
1680
آن چیز بدی است
11:28
and to be feared.
338
688560
1200
و باید از آن ترسید.
11:29
Inscrutable people don’t show
339
689760
1760
افراد غیرقابل درک احساسات خود را نشان نمی دهند
11:31
their emotions so are very difficult
340
691520
2080
، بنابراین شناختن آنها بسیار
11:33
to get to know.
341
693600
1040
دشوار است.
11:34
Efficient means working quickly
342
694640
1680
کارآمد به معنای کار سریع
11:36
and effectively in an
343
696320
1200
و موثر به
11:37
organised way.
344
697520
1040
روشی سازمان یافته است.
11:38
The verb to sort means to group
345
698560
2080
فعل مرتب کردن به معنای گروه بندی
11:40
together things which
346
700640
1120
کردن چیزهایی است که
11:41
share similarities.
347
701760
1360
شباهت های مشترک دارند.
11:43
And finally, if something happens
348
703120
1840
و در نهایت، اگر چیزی
11:44
in a flash, it happens quickly
349
704960
2080
در یک لحظه اتفاق بیفتد، سریع یا ناگهانی اتفاق می افتد
11:47
or suddenly.
350
707040
960
.
11:48
That’s all the time we have to
351
708000
1360
این تمام زمانی است که ما باید
11:49
discuss algorithms. And if
352
709360
1920
درباره الگوریتم ها بحث کنیم. و
11:51
you’re still not 100% sure about
353
711280
2240
اگر هنوز 100% در
11:53
exactly what they are, we hope
354
713520
1840
مورد آنها مطمئن نیستید، امیدواریم
11:55
at least you’ve learned some
355
715360
960
حداقل
11:56
useful vocabulary!
356
716320
1200
لغات مفیدی را یاد گرفته باشید!
11:57
Join us again soon for more
357
717520
1360
به زودی دوباره برای
11:58
trending topics, sensational
358
718880
1840
موضوعات پرطرفدار، علم هیجان انگیز
12:00
science and useful vocabulary
359
720720
2080
و واژگان مفید
12:02
here at 6 Minute English from
360
722800
1440
در اینجا در 6 دقیقه انگلیسی از
12:04
BBC Learning English.
361
724240
1520
BBC Learning English به ما بپیوندید.
12:05
Bye for now!
362
725760
880
فعلا خداحافظ!
12:06
Goodbye!
363
726640
830
خداحافظ!
12:13
Hello. This is 6 Minute English
364
733200
1760
سلام. این 6 دقیقه انگلیسی
12:14
from BBC Learning English.
365
734960
1680
از BBC Learning English است.
12:16
I’m Neil.
366
736640
960
من نیل هستم
12:17
And I’m Sam.
367
737600
1520
و من سام هستم
12:19
In recent years, many people
368
739120
1520
در سال‌های اخیر، بسیاری از
12:20
have wanted to find out more
369
740640
1600
مردم می‌خواستند
12:22
about where they come from.
370
742240
1760
در مورد اینکه از کجا آمده‌اند، اطلاعات بیشتری کسب کنند.
12:24
Millions have tried to trace
371
744000
1360
میلیون ها نفر تلاش کرده اند
12:25
their family history and discover
372
745360
1920
تاریخچه خانوادگی خود را ردیابی کنند و دریابند
12:27
how their ancestors lived
373
747280
1360
که اجدادشان در صدها سال پیش چگونه زندگی می کردند
12:28
hundreds of years ago.
374
748640
1840
.
12:30
The internet has made it much
375
750480
1680
اینترنت
12:32
easier to find historical
376
752160
1680
یافتن
12:33
documents and records about
377
753840
1760
اسناد و سوابق تاریخی در مورد
12:35
your family history - and one of
378
755600
2000
سابقه خانوادگی شما را بسیار آسان کرده است - و یکی
12:37
the most useful documents for
379
757600
1840
از مفیدترین اسناد برای
12:39
doing this is the census.
380
759440
3120
انجام این کار، سرشماری است.
12:42
A census is an official count of all
381
762560
2480
سرشماری شمارش رسمی
12:45
the people living in a country.
382
765040
1920
همه افراد ساکن در یک کشور است.
12:46
It collects information about a
383
766960
1600
اطلاعات مربوط به جمعیت یک کشور را جمع آوری می کند
12:48
country’s population and is usually
384
768560
2160
و معمولاً
12:50
carried out by the government.
385
770720
2080
توسط دولت انجام می شود.
12:52
In Britain, a census has been
386
772800
1760
در بریتانیا، از سال 1801،
12:54
carried out every ten years
387
774560
1840
هر ده سال یک سرشماری انجام می‌شود.
12:56
since 1801. In 2002, when
388
776400
4000
در سال 2002، زمانی که
13:00
census records from a hundred
389
780400
1600
سوابق سرشماری صد
13:02
years before became available
390
782000
2080
سال قبل به صورت آنلاین در دسترس قرار گرفت
13:04
online, so many people rushed
391
784080
2320
، افراد زیادی
13:06
to their computers to access
392
786400
1520
برای دسترسی به رایانه‌های خود هجوم
13:07
them that the website crashed!
393
787920
2640
آوردند که وب‌سایت از کار افتاد!
13:10
But before we find out more
394
790560
1600
اما قبل از اینکه
13:12
about the census and its related
395
792160
1760
در مورد سرشماری و واژگان مربوط به
13:13
vocabulary it’s time for a quiz
396
793920
1920
آن اطلاعات بیشتری کسب کنیم، وقت آن است که یک سوال امتحانی داشته باشیم
13:15
question, Sam. Someone who
397
795840
2240
، سام.
13:18
knows a lot about his family
398
798080
1680
کسی که اطلاعات زیادی در مورد تاریخچه خانوادگی خود
13:19
history is British actor, Danny
399
799760
2000
دارد، بازیگر بریتانیایی، دنی
13:21
Dyer. When BBC television
400
801760
2480
دایر است. وقتی برنامه تلویزیونی بی بی سی
13:24
programme, Who Do You
401
804240
1120
،
13:25
Think You Are? researched
402
805360
1280
فکر می کنید کی هستید؟ با تحقیق در مورد
13:26
his family history they discovered
403
806640
2240
تاریخچه خانوادگی او دریافتند
13:28
that the actor was related to
404
808880
1440
که این بازیگر با
13:30
someone very famous – but
405
810320
2000
شخصی بسیار مشهور رابطه دارد - اما این بازیگر
13:32
who was it?
406
812320
1360
که بود؟
13:33
A) King Edward III,
407
813680
2080
الف) شاه ادوارد سوم،
13:35
B) William Shakespeare, or,
408
815760
2080
ب) ویلیام شکسپیر، یا
13:37
C) Winston Churchill?
409
817840
2080
ج) وینستون چرچیل؟
13:39
Well, I know Danny Dyer usually
410
819920
2320
خوب، می دانم که دنی دایر معمولاً
13:42
plays tough-guy characters so
411
822240
2400
نقش شخصیت های سرسخت را بازی می کند، بنابراین
13:44
maybe it’s
412
824640
640
شاید
13:45
C), war hero Winston Churchill?
413
825280
3600
C باشد)، قهرمان جنگ وینستون چرچیل؟
13:48
OK, Sam, we’ll find out later if
414
828880
1920
باشه، سام، بعداً متوجه می‌شویم
13:50
that’s correct. Now, although
415
830800
2160
که درست است یا نه. در حال حاضر،
13:52
the first British census took
416
832960
1520
اگرچه اولین سرشماری بریتانیا
13:54
place in 1801, other censuses
417
834480
2560
در سال 1801 انجام شد، سایر سرشماری
13:57
have a much longer history.
