Fake smiles and the computers that can spot them - 6 Minute English

64,842 views ・ 2019-09-19

BBC Learning English


Fare doppio clic sui sottotitoli in inglese per riprodurre il video. I sottotitoli tradotti sono tradotti automaticamente.

00:07
Neil: Hello. This is 6 Minute English, I'm Neil.
0
7920
2200
Niel: Ciao. Questo è 6 Minute English, sono Neil.
00:10
Sam: And I'm Sam.
1
10120
1460
Sam: E io sono Sam.
00:11
Neil: It’s good to see you again, Sam
2
11580
1480
Neil: È bello rivederti, Sam
00:13
Sam: Really?
3
13060
600
00:13
Neil: Yes, of course, can’t you tell by the
4
13660
2339
Sam: Davvero?
Neil: Sì, certo, non lo capisci dal
00:15
way I’m smiling?
5
15999
1000
modo in cui sorrido?
00:17
Sam: Ah well, I find it difficult to tell if
6
17000
2620
Sam: Ah beh, trovo difficile dire se
00:19
someone is really smiling or if it’s a fake
7
19620
2380
qualcuno sta davvero sorridendo o se è un
00:22
smile.
8
22000
900
00:22
Neil: Well, that’s a coincidence because
9
22900
2040
sorriso finto.
Neil: Beh, è ​​​​una coincidenza perché
00:24
this programme is all about how
10
24940
2140
questo programma è tutto su come i
00:27
computers may be able tell real smiles
11
27080
2380
computer possono essere in grado di distinguere i sorrisi veri
00:29
from fake smiles better than humans can.
12
29460
3200
dai sorrisi falsi meglio di quanto possano fare gli umani.
00:32
Before we get in to that though, a
13
32660
1314
Prima di entrare in merito, però, una
00:33
question. The expressions we can
14
33974
2516
domanda. Le espressioni che possiamo
00:36
make with our face are controlled by
15
36490
2258
fare con il nostro viso sono controllate dai
00:38
muscles. How many muscles do we have
16
38748
2303
muscoli. Quanti muscoli abbiamo
00:41
in our face? Is it:
17
41060
1220
in faccia? È:
00:42
A: 26, B: 43 or C: 62?
18
42280
4600
A: 26, B: 43 o C: 62?
00:46
What do you think, Sam?
19
46880
1000
Cosa ne pensi Sam?
00:47
Sam: No idea! But a lot, I’d guess, so I’m
20
47880
3680
Sam: Non ne ho idea! Ma molto, immagino, quindi
00:51
going with 62.
21
51560
1420
vado con 62.
00:52
Neil: OK. Well, we’ll see if you’ll be smiling
22
52980
2240
Neil: OK. Bene, vedremo se sorriderai
00:55
or crying later in the programme.
23
55220
2185
o piangerai più avanti nel programma.
00:57
Hassan Ugail is a professor of visual
24
57405
2496
Hassan Ugail è professore di visual
00:59
computing at the University of Bradford.
25
59901
2399
computing all'Università di Bradford.
01:02
He’s been working on getting computers
26
62300
1680
Ha lavorato per rendere i computer in
01:03
to be able to recognise human emotions
27
63980
2680
grado di riconoscere le emozioni umane
01:06
from the expressions on our
28
66660
1500
dalle espressioni sul nostro
01:08
face. Here he is speaking on the BBC
29
68160
3140
viso. Qui sta parlando al
01:11
Inside Science radio programme – how
30
71300
2680
programma radiofonico della BBC Inside Science: quanto
01:13
successful does he say they have been?
31
73980
1870
successo dice che hanno avuto?
01:15
Professor Hassan Ugail: We've been
32
75850
1350
Professor Hassan Ugail: Abbiamo
01:17
working quite a lot on the human
33
77200
1270
lavorato parecchio sulle
01:18
emotions, so the idea is how the facial
34
78470
2869
emozioni umane, quindi l'idea è come il
01:21
muscle movement, which is reflected on
35
81339
2640
movimento dei muscoli facciali, che si riflette sul
01:23
the face, through obviously a computer
36
83979
1966
viso, attraverso ovviamente un computer
01:25
through video frames and trying to
37
85945
1791
attraverso fotogrammi video e cercando di
01:27
understand how these muscle
38
87740
1360
capire come questi
01:29
movements actually relate to facial
39
89100
1972
movimenti muscolari effettivamente relazionarsi con le
01:31
expressions and then from facial
40
91072
2126
espressioni facciali e poi con le
01:33
expressions trying to understand the
41
93198
1980
espressioni facciali cercando di capire le
01:35
emotions or to infer the emotions. And
42
95178
2121
emozioni o di inferire le emozioni. E
01:37
they have been quite successful
43
97299
1730
hanno avuto abbastanza successo
01:39
in doing that. We have software that can
44
99029
2471
nel farlo. Abbiamo un software che può
01:41
actually look at somebody's face in real
45
101500
2700
effettivamente guardare il volto di qualcuno in
01:44
time and then identify the series of
46
104200
2820
tempo reale e quindi identificare anche la serie di
01:47
emotions that person
47
107023
1337
emozioni che quella persona
01:48
is expressing in real time as well.
