Eric Berlow and Sean Gourley: Mapping ideas worth spreading

Eric Berlow und Sean Gourley: Kartieren verbreitungswürdiger Ideen

71,074 views

2013-09-18 ・ TED


New videos

Eric Berlow and Sean Gourley: Mapping ideas worth spreading

Eric Berlow und Sean Gourley: Kartieren verbreitungswürdiger Ideen

71,074 views ・ 2013-09-18

TED


Bitte doppelklicken Sie auf die englischen Untertitel unten, um das Video abzuspielen.

Übersetzung: Daniel Hoffmann Lektorat: Patricia Calderón Koch
00:12
Eric Berlow: I'm an ecologist, and Sean's a physicist,
0
12562
3061
Eric Berlow: Ich bin Ökologe und Sean ist ein Physiker
00:15
and we both study complex networks.
1
15623
2108
und wir erforschen beide komplexe Netzwerke.
00:17
And we met a couple years ago when we discovered
2
17731
1835
Vor ein paar Jahren trafen wir uns, als wir herausfanden,
00:19
that we had both given a short TED Talk
3
19566
2000
dass wir beide einen kurzen TED-Talk
00:21
about the ecology of war,
4
21566
2303
über die Ökologie des Krieges gehalten hatten
00:23
and we realized that we were connected
5
23869
1447
und bemerkten, dass wir durch unsere gemeinsamen Ideen verbunden waren,
00:25
by the ideas we shared before we ever met.
6
25316
2818
bevor wir uns überhaupt getroffen hatten.
00:28
And then we thought, you know, there are thousands
7
28134
1556
Wir dachten uns, es gibt tausende
00:29
of other talks out there, especially TEDx Talks,
8
29690
2114
anderer Vorträge, besonders TEDx-Talks,
00:31
that are popping up all over the world.
9
31804
2211
die auf der ganzen Welt aus dem Boden sprießen.
00:34
How are they connected,
10
34015
923
00:34
and what does that global conversation look like?
11
34938
2010
Wie sind sie vernetzt
und wie schaut dieser globale Dialog aus?
00:36
So Sean's going to tell you a little bit about how we did that.
12
36948
2810
Sean wird Ihnen also etwas darüber erzählen, wie wir das gemacht haben.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
39758
3767
Sean Gourley: Genau. Wir haben also 24.000 TEDx-Talks
00:43
from around the world, 147 different countries,
14
43525
3046
aus aller Welt genommen, 147 verschiedene Länder,
00:46
and we took these talks and we wanted to find
15
46571
2123
wir haben diese Vorträge genommen und wollten
00:48
the mathematical structures that underly
16
48694
2040
die mathematischen Strukturen herausfinden,
00:50
the ideas behind them.
17
50734
1722
die den dazugehörigen Ideen zugrunde liegen.
00:52
And we wanted to do that so we could see how
18
52456
1370
Wir wollten das tun, um zu erkennen,
00:53
they connected with each other.
19
53826
2053
wie sie miteinander verbunden sind.
00:55
And so, of course, if you're going to do this kind of stuff,
20
55879
1676
Wenn man solche Dinge machen möchte,
00:57
you need a lot of data.
21
57555
956
braucht man große Datenmengen.
00:58
So the data that you've got is a great thing called YouTube,
22
58511
3686
Die vorhanden Daten ist dieses tolle Ding namens YouTube.
01:02
and we can go down and basically pull
23
62197
1768
Wir können im Grunde in die Tiefe gehen und
01:03
all the open information from YouTube,
24
63965
2267
alle freien Inhalte aus YouTube beziehen,
01:06
all the comments, all the views, who's watching it,
25
66232
2349
alle Kommentare, alle Besuche, wer sie ansieht,
01:08
where are they watching it, what are they saying in the comments.
26
68581
2779
wo sie sie ansehen und was in den Kommentaren gesagt wird.
01:11
But we can also pull up, using speech-to-text translation,
27
71360
3292
Mithilfe von Sprache-Text-Übertragung
01:14
we can pull the entire transcript,
28
74652