418
837040
2480
ها سابقه بسیار طولانی تری دارند.
13:59
In fact, the bible story of Mary
419
839520
2080
در واقع، داستان کتاب مقدس مریم
14:01
and Joseph travelling to
420
841600
1200
و یوسف در سفر به
14:02
Bethlehem is linked to a
421
842800
1440
بیت لحم به سرشماری رومی مرتبط است
14:04
Roman census.
422
844240
2022
.
14:06
So, what was the original
423
846262
2298
بنابراین،
14:08
reason for counting people
424
848560
1840
دلیل اصلی شمارش افراد
14:10
and what did governments
425
850400
1200
چه بود و دولت ها
14:11
hope to achieve by doing so?
426
851600
2320
امیدوار بودند با این کار به چه چیزی دست پیدا کنند؟
14:13
Here’s Dr Kathrin Levitan, author
427
853920
2640
در اینجا دکتر کاترین لویتان،
14:16
of a book on the cultural history
428
856560
1760
نویسنده کتابی در مورد تاریخ
14:18
of the census, speaking to
429
858320
1840
فرهنگی سرشماری، با
14:20
BBC World Service programme,
430
860160
1760
برنامه سرویس جهانی بی‌بی‌سی،
14:21
The Forum:
431
861920
1299
The Forum صحبت می‌کند:
14:24
I think there were probably
432
864480
960
فکر می‌کنم احتمالاً
14:25
two most common reasons.
433
865440
2080
دو دلیل رایج وجود داشته است.
14:27
One was in order to figure out
434
867520
2000
یکی برای این بود که بفهمیم چه
14:29
who could fight in wars, so basically
435
869520
1760
کسی می‌تواند در جنگ‌ها بجنگد، بنابراین اساساً
14:31
military conscription and in order
436
871280
2160
سربازی اجباری نظامی و
14:33
to find out who could fight in wars
437
873440
1840
برای اینکه بفهمیم چه کسی می‌تواند در جنگ‌ها
14:35
ancient governments like the
438
875280
1040
بجنگد، دولت‌های باستانی مانند
14:36
Roman Empire had to find out how
439
876320
2480
امپراتوری روم باید
14:38
many men of a certain age there were.
440
878800
2560
تعداد مردان یک سن خاص را پیدا می‌کردند.
14:41
And I would say that the other thing
441
881360
1760
و من می‌توانم بگویم که مورد دیگری
14:43
that censuses were most commonly
442
883120
2080
که سرشماری‌ها برای آن بیشتر مورد
14:45
used for was for purposes of taxation.
443
885200
2800
استفاده قرار می‌گرفت، برای اهداف مالیاتی بود.
14:48
According to Kathrin Levitan, ancient
444
888880
2400
به گفته کاترین لویتان،
14:51
censuses were used to figure out – or
445
891280
2400
سرشماری‌های باستانی برای فهمیدن – یا
14:53
understand, how many men were
446
893680
2000
فهمیدن تعداد مردانی که
14:55
available to fight wars.
447
895680
2000
برای جنگیدن در دسترس بودند، استفاده می‌شد.
14:57
The Roman Empire needed a strong
448
897680
2400
امپراتوری روم به یک ارتش قوی نیاز
15:00
army, and this depended on
449
900080
1840
داشت، و این به
15:01
conscription – forcing people to
450
901920
2560
خدمت اجباری بستگی داشت - مجبور کردن مردم
15:04
become soldiers and join the army.
451
904480
2320
به سرباز شدن و پیوستن به ارتش.
15:06
The other main reason for taking
452
906800
1600
دلیل اصلی دیگر برای
15:08
a census was taxation – the
453
908400
2080
انجام سرشماری، مالیات بود –
15:10
system of taxing people a certain
454
910480
2000
سیستم مالیات گرفتن از مردم مقدار معینی
15:12
amount of money to be paid to
455
912480
1600
از پول که باید
15:14
the government for public services.
456
914080
2640
برای خدمات عمومی به دولت پرداخت شود.
15:16
Ancient and early modern censuses
457
916720
2240
سرشماری های باستانی و اولیه مدرن پروژه های
15:18
were large and difficult-to-organise
458
918960
2320
بزرگ و دشواری برای سازماندهی بودند
15:21
projects. They often involved
459
921280
2160
. آنها اغلب
15:23
government officials going from
460
923440
1600
مقامات دولتی را درگیر می کردند که
15:25
house to house, asking questions
461
925040
2640
خانه به خانه می رفتند و در
15:27
about the people who lived there.
462
927680
2400
مورد مردمی که در آنجا زندگی می کردند سؤال می پرسیدند.
15:30
But over time governments’ desire
463
930080
2160
اما با گذشت زمان تمایل دولت ها
15:32
to know about, and control, its
464
932240
1840
به دانستن و کنترل
15:34
citizens gave rise to new
465
934080
1680
شهروندانش باعث ایجاد
15:35
technologies for counting people.
466
935760
2320
فناوری های جدیدی برای شمارش افراد شد.
15:38
Here’s statistician and economist
467
938080
2160
در اینجا اندرو ویتبی، آماردان و اقتصاددان،
15:40
Andrew Whitby explaining how
468
940240
1920
توضیح می دهد که چگونه
15:42
this happened in the US to BBC
469
942160
2400
این اتفاق در برنامه خدمات جهانی بی بی سی در ایالات متحده رخ داده است
15:44
World Service programme,
470
944560
1360
15:45
The Forum:
471
945920
2000
15:47
The 1890 census of the United
472
947920
1760
: سرشماری سال 1890 ایالات
15:49
States was the first in which some
473
949680
1520
متحده اولین موردی بود که در آن نوعی
15:51
kind of electro-mechanical process
474
951200
1760
15:52
was used to count people… so
475
952960
1680
فرآیند الکترومکانیکی برای شمارش افراد استفاده شد... بنابراین
15:54
instead of armies of clerks reading
476
954640
2880
به جای ارتشی از منشیانی که
15:57
off census schedules and tabulating
477
957520
2480
برنامه‌های سرشماری را می‌خوانند و
16:00
these things by hand, for the first
478
960000
1520
این موارد را با دست جدول‌بندی می‌کنند، برای اولین
16:01
time an individual census record
479
961520
1760
بار یک پرونده سرشماری فردی
16:03
would be punched onto a card… so
480
963280
2080
روی یک کارت پانچ می‌شود... به طوری
16:05
that there were holes in this card
481
965360
1520
که سوراخ‌هایی در این کارت وجود داشت
16:06
representing different characteristics
482
966880
1280
که نشان‌دهنده ویژگی‌های
16:08
of the person and then those cards
483
968160
1120
مختلف فرد بود و سپس آن کارت‌ها
16:09
could be fed through a machine.
484
969280
1985
می‌توانستند تغذیه شوند. از طریق یک ماشین
16:12
Old-fashioned censuses were managed
485
972080
2000
سرشماری‌های قدیمی
16:14
by clerks – office workers whose job
486
974080
2640
توسط کارمندان اداره می‌شدند که کارشان
16:16
involved keeping records.
487
976720
2160
شامل نگهداری سوابق بود.
16:18
Thousands of clerks would record
488
978880
1680
هزاران
16:20
the information gathered in the
489
980560
1520
منشی اطلاعات جمع آوری شده در
16:22
census and tabulate it, in other words,
490
982080
3360
سرشماری را ثبت و جدول بندی می کردند، به عبارت
16:25
show the information in the form of
491
985440
2080
دیگر اطلاعات را در قالب
16:27
a table with rows and columns.