48
108367
2352
sta esprimendo in tempo reale.
01:50
Neil: So, have they been successful in
49
110719
2136
Neil: Allora, sono riusciti a
01:52
getting computers to identify emotions?
50
112855
2444
convincere i computer a identificare le emozioni?
01:55
Sam: Yes, he says they’ve been quite
51
115299
2636
Sam: Sì, dice che hanno avuto un discreto
01:57
successful, and what’s interesting is that
52
117935
2856
successo, e la cosa interessante è che
02:00
he says that the computers can do it in
53
120800
2380
dice che i computer possono farlo in
02:03
'real time'. This means that there’s no
54
123180
2480
"tempo reale". Ciò significa che non ci sono
02:05
delay. They don’t have to stop and analyse
55
125660
2740
ritardi. Non devono fermarsi ad analizzare
02:08
the data, or crunch the numbers, they can
56
128400
2780
i dati o elaborare i numeri, possono
02:11
do it as the person is talking.
57
131180
2320
farlo mentre la persona sta parlando.
02:13
Neil: The system uses video to analyse a
58
133500
2640
Neil: Il sistema utilizza il video per analizzare le
02:16
person’s expressions and can then infer
59
136140
2352
espressioni di una persona e può quindi dedurre
02:18
the emotions.
60
138492
797
le emozioni.
02:19
'To infer something' means to get an
61
139289
2128
"Dedurre qualcosa" significa ottenere una
02:21
understanding of something without
62
141417
1960
comprensione di qualcosa senza che gli
02:23
actually being told directly.
63
143377
1696
venga effettivamente detto direttamente.
02:25
So, you look at available information and
64
145073
2397
Quindi, guardi le informazioni disponibili e
02:27
use your understanding and knowledge to
65
147470
1911
usi la tua comprensione e conoscenza per
02:29
work out the meaning.
66
149381
1029
elaborare il significato.
02:30
Sam: It’s a bit like being a detective, isn’t
67
150410
2840
Sam: È un po' come essere un detective,
02:33
it? You look at the clues and infer what
68
153250
2330
vero? Guardi gli indizi e deduci cosa è
02:35
happened even if you don’t have all the
69
155580
2160
successo anche se non hai tutti i
02:37
details.
70
157740
660
dettagli.
02:38
Neil: Yes, and in this case the computer
71
158400
1980
Neil: Sì, e in questo caso il computer
02:40
looks at how the movement of muscles in
72
160380
2520
osserva come il movimento dei muscoli del
02:42
the face or 'facial muscles', show different
73
162900
2180
viso o "muscoli facciali" mostri
02:45
emotions. Here’s Professor Ugail again.
74
165080
2600
emozioni diverse. Ecco di nuovo il professor Ugail.
02:47
Professor Hassan Ugail: We've been
75
167680
1262
Professor Hassan Ugail: Abbiamo
02:48
working quite a lot on the human
76
168942
1187
lavorato parecchio sulle
02:50
emotions so the idea is how the facial
77
170129
2842
emozioni umane, quindi l'idea è come il
02:52
muscle movement, which is reflected on
78
172971
2640
movimento dei muscoli facciali, che si riflette sul
02:55
the face, through obviously a computer
79
175611
1985
viso, attraverso ovviamente un computer
02:57
through video frames and trying to
80
177596
1810
attraverso fotogrammi video e cercando di
02:59
understand how these
81
179406
1064
capire come questi
03:00
muscle movements actually relate to
82
180470
2092
movimenti muscolari si relazionano effettivamente alle
03:02
facial expressions and then from facial
83
182562
2377
espressioni facciali e poi dalle
03:04
expressions trying to understand the
84
184939
1960
espressioni facciali cercando di capire le
03:06
emotions or to infer the emotions. And
85
186899
2098
emozioni o di inferire le emozioni. E
03:08
they have been quite successful
86
188997
1712
hanno avuto abbastanza successo
03:10
in doing that. We have software that can
87
190709
2703
nel farlo. Abbiamo un software che può
03:13
actually look at somebody's face in real
88
193420
2360
effettivamente guardare il volto di qualcuno in
03:15
time and then identify the series of
89
195780
2774
tempo reale e quindi identificare anche la serie di
03:18
emotions that person is expressing in real
90
198554
2837
emozioni che quella persona sta esprimendo in
03:21
time as well.