2128
können wir aber auch die ganze Abschrift heranziehen,
01:16
and that works even for people with kind of funny accents like myself.
29
76780
2680
und das funktioniert selbst bei Leuten mit etwas komischem Akzent, wie mir.
01:19
So we can take their transcript
30
79460
2106
Wir können also ihre Abschriften erfassen
01:21
and actually do some pretty cool things.
31
81566
2098
und einige ziemlich tolle Sachen damit machen.
01:23
We can take natural language processing algorithms
32
83664
2160
Durch Algorithmen zur Verarbeitung von natürlicher Sprache
01:25
to kind of read through with a computer, line by line,
33
85824
2629
können wir mit einem Computer Zeile für Zeile durchlesen
01:28
extracting key concepts from this.
34
88453
2359
und die wesentlichen Konzepte herausarbeiten.
01:30
And we take those key concepts and they sort of form
35
90812
2525
Diese Konzepte bilden gemeinsam
01:33
this mathematical structure of an idea.
36
93337
3565
diese mathematische Struktur einer Idee.
01:36
And we call that the meme-ome.
37
96902
1757
Und das nennen wir das Meme-Ome.
01:38
And the meme-ome, you know, quite simply,
38
98659
2151
Das Meme-Ome ist ganz einfach
01:40
is the mathematics that underlies an idea,
39
100810
2426
die Mathematik, die einer Idee zugrunde liegt
01:43
and we can do some pretty interesting analysis with it,
40
103236
1932
und damit lassen sich ziemlich interesante Analysen durchführen,
01:45
which I want to share with you now.
41
105168
1981
die ich nun mit Ihnen teilen möchte.
01:47
So each idea has its own meme-ome,
42
107149
2190
Jede Idee hat also ihr Meme-Ome
01:49
and each idea is unique with that,
43
109339
1951
und damit ist jede Idee einzigartig,
01:51
but of course, ideas, they borrow from each other,
44
111290
2488
aber natürlich leihen sie sich voneinander,
01:53
they kind of steal sometimes,
45
113778
1184
manchmal klauen sie gewissermaßen
01:54
and they certainly build on each other,
46
114962
1827
und sicherlich bauen sie aufeinander auf.
01:56
and we can go through mathematically
47
116789
1616
Wir können sie mathematisch durchlaufen
01:58
and take the meme-ome from one talk
48
118405
1840
und das Meme-One eines Vortrages
02:00
and compare it to the meme-ome from every other talk,
49
120245
2454
mit dem jedes anderen Vortrages vergleichen
02:02
and if there's a similarity between the two of them,
50
122699
1973
und wenn zwischen zweien eine Ähnlichkeit besteht,
02:04
we can create a link and represent that as a graph,
51
124672
3250
können wir einen Querverweis schaffen und diesen als Graphen darstellen,
02:07
just like Eric and I are connected.
52
127922
2394
genauso wie Eric und ich verbunden sind.
02:10
So that's theory, that's great.
53
130316
1394
Das ist also die Theorie, das ist großartig.
02:11
Let's see how it works in actual practice.
54
131710
2526
Lassen Sie uns betrachten, wie das in der Praxis aussieht.
02:14
So what we've got here now is the global footprint
55
134236
2788
Das hier ist der globale Fußabdruck
02:17
of all the TEDx Talks over the last four years
56
137024
2293
aller TEDx-Talks der letzten 4 Jahre,
02:19
exploding out around the world
57
139317
1550
die auf der ganzen Welt entstehen,
02:20
from New York all the way down to little old New Zealand in the corner.
58
140867
3329
von New York bis zum kleinen Neuseeland hier in der Ecke.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
144196
3835
Wir haben hier die oberen 25% analysiert
02:28
and we started to see where the connections occurred,
60
148031
2534
und begannen zu sehen, wo die Verbindungen entstanden,
02:30