492
987520
3280
یک جدول با ردیف و ستون نشان می دادند.
16:30
The US census of 1890 was the first
493
990800
2800
سرشماری ایالات متحده در سال 1890 اولین موردی بود که
16:33
to use machines, and many censuses
494
993600
2400
از ماشین ها استفاده کرد، و امروزه بسیاری از سرشماری
16:36
today are electronically updated to
495
996000
2320
ها به صورت الکترونیکی به روز می شوند تا
16:38
record new trends and shifts in
496
998320
2000
روندها و تغییرات جدید در
16:40
populations as they happen.
497
1000320
2400
جمعیت را ثبت کنند.
16:42
In fact, so much personal
498
1002720
1920
در واقع،
16:44
information is now freely available
499
1004640
2320
در حال حاضر اطلاعات شخصی بسیار زیادی
16:46
through social media and the
500
1006960
1280
از طریق رسانه های اجتماعی و
16:48
internet that some people have
501
1008240
1920
اینترنت آزادانه در دسترس است که برخی افراد اصلاً
16:50
questioned the need for having
502
1010160
1760
نیاز
16:51
a census at all.
503
1011920
1680
به سرشماری را زیر سوال برده اند.
16:53
Yes, it isn’t hard to find out about
504
1013600
2080
بله، سخت نیست که در مورد
16:55
someone famous, like a TV star.
505
1015680
2640
یک فرد مشهور، مانند یک ستاره تلویزیون، بدانید.
16:58
Someone like Danny Dyer, you mean?
506
1018320
2400
یعنی کسی مثل دنی دایر؟
17:00
Right. In my quiz question I asked
507
1020720
2000
درست. در سوال مسابقه من از
17:02
Sam which historical figure TV
508
1022720
2400
سام پرسیدم که دنی دایر بازیگر تلویزیون با کدام شخصیت تاریخی
17:05
actor, Danny Dyer, was related to.
509
1025120
2720
مرتبط است.
17:07
And I said it was
510
1027840
1120
و من گفتم
17:08
C) Winston Churchill. Was I right?
511
1028960
3200
ج) وینستون چرچیل. درست گفتم؟
17:12
It was a good guess, Sam, but
512
1032160
1440
حدس خوبی بود سام،
17:13
the actual answer was
513
1033600
1120
اما پاسخ واقعی
17:14
A) King Edward III. And no-one
514
1034720
2640
الف) پادشاه ادوارد سوم بود. و هیچ
17:17
was more surprised that he was
515
1037360
1440
کس بیشتر از خود بازیگر EastEnders تعجب نکرد که او
17:18
related to royalty than the
516
1038800
1600
با خانواده سلطنتی مرتبط
17:20
EastEnders actor himself!
517
1040400
2400
است!
17:22
OK, Neil, let’s recap the
518
1042800
1520
خوب، نیل، بیایید
17:24
vocabulary from this programme
519
1044320
1760
واژگان این برنامه را
17:26
about the census - the official
520
1046080
2240
در مورد سرشماری -
17:28
counting of a nation’s population.
521
1048320
2480
شمارش رسمی جمعیت یک کشور، مرور کنیم.
17:30
To figure something out means
522
1050800
1600
فهمیدن چیزی به معنای
17:32
to understand it.
523
1052400
1760
درک آن است.
17:34
The Romans used conscription
524
1054160
2000
رومی ها از خدمت اجباری استفاده می کردند
17:36
to force men to join the army by law.
525
1056160
2960
تا طبق قانون مردان را مجبور به پیوستن به ارتش کنند.
17:39
Taxation is the government’s
526
1059120
1520
مالیات، سیستم دولت برای
17:40
system of taxing people to pay
527
1060640
2080
اخذ مالیات از مردم برای پرداخت
17:42
for public services.
528
1062720
2000
خدمات عمومی است.
17:44
A clerk is an office worker whose
529
1064720
2240
کارمند یک کارمند اداری است که
17:46
job involves keeping records.
530
1066960
3120
کارش شامل نگهداری سوابق است.
17:50
And tabulate means show
531
1070080
1680
و جدول به معنای نمایش
17:51
information in the form of a table
532
1071760
1920
اطلاعات به صورت جدول
17:53
with rows and columns.
533
1073680
2217
با سطر و ستون است.
17:55
That’s all for our six-minute look
534
1075897
2023
این همه برای نگاه شش دقیقه‌ای ما
17:57
at the census, but if we’ve whetted
535
1077920
1920
به سرشماری است، اما اگر
17:59
your appetite for more why not
536
1079840
2000
اشتهای شما را برای اطلاعات بیشتر افزایش داده‌ایم، چرا
18:01
check out the whole episode – it’s
537
1081840
2080
کل قسمت را بررسی نکنید
18:03
available now on the website of
538
1083920
1920
- اکنون در وب‌سایت
18:05
BBC World Service programme,
539
1085840
1760
برنامه سرویس جهانی بی‌بی‌سی،
18:07
The Forum.
540
1087600
1440
The Forum، در دسترس است.
18:09
Bye for now!
541
1089040
1280
فعلا خداحافظ!
18:10
Bye bye.
542
1090320
890
خداحافظ.
18:17
Hello. This is 6 Minute English
543
1097040
1520
سلام. این 6 دقیقه انگلیسی
18:18
from BBC Learning English.
544
1098560
1440
از BBC Learning English است.
18:20
I’m Neil.
545
1100000
720
18:20
And I’m Georgina.
546
1100720
1360
من نیل هستم
و من جورجینا هستم.
18:22
What do Homer, Ray Charles
547
1102080
1840
هومر، ری چارلز
18:23
and Jorge Borges all have in
548
1103920
1760
و خورخه بورخس چه چیزی
18:25
common, Georgina?
549
1105680
1040
مشترک دارند، جورجینا؟
18:26
Hmm, so that’s the ancient Greek
550
1106720
2400
هومر، پس این شاعر یونان باستان
18:29
poet, Homer; American singer,
551
1109120
2160
، هومر است. خواننده آمریکایی،
18:31
Ray Charles; and Argentine writer,
552
1111280
2400
ری چارلز; و نویسنده آرژانتینی،
18:33
Jorge Luis Borges… I can’t see
553
1113680
2480
خورخه لوئیس بورخس... من نمی توانم
18:36
much in common there, Neil.
554
1116160
1440
نقاط مشترک زیادی در آنجا ببینم، نیل.
18:37
Well, the answer is that they
555
1117600
1360
خب جواب این است که
18:38
were all blind.
556
1118960
1280
همه نابینا بودند.
18:40
Ah! But that obviously didn’t hold
557
1120240
1760
آه! اما این بدیهی است که مانع
18:42
them back - I mean, they were
558
1122000
1280
آنها نشد - منظورم این است که آنها
18:43
some of the greatest artists ever!
559
1123280
2160
برخی از بزرگترین هنرمندان تاریخ بودند!
18:45
Right, but I wonder how easy they
560
1125440
1840
درست است، اما نمی‌دانم
18:47
would find it living and working in
561
1127280
1600
زندگی و کار در
18:48
the modern world.
562
1128880
1040
دنیای مدرن چقدر آسان است.
18:49
Blind people can use a guide dog
563
1129920
1680
افراد نابینا می توانند از سگ راهنما
18:51
or a white cane to help them
564
1131600
1280
یا عصای سفید برای
18:52
move around.