91
201391
878
tempo reale.
03:22
Neil: So, how do the computers know
92
202269
2443
Neil: Allora, come fanno i computer a sapere
03:24
what is a real or a fake smile? The
93
204712
2552
cos'è un sorriso vero o finto? I
03:27
computers have to learn
94
207264
1703
computer devono
03:28
that first. Here’s Professor Ugail again
95
208967
2963
prima impararlo. Ecco di nuovo il professor Ugail che
03:31
talking about how they do that.
96
211930
2070
parla di come lo fanno.
03:34
Professor Hassan Ugail: We have a data
97
214000
1280
Professor Hassan Ugail: Abbiamo un
03:35
set of real smiles and we have
98
215293
1297
set di dati di sorrisi veri e
03:36
a data set of fake smiles. These real
99
216590
2029
un set di dati di sorrisi falsi. Questi veri
03:38
smiles are induced smiles in a lab. So,
100
218619
2177
sorrisi sono sorrisi indotti in un laboratorio. Quindi,
03:40
you put somebody on a chair and then
101
220796
2486
metti qualcuno su una sedia e poi
03:43
show some funny movies
102
223282
1542
mostri alcuni film divertenti
03:44
and we expect the smiles are genuine
103
224824
2400
e ci aspettiamo che i sorrisi siano
03:47
smiles.
104
227224
685
03:47
And similarly we ask them to pretend to
105
227909
2012
sorrisi genuini.
E allo stesso modo chiediamo loro di fingere di
03:49
smile. So, these are what you'd call fake
106
229921
2019
sorridere. Quindi, questi sono quelli che chiameresti
03:51
smiles.
107
231940
680
sorrisi falsi.
03:52
So, what we do is we throw these into the
108
232620
2440
Quindi, quello che facciamo è metterli nella
03:55
machine and then the machine figures
109
235060
1860
macchina e poi la macchina
03:56
out what are the characteristics of a real
110
236920
2160
capisce quali sono le caratteristiche di un vero
03:59
smile and what are the characteristics of
111
239080
2300
sorriso e quali sono le caratteristiche di
04:01
a fake smile.
112
241387
1093
un sorriso falso.
04:02
Neil: So, how do they get the data that the
113
242480
2840
Neil: Allora, come ottengono i dati che i
04:05
computers use to see if your smile is fake
114
245320
2260
computer usano per vedere se il tuo sorriso è falso
04:07
or 'genuine' – which is another word which
115
247580
2271
o "genuino" – che è un'altra parola che
04:09
means real?
116
249851
1108
significa reale?
04:10
Sam: They induce real smiles in the lab by
117
250959
2720
Sam: Inducono veri sorrisi in laboratorio
04:13
showing people funny films. This means
118
253680
3360
mostrando alla gente film divertenti. Ciò significa
04:17
that they make the smiles come naturally.
119
257040
2519
che fanno venire i sorrisi in modo naturale.
04:19
They assume that the smiles while
120
259560
1700
Presumono che i sorrisi mentre
04:21
watching the funny films are genuine.
121
261260
2600
guardano i film divertenti siano genuini.
04:23
Neil: And then they ask the people to
122
263860
1400
Neil: E poi chiedono alle persone di
04:25
pretend to smile and the computer
123
265267
1954
fingere di sorridere e il
04:27
programme now has a database of real
124
267221
2165
programma per computer ora ha un database di
04:29
and fake smiles and is able
125
269386
1624
sorrisi veri e falsi ed è in grado
04:31
to figure out which is which.
126
271010
1790
di capire quale è quale.
04:32
Sam: 'Figure out' means to calculate and
127
272800
2500
Sam: "Capire" significa calcolare e
04:35
come to an answer
128
275300
1360
arrivare a una risposta
04:36
Neil: Yes, and apparently the system gets
129
276660
1260
Neil: Sì, e apparentemente il sistema lo fa
04:37
it right 90% of the time, which is much
130
277920
2840
bene il 90% delle volte, che è molto
04:40
higher than we humans can. Right, well
131
280760
2640
più alto di quanto possiamo fare noi umani. Bene, molto
04:43
before we remind ourselves of our
132
283400
1780
prima di ricordare a noi stessi il nostro
04:45
vocabulary, let’s get the answer to the
133
285220
1936
vocabolario, troviamo la risposta alla
04:47
question. How many muscles do
134
287156
2184
domanda. Quanti muscoli
04:49
we have in our face? Is it:
135
289340
1920
abbiamo in faccia? È:
04:51
A: 26, B: 43 or C: 62.