where they connected with each other.
61
150565
1537
wo sie miteinander verbunden waren.
02:32
Cameron Russell talking about image and beauty
62
152102
1874
Cameron Russell, die über Image und Schönheit spricht,
02:33
connected over into Europe.
63
153976
1575
verbindet nach Europa.
02:35
We've got a bigger conversation about Israel and Palestine
64
155551
2412
Wie haben eine größere Unterhaltung über Israel und Palästina,
02:37
radiating outwards from the Middle East.
65
157963
2255
die von Mittleren Osten ausgeht.
02:40
And we've got something a little broader
66
160218
1298
Und wir haben etwas allgemeineres,
02:41
like big data with a truly global footprint
67
161516
2156
wie Big Data, mit einem wirklich globalen Fußabdruck,
02:43
reminiscent of a conversation
68
163672
2179
der von einem Dialog zeugt,
02:45
that is happening everywhere.
69
165851
2016
der überall passiert.
02:47
So from this, we kind of run up against the limits
70
167867
2173
Damit stoßen wir irgendwie an die Grenzen dessen,
02:50
of what we can actually do with a geographic projection,
71
170040
2530
was wir mit einer geografischen Projektion schaffen.
02:52
but luckily, computer technology allows us to go out
72
172570
2052
Glücklicherweise aber, erlauben es uns die Computerwissenschaften,
02:54
into multidimensional space.
73
174622
1546
uns in den multidimensionalen Raum zu begeben.
02:56
So we can take in our network projection
74
176168
1875
Wir können also unsere Projektion des Netzwerks heranziehen
02:58
and apply a physics engine to this,
75
178043
1750
und darauf eine Physik-Engine anwenden,
02:59
and the similar talks kind of smash together,
76
179793
1885
und die ähnlichen Vorträge kollidieren miteinander,
03:01
and the different ones fly apart,
77
181678
2004
die unterschiedlichen fliegen auseinander
03:03
and what we're left with is something quite beautiful.
78
183682
2072
und das Ergebnis ist etwas ziemlich Schönes.
03:05
EB: So I want to just point out here that every node is a talk,
79
185754
2957
EB: Ich möchte nur darauf hinweisen, dass jeder Knotenpunkt ein Vortrag ist.
03:08
they're linked if they share similar ideas,
80
188711
2589
Sie sind verbunden, wenn sie ähnliche Ideen miteinander teilen,
03:11
and that comes from a machine reading
81
191300
2084
das entsteht indem eine Maschine
03:13
of entire talk transcripts,
82
193384
2067
die gesamten Abschriften durchliest.
03:15
and then all these topics that pop out,
83
195451
2231
Und all diese Themen, die herausspringen,
03:17
they're not from tags and keywords.
84
197682
1790
kommen nicht von Tags oder Stichworten.
03:19
They come from the network structure
85
199472
1725
Sie kommen aus der Netzstruktur
03:21
of interconnected ideas. Keep going.
86
201197
2168
miteinander verbundener Ideen. Macht bitte weiter so.
03:23
SG: Absolutely. So I got a little quick on that,
87
203365
2022
SG: Ganz genau. Ich war ein bisschen schnell damit,
03:25
but he's going to slow me down.
88
205387
1475
aber er bremst mich schon.
03:26
We've got education connected to storytelling
89
206862
2034
Bildung ist verbunden mit Geschichtenerzählen,
03:28
triangulated next to social media.
90
208896
1643
im Dreieck mit sozialen Medien
03:30
You've got, of course, the human brain right next to healthcare,
91
210539
2475
Natürlich haben wir das menschliche Gehirn direkt neben der Gesundheitsversorgung,
03:33
which you might expect,
92
213014
1386
was Sie vielleicht erwartet haben,
03:34
but also you've got video games, which is sort of adjacent,
93
214400
2395
wir haben aber auch Videospiele in der Nähe,
03:36
as those two spaces interface with each other.