565
1132880
1040
حرکت در اطراف خود استفاده کنند.
18:53
Yes, but a white cane is hardly
566
1133920
2000
بله، اما عصای سفید به سختی
18:55
advanced technology! Recently,
567
1135920
2240
فناوری پیشرفته ای است! اخیراً
18:58
smartphone apps have been
568
1138160
1440
اپلیکیشن‌هایی برای گوشی‌های هوشمند
18:59
invented which dramatically
569
1139600
1520
اختراع شده‌اند که به طور چشمگیری
19:01
improve the lives of blind people
570
1141120
1760
زندگی نابینایان را
19:02
around the world.
571
1142880
1120
در سراسر جهان بهبود می‌بخشند.
19:04
In this programme on blindness
572
1144000
1600
در این برنامه در مورد نابینایی
19:05
in the digital age we’ll be looking
573
1145600
1920
در عصر دیجیتال
19:07
at some of these inventions, known
574
1147520
2080
، برخی از این اختراعات را بررسی خواهیم کرد، که در
19:09
collectively as assistive technology –
575
1149600
3040
مجموع به عنوان فناوری کمکی شناخته می‌شوند -
19:12
that’s any software or equipment
576
1152640
2000
این هر نرم‌افزار یا تجهیزاتی است
19:14
that helps people work around their
577
1154640
1920
که به افراد کمک می‌کند تا
19:16
disabilities or challenges.
578
1156560
2080
ناتوانی‌ها یا چالش‌های خود را حل کنند.
19:18
But first it’s time for my quiz
579
1158640
1680
اما اول وقت سوال مسابقه من است
19:20
question, Georgina. In 1842 a
580
1160320
2960
، جورجینا. در سال 1842
19:23
technique of using fingers to feel
581
1163280
2240
تکنیکی برای استفاده از انگشتان برای احساس کردن
19:25
printed raised dots was invented
582
1165520
2240
نقاط برجسته ابداع شد
19:27
which allowed blind people to read.
583
1167760
2080
که به افراد نابینا امکان خواندن می داد.
19:29
But who invented it? Was it:
584
1169840
2000
اما چه کسی آن را اختراع کرد؟ آیا این بود:
19:31
a) Margaret Walker?,
585
1171840
2000
الف) مارگارت واکر؟،
19:33
b) Louis Braille?, or
586
1173840
1760
ب) لویی بریل؟، یا
19:35
c) Samuel Morse?
587
1175600
1360
ج) ساموئل مورس؟
19:36
Hmm, I’ve heard of Morse code but
588
1176960
2560
هوم، من در مورد کد مورس شنیده ام، اما
19:39
that wouldn’t help blind people
589
1179520
1440
این به افراد نابینا کمک نمی کند که
19:40
read, so I think it’s, b) Louis Braille.
590
1180960
2880
بخوانند، بنابراین فکر می کنم، ب) لویی بریل است.
19:43
OK, Georgina, we’ll find out the
591
1183840
1600
خوب، جورجینا، ما
19:45
answer at the end of the programme.
592
1185440
2160
پاسخ را در پایان برنامه خواهیم فهمید.
19:47
One remarkable feature of the latest
593
1187600
2080
یکی از ویژگی های قابل توجه آخرین
19:49
assistive technology is its practicality.
594
1189680
3200
فناوری کمکی، کاربردی بودن آن است.
19:52
Smartphone apps like ‘BeMyEyes’
595
1192880
2400
اپلیکیشن‌های گوشی‌های هوشمند مانند «BeMyEyes»
19:55
allow blind users to find lost keys,
596
1195280
2480
به کاربران نابینا این امکان را می‌دهند تا کلیدهای گمشده را پیدا کنند،
19:57
cross busy roads and even colour
597
1197760
2080
از جاده‌های شلوغ عبور کنند و حتی رنگ
19:59
match their clothes.
598
1199840
1200
لباس‌هایشان را با هم تطبیق دهند.
20:01
Brian Mwenda is CEO of a Kenyan
599
1201040
2640
برایان موندا مدیرعامل یک
20:03
company developing this kind of
600
1203680
1760
شرکت کنیایی است که این نوع
20:05
technology. Here he explains to
601
1205440
2400
فناوری را توسعه می دهد. او در اینجا به
20:07
BBC World Service programme,
602
1207840
2000
برنامه سرویس جهانی بی‌بی‌سی،
20:09
Digital Planet, how his devices seek
603
1209840
2560
Digital Planet، توضیح می‌دهد که چگونه دستگاه‌هایش به دنبال
20:12
to enhance, not replace, the
604
1212400
2160
تقویت عصای سفید سنتی هستند، نه جایگزین کردن
20:14
traditional white cane:
605
1214560
1829
:
20:16
The device is very compatible with
606
1216880
1840
این دستگاه با
20:18
any kind of white cane. So, once you
607
1218720
2000
هر نوع عصای سفید بسیار سازگار است. بنابراین، هنگامی که
20:20
clip it on to any white cane it
608
1220720
2160
آن را بر روی هر عصای سفیدی گیره می‌دهید،
20:22
works perfectly to detect the
609
1222880
1360
کاملاً برای شناسایی
20:24
obstacles in front of you, and it
610
1224240
1920
موانع پیش روی شما کار می‌کند و
20:26
relies on echo-location. So,
611
1226160
2080
به مکان پژواک متکی است. بنابراین،
20:28
echo-location is the same technology
612
1228240
1840
مکان‌یابی پژواک همان فناوری است
20:30
used by bats and dolphins to detect
613
1230080
3520
که خفاش‌ها و دلفین‌ها برای شناسایی
20:33
prey and obstacles and all that. You
614
1233600
2560
طعمه‌ها و موانع و همه چیز از آن استفاده می‌کنند.
20:36
send out a sound pulse and then
615
1236160
1840
شما یک پالس صوتی می فرستید و بعد از
20:38
once it bounces off an obstacle, you
616
1238000
2000
اینکه از مانعی خارج شد، می
20:40
can tell how far the obstacle is.
617
1240000
2320
توانید بگویید که فاصله چقدر از مانع است.
20:42
When attached to a white cane, the
618
1242320
1840
هنگامی که به یک عصای سفید متصل می‌شود،
20:44
digital device - called ‘Sixth Sense’ -
619
1244160
2560
دستگاه دیجیتالی به نام «حس ششم»
20:46
can detect obstacles – objects which
620
1246720
2640
می‌تواند موانع را تشخیص دهد - اشیایی که
20:49
block your way, making it difficult for
621
1249360
2160
راه
20:51
you to move forward.
622
1251520
1360
شما را می‌بندند و حرکت رو به جلو را برای شما دشوار می‌کنند.
20:52
‘Sixth Sense’ works using echo-location,
623
1252880
3040
«حس ششم» با استفاده از مکان‌یابی اکو کار می‌کند،
20:55
a kind of ultrasound like that used by
624
1255920
2640
نوعی سونوگرافی شبیه به امواج اولتراسوندی که توسط
20:58
bats who send out sound waves
625
1258560
2000
خفاش‌ها استفاده می‌شود که امواج صوتی را
21:00
which bounce off surrounding objects.
626
1260560
2560
از اجسام اطراف بیرون می‌فرستند.
21:03
The returning echoes show where these
627
1263120
2320
پژواک های برگشتی نشان می دهد که این
21:05
objects are located.
628
1265440
1840
اشیاء در کجا قرار دارند.