136
291260
3720
A: 26, B: 43 o C: 62.
04:54
Sam, are you going to be smiling?
137
294980
1339
Sam, starai sorridendo?
04:56
What did you say?
138
296319
1411
Cosa hai detto?
04:57
Sam: So I thought 62! Am I smiling, Neil?
139
297730
2870
Sam: Quindi pensavo 62! Sto sorridendo, Neil?
05:00
Neil: Sadly you are not, you are using
140
300600
2440
Neil: Purtroppo no, stai usando
05:03
different muscles for that sort of sad
141
303040
2560
muscoli diversi per quel tipo di
05:05
look! Actually the answer is 43.
142
305600
3380
sguardo triste! In realtà la risposta è 43.
05:08
Congratulations to anyone
143
308980
1580
Congratulazioni a
05:10
who got that right. Now our vocabulary.
144
310570
2070
chi ha capito bene. Ora il nostro vocabolario.
05:12
Sam: Yes – 'facial' is the adjective relating
145
312640
3280
Sam: Sì – 'facciale' è l'aggettivo relativo
05:15
to face.
146
315920
1320
al volto.
05:17
Neil: Then we had 'infer'. This verb means
147
317240
2460
Neil: Poi abbiamo avuto 'dedurre'. Questo verbo significa
05:19
to understand something even when you
148
319700
1900
capire qualcosa anche quando
05:21
don’t have all the information, and you
149
321600
2034
non si hanno tutte le informazioni, e si
05:23
come to this understanding
150
323634
1356
arriva a questa comprensione
05:24
based on your experience and knowledge,
151
324990
1854
in base alla propria esperienza e conoscenza,
05:26
or in the case of a computer, the
152
326844
2116
o nel caso di un computer, alla
05:28
programming.
153
328960
980
programmazione.
05:29
Sam: And these computers work in 'real
154
329940
2020
Sam: E questi computer funzionano in '
05:31
time', which means that there’s no delay
155
331967
2705
tempo reale', il che significa che non c'è ritardo
05:34
and they can tell a fake smile from a
156
334680
2260
e possono distinguere un sorriso falso da
05:36
'genuine' one, which means a real one, as
157
336940
2080
uno 'genuino', che significa vero, mentre
05:39
the person is speaking.
158
339020
1570
la persona sta parlando.
05:40
Neil: They made people smile, or as the
159
340590
2150
Neil: Facevano sorridere le persone o, come
05:42
Professor said, they 'induced' smiles by
160
342740
2260
diceva il professore, "inducevano" sorrisi
05:45
showing funny films.
161
345000
1540
mostrando film divertenti.
05:46
Sam: And the computer is able to 'figure
162
346540
1780
Sam: E il computer è in grado di '
05:48
out', or calculate, whether the smile is fake
163
348320
3740
capire', o calcolare, se il sorriso è falso
05:52
or genuine.
164
352060
820
05:52
Neil: OK, thank you, Sam. That’s all from
165
352880
1440
o genuino.
Neil: OK, grazie, Sam. Questo è tutto da
05:54
6 Minute English today. We look forward
166
354320
2200
6 Minute English oggi. Attendiamo con impazienza la
05:56
to your company next time and if you
167
356520
1640
tua compagnia la prossima volta e se
05:58
can’t wait you can find lots more from
168
358160
1880
non vedi l'ora puoi trovare molto altro da
06:00
bbclearningenglish online,
169
360040
1740
bbclearningenglish online,
06:01
on social media and on our app. Goodbye!
170
361780
2400
sui social media e sulla nostra app. Arrivederci!
06:04
Sam: Bye!
171
364600
1100
Sam: Ciao!
A proposito di questo sito web

Questo sito vi presenterà i video di YouTube utili per l'apprendimento dell'inglese. Vedrete lezioni di inglese tenute da insegnanti di alto livello provenienti da tutto il mondo. Fate doppio clic sui sottotitoli in inglese visualizzati su ogni pagina video per riprodurre il video da lì. I sottotitoli scorrono in sincronia con la riproduzione del video. Se avete commenti o richieste, contattateci tramite questo modulo di contatto.

https://forms.gle/WvT1wiN1qDtmnspy7