94
216795
2740
da die beiden Bereiche sich miteinander kurzschließen.
03:39
But I want to take you into one cluster
95
219535
1535
Ich möchte Sie aber in einen Cluster mitnehmen,
03:41
that's particularly important to me, and that's the environment.
96
221070
2868
der mir besonders wichtig ist und das ist die Umwelt.
03:43
And I want to kind of zoom in on that
97
223938
1493
Und ich möchte näher heranzoomen
03:45
and see if we can get a little more resolution.
98
225431
2363
und schauen, ob wir noch eine höhere Auflösung bekommen.
03:47
So as we go in here, what we start to see,
99
227794
2347
Wenn wir uns hier annähern, sehen wir,
03:50
apply the physics engine again,
100
230141
1504
– wir wenden wieder die Physik-Engine an –
03:51
we see what's one conversation
101
231645
1676
erkennen wir, dass eine Unterhaltung
03:53
is actually composed of many smaller ones.
102
233321
2560
eigentlich aus vielen kleineren besteht.
03:55
The structure starts to emerge
103
235881
1929
Ihre Struktur tritt in Erscheinung,
03:57
where we see a kind of fractal behavior
104
237810
2070
wodurch wir ein fraktales Verhalten
03:59
of the words and the language that we use
105
239880
1619
der Wörter und der Sprache beobachten, die wir tagtäglich verwenden,
04:01
to describe the things that are important to us
106
241499
1702
um die Dinge zu beschreiben, die uns wichtig sind,
04:03
all around this world.
107
243201
1433
auf der ganzen Welt.
04:04
So you've got food economy and local food at the top,
108
244634
2332
Oben haben wir also Lebensmittelwirtschaft und regionale Lebensmittel,
04:06
you've got greenhouse gases, solar and nuclear waste.
109
246966
2719
Treibhausgase, Solarenergie und Atommüll.
04:09
What you're getting is a range of smaller conversations,
110
249685
2631
Wir erhalten eine Reihe kleinerer Unterhaltungen,
04:12
each connected to each other through the ideas
111
252316
2301
die untereinander durch ihre gemeinsamen Ideen
04:14
and the language they share,
112
254617
1301
und ihre Sprache verbunden sind
04:15
creating a broader concept of the environment.
113
255918
2450
und so eine vielseitigere Auffassung der Umwelt schaffen.
04:18
And of course, from here, we can go
114
258368
1532
Von hier aus, können wir natürlich
04:19
and zoom in and see, well, what are young people looking at?
115
259900
3534
hineinzoomen und herausfinden, wofür interessieren sich junge Leute.
04:23
And they're looking at energy technology and nuclear fusion.
116
263434
2345
Und Sie interessieren sich für Energietechnologie und Kernfusion.
04:25
This is their kind of resonance
117
265779
1674
Das ist ihre eigene Resonanz
04:27
for the conversation around the environment.
118
267453
2406
zu der Unterhaltung rund um die Umwelt.
04:29
If we split along gender lines,
119
269859
1899
Wenn wir nach Geschlechtern trennen,
04:31
we can see females resonating heavily
120
271758
1987
sehen wir, dass Lebensmittelwirtschaft
04:33
with food economy, but also out there in hope and optimism.
121
273745
3645
bei Frauen starken Widerhall findet, aber auch Hoffnung und Optimismus.
04:37
And so there's a lot of exciting stuff we can do here,
122
277390
2482
Es gibt also eine Menge aufregender Dinge, die wir hier machen können
04:39
and I'll throw to Eric for the next part.
123
279872
1762
und ich übergebe für den nächsten Teil an Eric.
04:41
EB: Yeah, I mean, just to point out here,
124
281634
1602
EB: Ja, ich möchte nur darauf hinweisen,
04:43
you cannot get this kind of perspective
125
283236
1538
dass man diese Blickweise
04:44
from a simple tag search on YouTube.
126
284774
3360