21:07
Some of the assistive apps are so
629
1267280
1840
برخی از برنامه‌های کمکی آنقدر
21:09
smart they can even tell what kind of
630
1269120
2000
هوشمند هستند که حتی می‌توانند تشخیص دهند که چه نوع
21:11
object is coming up ahead – be it a
631
1271120
2240
جسمی در راه است - چه یک
21:13
friend, a shop door or a speeding car.
632
1273360
3040
دوست، یک درب مغازه یا یک ماشین با سرعت بالا.
21:16
I guess being able to move around
633
1276400
1600
من حدس می‌زنم که بتوانیم با
21:18
confidently really boosts people’s
634
1278000
2000
اطمینان حرکت کنیم واقعاً استقلال مردم را تقویت می‌کند
21:20
independence.
635
1280000
1200
.
21:21
Absolutely. And it’s challenging
636
1281200
1760
کاملا. و
21:22
stereotypes around blindness too.
637
1282960
2480
کلیشه‌های مربوط به نابینایی را نیز به چالش می‌کشد.
21:25
Blogger, Fern Lulham, who is blind
638
1285440
2160
بلاگر، فرن لولهام، که خودش نابینا است
21:27
herself, uses assistive apps every day.
639
1287600
3280
، هر روز از اپلیکیشن های کمکی استفاده می کند.
21:30
Here she is talking to
640
1290880
1120
او در اینجا با
21:32
BBC World Service’s, Digital Planet:
641
1292000
2979
سرویس جهانی بی‌بی‌سی، Digital Planet صحبت می‌کند:
21:35
I think the more that society sees
642
1295680
2160
من فکر می‌کنم هرچه جامعه
21:37
blind people in the community, at work,
643
1297840
2640
افراد نابینا را در جامعه، در محل کار،
21:40
in relationships it does help to tackle
644
1300480
2800
در روابط بیشتر ببیند، به مقابله با
21:43
all of these stereotypes, it helps
645
1303280
1440
همه این کلیشه‌ها کمک می‌کند، به
21:44
people to see blind and
646
1304720
1600
افراد کمک می‌کند که نابینا و
21:46
visually-impaired people in a whole
647
1306320
1200
کم بینا را ببینند. مردم به روشی کاملاً
21:47
new way and it just normalises
648
1307520
2240
جدید و این فقط
21:49
disability – that’s what we need, we
649
1309760
1520
ناتوانی را عادی می کند - این چیزی است که ما به آن نیاز داریم، ما
21:51
need to see people just getting on
650
1311280
1840
باید ببینیم مردم فقط به
21:53
with their life and doing it and then
651
1313120
1600
زندگی خود ادامه می دهند و آن را انجام می دهند و سپس
21:54
people won’t see it as such a big
652
1314720
1760
مردم دیگر آن را به عنوان یک مشکل بزرگ نبینند
21:56
deal anymore, it’ll just be the ordinary.
653
1316480
2979
، معمولی باشد
22:00
Fern distinguishes between people
654
1320320
1680
فرن بین افرادی
22:02
who are blind, or unable to see, and
655
1322000
2480
که نابینا هستند یا قادر به دیدن نیستند و
22:04
those who are visually impaired –
656
1324480
2080
افرادی که دارای اختلال بینایی هستند تمایز قائل می شود -
22:06
experience a decreased ability to see.
657
1326560
3120
کاهش توانایی دیدن را تجربه می کنند.
22:09
Assistive tech helps blind people
658
1329680
2080
فناوری کمکی به افراد نابینا کمک می کند تا
22:11
lead normal, independent lives within
659
1331760
2400
زندگی عادی و مستقلی را در
22:14
their local communities. Fern hopes
660
1334160
2640
جوامع محلی خود داشته باشند. فرن امیدوار است
22:16
that this will help normalise disability –
661
1336800
2640
که این امر به عادی سازی ناتوانی کمک کند -
22:19
treat something as normal which has
662
1339440
2000
با چیزی عادی رفتار کنید که
22:21
not been accepted as normal before…
663
1341440
2480
قبلاً به عنوان عادی پذیرفته نشده است ...
22:23
…so being blind doesn’t have to be a
664
1343920
2160
... بنابراین نابینا بودن نباید مشکل
22:26
big deal – an informal way to say
665
1346080
2240
بزرگی باشد - یک روش غیررسمی برای گفتن
22:28
something is not a serious problem.
666
1348320
2800
چیزی مشکل جدی نیست.
22:31
Just keep your eyes closed for a
667
1351120
1280
فقط یک دقیقه چشمان خود را بسته نگه دارید
22:32
minute and try moving around the
668
1352400
1440
و سعی کنید در اتاق حرکت کنید
22:33
room. You’ll soon see how difficult
669
1353840
2320
. به زودی خواهید دید که چقدر
22:36
it is… and how life changing this
670
1356160
1680
دشوار است ... و تغییر زندگی این
22:37
technology can be.
671
1357840
1600
فناوری چگونه می تواند باشد.
22:39
Being able to read books must also
672
1359440
2240
توانایی خواندن کتاب نیز باید
22:41
open up a world of imagination.
673
1361680
2320
دنیایی از تخیل را باز کند.
22:44
So what was the answer to your
674
1364000
1280
پس جواب سوال مسابقه شما چه بود
22:45
quiz question, Neil?
675
1365280
1600
، نیل؟
22:46
Ah yes. I asked Georgina who
676
1366880
1600
آه بله. از جورجینا پرسیدم که چه کسی
22:48
invented the system of reading
677
1368480
1760
سیستم خواندن را اختراع کرده است
22:50
where fingertips are used to feel
678
1370240
1840
که در آن از نوک انگشتان برای احساس
22:52
patterns of printed raised dots.
679
1372080
2160
الگوی نقاط برجسته چاپ شده استفاده می شود.
22:54
What did you say, Georgina?
680
1374240
1600
چی گفتی جورجینا؟
22:55
I thought it was, b) Louis Braille.
681
1375840
2880
من فکر کردم این بود، ب) لویی بریل.
22:58
Which was…of course the correct
682
1378720
1600
که ... البته پاسخ صحیح بود
23:00
answer! Well done, Georgina – Louise
683
1380320
2560
! آفرین، جورجینا – لوئیز
23:02
Braille the inventor of a reading
684
1382880
1600
بریل مخترع یک
23:04
system which is known worldwide
685
1384480
1760
سیستم خواندن که در سراسر جهان
23:06
simply as braille.
686
1386240
1680
به سادگی به نام بریل شناخته می شود.
23:07
I suppose braille is an early example
687
1387920
2160
تصور می‌کنم خط بریل یک نمونه اولیه
23:10
of assistive technology – systems
688
1390080
2480
از فناوری کمکی است - سیستم‌ها
23:12
and equipment that assist people
689
1392560
1600
و تجهیزاتی که به افراد
23:14
with disabilities to perform everyday
690
1394160
2160
دارای معلولیت در انجام وظایف روزمره کمک
23:16
functions. Let’s recap the rest of
691
1396320
2400
می‌کنند. بیایید بقیه واژگان را خلاصه کنیم
23:18
the vocabulary, Neil.
692
1398720
1760
، نیل.
23:20
OK. An obstacle is an object that
693
1400480
2240
خوب. مانع جسمی است
23:22
is in your way and blocks your
694
1402720
2000
که سر راه شما قرار دارد و مانع حرکت شما می
23:24
movement.
695
1404720
1120
شود.
23:25
Some assisted technology works
696
1405840
1680
برخی از فن‌آوری‌های
23:27
using echo-location – a system of
697
1407520
2560
کمکی با استفاده از مکان‌یابی اکو کار می‌کنند - سیستمی برای
23:30
ultrasound detection used by bats.
698
1410080
3120
تشخیص اولتراسوند که توسط خفاش‌ها استفاده می‌شود.
23:33
Being blind is different from being
699
1413200
1760
نابینا بودن
23:34
visually impaired - having a
700
1414960
1840
با کم بینایی متفاوت است -
23:36
decreased ability to see, whether
701
1416800
1920
کاهش توانایی دیدن، چه
23:38
disabling or not.
702
1418720
1626
ناتوان کننده یا نه.
23:40
And finally, the hope is that
703
1420346
1654
و در نهایت، امید این است که
23:42
assistive phone apps can help
704
1422000
1760
برنامه‌های تلفن کمکی بتوانند به
23:43
normalise disability – change the
705
1423760
2160
عادی‌سازی ناتوانی کمک کنند -
23:45
perception of something into
706
1425920
1440
درک چیزی را به
23:47
being accepted as normal…
707
1427360
2080
عنوان عادی پذیرفته شوند... .. به
23:49
..so that disability is no longer a
708
1429440
2080
طوری که معلولیت دیگر مشکل
23:51
big deal – not a big problem.
709
1431520
2240
بزرگی نیست - مشکل بزرگی نیست.
23:53
That’s all for this programme but
710
1433760
1360
این همه برای این برنامه است، اما
23:55
join us again soon at 6 Minute English…
711
1435120
2800
به زودی دوباره در 6 دقیقه انگلیسی به ما بپیوندید...
23:57
…and remember you can find many
712
1437920
1360
...و به یاد داشته باشید که می توانید بسیاری
23:59
more 6 Minute topics and useful
713
1439280
1920
از موضوعات 6 دقیقه ای و
24:01
vocabulary archived on
714
1441200
1440
واژگان مفید را در bbclearningenglish.com بایگانی کنید
24:02
bbclearningenglish.com.
715
1442640
2240
.
24:04
Don’t forget we also have an app
716
1444880
1680
فراموش نکنید که ما همچنین یک برنامه داریم
24:06
you can download for free from
717
1446560
1600
که می توانید به صورت رایگان از
24:08
the app stores. And of course we
718
1448160
2160
فروشگاه های برنامه دانلود کنید. و البته ما
24:10
are all over social media, so come
719
1450320
2240
در شبکه های اجتماعی حضور داریم، پس
24:12
on over and say hi.
720
1452560
1360
بیایید و سلام کنید.
24:13
Bye for now!
721
1453920
800
فعلا خداحافظ!
24:14
Bye!
722
1454720
830
خدا حافظ!
24:21
Welcome to 6 Minute English, where
723
1461280
1520
به 6 دقیقه انگلیسی خوش آمدید، جایی
24:22
we bring you an intelligent topic
724
1462800
1600
که ما یک موضوع هوشمند
24:24
and six related items of vocabulary.
725
1464400
2480
و شش مورد مرتبط از واژگان را برای شما آورده ایم.
24:26
I’m Neil.
726
1466880
640
من نیل هستم
24:27
And I’m Tim. And today we’re talking
727
1467520
2560
و من تیم هستم و امروز ما در
24:30
about AI – or Artificial Intelligence.
728
1470080
3840
مورد هوش مصنوعی یا هوش مصنوعی صحبت می کنیم.
24:33
Artificial Intelligence is the ability of
729
1473920
2480
هوش مصنوعی توانایی
24:36
machines to copy human intelligent
730
1476400
2560
ماشین‌ها برای کپی کردن رفتار هوشمند انسان
24:38
behaviour – for example, an
731
1478960
1920
است – برای مثال، یک
24:40
intelligent machine can learn
732
1480880
1440
ماشین هوشمند می‌تواند
24:42
from its own mistakes, and make
733
1482320
1600
از اشتباهات خود درس بگیرد و
24:43
decisions based on what’s happened
734
1483920
2000
بر اساس آنچه در گذشته اتفاق افتاده است تصمیم بگیرد
24:45
in the past.
735
1485920
880
.
24:46
There’s a lot of talk about AI these
736
1486800
2000
این روزها صحبت های زیادی در مورد هوش مصنوعی وجود دارد
24:48
days, Neil, but it’s still just science
737
1488800
2160
، نیل، اما هنوز هم فقط علمی
24:50
fiction, isn’t it?
738
1490960
1360
تخیلی است، اینطور نیست؟
24:52
That’s not true – AI is everywhere.
739
1492320
2640
این درست نیست - هوش مصنوعی همه جا وجود دارد.
24:54
Machine thinking is in our homes,
740
1494960
2160
تفکر ماشینی در خانه ها،
24:57
offices, schools and hospitals.
741
1497120
2480
ادارات، مدارس و بیمارستان های ما وجود دارد.
24:59
Computer algorithms are helping
742
1499600
1680
الگوریتم‌های کامپیوتری به ما کمک می‌کنند تا
25:01
us drive our cars. They’re diagnosing
743
1501280
2560
ماشین‌هایمان را رانندگی کنیم. آنها
25:03
what’s wrong with us in hospitals.
744
1503840
2160
در بیمارستان ها مشکل ما را تشخیص می دهند.
25:06
They’re marking student essays…
745
1506000
1840
آنها در حال علامت گذاری مقالات دانش آموزی هستند...
25:07
They’re telling us what to read on
746
1507840
1520
آنها به ما می گویند که در
25:09
our smartphones…
747
1509360
960
تلفن های هوشمند خود چه چیزی بخوانیم...
25:10
Well, that really does sound like
748
1510320
1680
خوب، واقعاً شبیه
25:12
science fiction – but it’s
749
1512000
1760
داستان های علمی تخیلی به نظر می رسد - اما
25:13
happening already, you say, Neil?
750
1513760
1840
شما می گویید که قبلاً اتفاق افتاده است، نیل؟
25:15
It’s definitely happening, Tim.
751
1515600
2245
قطعا این اتفاق می افتد، تیم.
25:17
And an algorithm, by the way, is
752
1517845
1435
و به هر حال، یک الگوریتم
25:19
a set of steps a computer follows
753
1519280
2320
مجموعه ای از مراحل است که یک کامپیوتر
25:21
in order to solve a problem.
754
1521600
1680
برای حل یک مسئله دنبال می کند.
25:23
So can you tell me what was the
755
1523280
2080
پس می‌توانید به من بگویید
25:25
name of the computer which
756
1525360
1920
نام رایانه‌ای که
25:27
famously beat world chess
757
1527280
1600
25:28
champion Garry Kasparov
758
1528880
1600
25:30
using algorithms in 1997?
759
1530480
2800
در سال 1997 با استفاده از الگوریتم‌ها، قهرمان شطرنج جهان، گری کاسپاروف را شکست داد، چه بود؟
25:33
Was it…
760
1533280
400
25:33
a) Hal, b) Alpha 60,
761
1533680
3120
آیا این ...
الف) هال، ب) آلفا 60
25:36
or, c) Deep Blue?
762
1536800
1840
، یا ج) آبی عمیق؟
25:38
I’ll say Deep Blue.
763
1538640
2800
من می گویم آبی عمیق.
25:41
Although I’m just guessing.
764
1541440
1200
اگرچه من فقط حدس می زنم.
25:42
Was it an educated guess, Tim?
765
1542640
1920
آیا این یک حدس علمی بود، تیم؟
25:44
I know a bit about chess…
766
1544560
1520
من کمی در مورد شطرنج می دانم…
25:46
An educated guess is based
767
1546080
1920
یک حدس تحصیلی مبتنی
25:48
on knowledge and experience
768
1548000
1600
بر دانش و تجربه است
25:49
and is therefore likely to be correct.
769
1549600
2080
و بنابراین احتمالاً درست است.
25:51
Well, we’ll find out later on how
770
1551680
1760
خوب، ما بعداً متوجه خواهیم شد که
25:53
educated your guess was in
771
1553440
1440
حدس شما در
25:54
this case, Tim!
772
1554880
880
این مورد چقدر آموزشی بود، تیم!
25:55
Indeed. But getting back to AI
773
1555760
2400
در واقع. اما بازگشت به هوش مصنوعی
25:58
and what machines can do – are
774
1558160
2480
و آنچه ماشین‌ها می‌توانند انجام دهند -
26:00
they any good at solving real-life
775
1560640
2720
آیا آنها در حل مشکلات زندگی واقعی خوب
26:03
problems? Computers think in zeros
776
1563360
2640
هستند؟ کامپیوترها به صفر
26:06
and ones don’t they? That sounds
777
1566000
1760
و یک فکر می کنند، اینطور نیست؟
26:07
like a pretty limited language when
778
1567760
1600
وقتی صحبت
26:09
it comes to life experience!
779
1569360
1760
از تجربه زندگی به میان می آید، این زبان بسیار محدود به نظر می رسد!
26:11
You would be surprised to what
780
1571120
1520
از اینکه
26:12
those zeroes and ones can do, Tim.
781
1572640
2240
آن صفرها و یک ها چه کاری می توانند انجام دهند شگفت زده خواهید شد، تیم.
26:14
Although you’re right that AI does
782
1574880
1920
اگرچه حق با شماست که هوش مصنوعی
26:16
have its limitations at the moment.
783
1576800
1920
در حال حاضر محدودیت‌های خود را دارد.
26:18
And if something has limitations
784
1578720
1760
و اگر چیزی محدودیت‌هایی
26:20
there’s a limit on what it can do or
785
1580480
1920
دارد، محدودیتی برای کارهایی که می‌تواند انجام دهد یا
26:22
how good it can be.
786
1582400
1280
اینکه چقدر می‌تواند خوب باشد، وجود دارد.
26:23
OK – well now might be a good time
787
1583680
2640
خوب - اکنون ممکن است زمان خوبی
26:26
to listen to Zoubin Bharhramani,
788
1586320
2160
برای گوش دادن به صحبت های زوبین بهرهرمانی،
26:28
Professor of Information Engineering
789
1588480
1920
استاد مهندسی اطلاعات
26:30
at the University of Cambridge and
790
1590400
2240
در دانشگاه کمبریج و
26:32
deputy director of the Leverhulme Centre
791
1592640
2880
معاون مرکز لورهولم
26:35
for the Future of Intelligence.
792
1595520
2000
برای آینده اطلاعات باشد.
26:37
He’s talking about what limitations
793
1597520
2240
او در مورد محدودیت های
26:39
AI has at the moment.
794
1599760
2240
هوش مصنوعی در حال حاضر صحبت می کند.
26:43
I think it’s very interesting how many
795
1603280
2880
من فکر می کنم خیلی جالب است که بسیاری
26:46
of the things that we take for granted –
796
1606160
2160
از چیزهایی را که ما بدیهی می دانیم -
26:48
we humans take for granted – as being
797
1608320
2000
ما انسان ها - به عنوان
26:50
sort of things we don’t even think about
798
1610320
1600
چیزهایی هستند که حتی به آنها فکر نمی کنیم،
26:51
like how do we walk, how do we reach,
799
1611920
2320
مانند اینکه چگونه راه برویم، چگونه به آن برسیم،
26:54
how do we recognize our mother. You
800
1614240
3120
چگونه خودمان را تشخیص دهیم. مادر.
26:57
know, all these things. When you start
801
1617360
2480
میدونی همه این چیزا وقتی شروع
26:59
to think how to implement them on a
802
1619840
1840
به فکر کردن به نحوه پیاده‌سازی آن‌ها روی
27:01
computer, you realize that it’s those
803
1621680
3120
رایانه می‌کنید، متوجه می‌شوید
27:04
things that are incredibly difficult to get
804
1624800
4400
که انجام دادن آن‌ها توسط
27:09
computers to do, and that’s where the
805
1629200
2960
رایانه‌ها فوق‌العاده دشوار است، و این همان جایی است که
27:12
current cutting edge of research is.
806
1632160
2899
لبه برش تحقیقات فعلی است.
27:16
If we take something for granted we
807
1636320
1440
اگر چیزی را بدیهی بدانیم
27:17
don’t realise how important something is.
808
1637760
2400
، متوجه نمی شویم که چیزی چقدر مهم است.
27:20
You sometimes take me for granted, I
809
1640160
2080
تو گاهی اوقات من را بدیهی می گیری،
27:22
think, Neil.
810
1642240
1200
فکر می کنم نیل.
27:23
No – I never take you for granted, Tim!
811
1643440
1920
نه - من هرگز تو را بدیهی نمی دانم، تیم!
27:25
You’re far too important for that!
812
1645360
2320
شما برای آن خیلی مهم هستید!
27:27
Good to hear! So things we take for
813
1647680
2800
خرسند از شنیدن! بنابراین چیزهایی که ما بدیهی می دانیم
27:30
granted are doing every day tasks like
814
1650480
3280
انجام کارهای روزانه مانند
27:33
walking, picking something up, or
815
1653760
2160
راه رفتن، برداشتن چیزی یا
27:35
recognizing somebody. We implement –
816
1655920
3040
شناختن کسی است. ما
27:38
or perform – these things without
817
1658960
2240
این چیزها را بدون فکر اجرا می‌کنیم - یا انجام می‌دهیم
27:41
thinking – Whereas it’s cutting edge
818
1661200
2640
- در حالی که
27:43
research to try and program a
819
1663840
1760
تلاش و برنامه‌ریزی
27:45
machine to do them.
820
1665600
1200
ماشینی برای انجام آن‌ها یک تحقیق پیشرفته است.
27:46
Cutting edge means very new and
821
1666800
2000
لبه برش به معنای بسیار جدید و
27:48
advanced. It’s interesting isn't it, that
822
1668800
2000
پیشرفته است. جالب نیست که
27:50
over ten years ago a computer beat
823
1670800
2160
بیش از ده سال پیش یک کامپیوتر
27:52
a chess grand master – but the
824
1672960
1680
یک استاد بزرگ شطرنج را شکست داد - اما
27:54
same computer would find it incredibly
825
1674640
2240
همان کامپیوتر
27:56
difficult to pick up a chess piece.
826
1676880
2000
برای برداشتن یک مهره شطرنج بسیار دشوار است.
27:58
I know. It’s very strange. But now
827
1678880
2400
میدانم. خیلی عجیب است اما اکنون به
28:01
you’ve reminded me that we need
828
1681280
1520
من یادآوری کردید که ما
28:02
the answer to today’s question.
829
1682800
2080
به پاسخ سوال امروز نیاز داریم.
28:04
Which was: What was the name
830
1684880
1840
که این بود:
28:06
of the computer which famously
831
1686720
1600
نام کامپیوتری که در سال 1997
28:08
beat world chess champion
832
1688320
1760
قهرمان شطرنج جهان،
28:10
Garry Kasparov in 1997? Now, you
833
1690080
2800
گری کاسپاروف را شکست داد، چه بود؟ حالا، شما
28:12
said Deep Blue, Tim, and … that was
834
1692880
2400
گفتید دیپ بلو، تیم، و ...
28:15
the right answer!
835
1695280
1200
این پاسخ درست بود!
28:16
You see, my educated guess was
836
1696480
2320
ببینید، حدس تحصیلی من
28:18
based on knowledge and experience!
837
1698800
2160
بر اساس دانش و تجربه بود!
28:20
Or maybe you were just lucky. So, the
838
1700960
3680
یا شاید شما فقط خوش شانس بودید. بنابراین،
28:24
IBM supercomputer Deep Blue played
839
1704640
2320
ابرکامپیوتر IBM Deep Blue در دو مسابقه شطرنج به
28:26
against US world chess champion
840
1706960
2000
مصاف قهرمان شطرنج جهان آمریکا،
28:28
Garry Kasparov in two chess matches.
841
1708960
2400
گری کاسپاروف رفت.
28:31
The first match was played in
842
1711360
1360
اولین بازی
28:32
Philadelphia in 1996 and was
843
1712720
2080
در سال 1996 در فیلادلفیا برگزار شد و
28:34
won by Kasparov. The second was
844
1714800
2080
کاسپاروف برنده شد. دومین
28:36
played in New York City in 1997
845
1716880
2320
بازی در سال 1997 در شهر نیویورک برگزار شد
28:39
and won by Deep Blue. The 1997
846
1719200
3120
و دیپ بلو برنده شد. مسابقه 1997
28:42
match was the first defeat of a
847
1722320
1600
اولین شکست یک
28:43
reigning world chess champion
848
1723920
1600
قهرمان شطرنج جهان
28:45
by a computer under
849
1725520
1360
توسط کامپیوتر تحت
28:46
tournament conditions.
850
1726880
1680
شرایط مسابقات بود.
28:48
Let’s go through the words we
851
1728560
1520
بیایید کلماتی را که امروز یاد گرفتیم مرور کنیم
28:50
learned today. First up was
852
1730080
2320
. ابتدا
28:52
‘artificial intelligence’ or AI – the
853
1732400
3200
«هوش مصنوعی» یا AI بود -
28:55
ability of machines to copy human
854
1735600
2400
توانایی ماشین‌ها برای کپی کردن
28:58
intelligent behaviour.
855
1738000
1200
رفتار هوشمند انسان.
28:59
“There are AI programs that can
856
1739200
1840
برنامه های هوش مصنوعی وجود دارند که می توانند
29:01
write poetry.”
857
1741040
1280
شعر بنویسند.
29:02
Do you have any examples you
858
1742320
1600
آیا نمونه ای دارید که
29:03
can recite?
859
1743920
1040
بتوانید بگویید؟
29:04
Afraid I don’t! Number two – an
860
1744960
2080
میترسم که نکنم! شماره دو -
29:07
algorithm is a set of steps a
861
1747040
1840
الگوریتم مجموعه ای از مراحل است که
29:08
computer follows in order to
862
1748880
1520
رایانه برای
29:10
solve a problem. For example,
863
1750400
1760
حل یک مسئله دنبال می کند. به عنوان مثال،
29:12
“Google changes its search
864
1752160
1680
"Google الگوریتم جستجوی خود
29:13
algorithm hundreds of times
865
1753840
1760
را صدها بار
29:15
every year.”
866
1755600
880
در سال تغییر می دهد."
29:16
The adjective is algorithmic – for
867
1756480
2560
این صفت الگوریتمی است - به
29:19
example, “Google has made many
868
1759040
2240
عنوان مثال، "گوگل
29:21
algorithmic changes.”
869
1761280
1760
تغییرات الگوریتمی زیادی ایجاد کرده است."
29:23
Number three – if something has
870
1763040
2000
شماره سه – اگر چیزی
29:25
‘limitations’ – there’s a limit on
871
1765040
1680
«محدودیت‌هایی» داشته باشد – محدودیتی در مورد
29:26
what it can do or how good it
872
1766720
1520
کاری که می‌تواند انجام دهد یا اینکه چقدر
29:28
can be. “Our show has certain
873
1768240
2400
می‌تواند خوب باشد وجود دارد. "نمایش ما
29:30
limitations – for example, it’s only
874
1770640
2320
محدودیت های خاصی دارد - برای مثال، فقط
29:32
six minutes long!”
875
1772960
1040
شش دقیقه طول می کشد!"
29:34
That’s right – there’s only time to
876
1774000
1760
درست است - فقط زمان برای
29:35
present six vocabulary items.
877
1775760
2400
ارائه شش مورد واژگانی وجود دارد.
29:38
Short but sweet!
878
1778160
1120
کوتاه اما شیرین!
29:39
And very intelligent, too. OK, the
879
1779280
2640
و همچنین بسیار باهوش. بسیار خوب،
29:41
next item is ‘take something for
880
1781920
1760
مورد بعدی «چیزی را بدیهی بگیر
29:43
granted’ – which is when we don’t
881
1783680
1760
» است - یعنی زمانی که ما
29:45
realise how important something is.
882
1785440
1920
متوجه اهمیت چیزی نیستیم.
29:47
“We take our smart phones for granted
883
1787360
2160
ما این روزها تلفن های هوشمند خود را بدیهی می دانیم
29:49
these days – but before 1995 hardly
884
1789520
3200
- اما قبل از سال 1995 به ندرت
29:52
anyone owned one.”
885
1792720
1520
کسی صاحب یک تلفن هوشمند بود.
29:54
Number five – ‘to implement’ – means
886
1794240
2480
شماره پنج - "اجرا کردن" - به معنای
29:56
to perform a task, or take action.
887
1796720
2080
انجام یک کار یا اقدام است.
29:58
“Neil implemented some changes
888
1798800
1760
"نیل تغییراتی
30:00
to the show.”
889
1800560
880
را در نمایش اعمال کرد."
30:01
The final item is ‘cutting edge’ – new
890
1801440
2480
مورد نهایی "لبه برش" - جدید
30:03
and advanced – “This software is
891
1803920
2000
و پیشرفته - "این نرم افزار
30:05
cutting edge.”
892
1805920
880
پیشرفته است."
30:06
“The software uses cutting edge
893
1806800
2000
"این نرم افزار از
30:08
technology.”
894
1808800
1280
فناوری پیشرفته استفاده می کند."
30:10
OK – that’s all we have time for on
895
1810080
1840
خوب - این تمام چیزی است که در
30:11
today’s cutting edge show. But please
896
1811920
2640
نمایش پیشرفته امروز برای آن وقت داریم. اما
30:14
check out our Instagram, Twitter,
897
1814560
1840
لطفا صفحات اینستاگرام، توییتر،
30:16
Facebook and YouTube pages.
898
1816400
1840
فیسبوک و یوتیوب ما را بررسی کنید.
30:18
Bye-bye!
899
1818240
560
30:18
Goodbye!
900
1818800
903
خداحافظ!
خداحافظ!
درباره این وب سایت

این سایت ویدیوهای یوتیوب را به شما معرفی می کند که برای یادگیری زبان انگلیسی مفید هستند. دروس انگلیسی را خواهید دید که توسط معلمان درجه یک از سراسر جهان تدریس می شود. روی زیرنویس انگلیسی نمایش داده شده در هر صفحه ویدیو دوبار کلیک کنید تا ویدیو از آنجا پخش شود. زیرنویس‌ها با پخش ویدیو همگام می‌شوند. اگر نظر یا درخواستی دارید، لطفا با استفاده از این فرم تماس با ما تماس بگیرید.

https://forms.gle/WvT1wiN1qDtmnspy7