nicht durch eine einfache Stichwortsuche auf YouTube erhalten kann.
04:48
Let's now zoom back out to the entire global conversation
127
288134
4188
Wir zoomen jetzt heraus auf die gesamte globale Unterhaltung,
04:52
out of environment, and look at all the talks together.
128
292322
2534
aus der Umwelt heraus, und sehen uns die Gesamtheit der Vorträge an.
04:54
Now often, when we're faced with this amount of content,
129
294856
2927
Bei einer solchen Menge an Inhalten
04:57
we do a couple of things to simplify it.
130
297783
2431
tun wir meistens ein paar Dinge, um es einfacher zu gestalten.
05:00
We might just say, well,
131
300214
1314
Man könnte auch einfach sagen,
05:01
what are the most popular talks out there?
132
301528
2829
welche sind die beliebtesten Vorträge?
05:04
And a few rise to the surface.
133
304357
1397
Und einige treten zutage.
05:05
There's a talk about gratitude.
134
305754
1828
Da gibt es einen Vortrag über Dankbarkeit.
05:07
There's another one about personal health and nutrition.
135
307582
3344
Ein anderer handelt von individueller Gesundheit und Ernährung
05:10
And of course, there's got to be one about porn, right?
136
310926
2929
Und selbstverständlich gehört einer über Pornografie dazu, oder?
05:13
And so then we might say, well, gratitude, that was last year.
137
313855
3234
Dan könnten wir sagen, Dankbarkeit, das war letztes Jahr.
05:17
What's trending now? What's the popular talk now?
138
317089
2522
Was ist gerade im Trend? Welcher Vortrag ist zurzeit beliebt?
05:19
And we can see that the new, emerging, top trending topic
139
319611
3321
Und wir können erkennen, dass das neue, aufstrebende Thema
05:22
is about digital privacy.
140
322932
2666
die digitale Privatsphäre ist.
05:25
So this is great. It simplifies things.
141
325598
1693
Das ist großartig. Es vereinfacht die Dinge.
05:27
But there's so much creative content
142
327291
1827
Aber so viel kreativer Inhalt
05:29
that's just buried at the bottom.
143
329118
1921
ist einfach ganz unten vergraben.
05:31
And I hate that. How do we bubble stuff up to the surface
144
331039
3318
Und ich hasse das. Wie bekommen wir das Zeug an die Oberfläche,
05:34
that's maybe really creative and interesting?
145
334357
2458
das möglicherweise echt kreativ und interessant ist?
05:36
Well, we can go back to the network structure of ideas
146
336815
2931
Wir können zur Netzstruktur der Ideen zurückgehen,
05:39
to do that.
147
339746
1430
um das zu erreichen.
05:41
Remember, it's that network structure
148
341176
2114
Erinnern Sie sich, jene Netzstruktur
05:43
that is creating these emergent topics,
149
343290
2268
erzeugt diese aufstrebenden Themen
05:45
and let's say we could take two of them,
150
345558
1515
und angenommen wir könnten zwei davon nehmen,
05:47
like cities and genetics, and say, well, are there any talks
151
347073
3047
z.B. Städte und Genetik, und schauen, ob es irgendwelche Vorträge gibt,
05:50
that creatively bridge these two really different disciplines.
152
350120
2569
die zwischen diesen zwei sehr unterschiedlichen Disziplinen eine Brücke schlagen.
05:52
And that's -- Essentially, this kind of creative remix
153
352689
2275
Im Wesentlichen ist diese Art kreativer Remix
05:54
is one of the hallmarks of innovation.
154
354964
1840
ein Gütesiegel für Innovation.
05:56
Well here's one by Jessica Green
155
356804
1606
Hier ist einer von Jessica Green
05:58
about the microbial ecology of buildings.
156
358410
2379
über die mikrobielle Ökologie von Gebäuden.
06:00
It's literally defining a new field.
157
360789
2010
Er definiert buchstäblich ein neues Themenfeld.
06:02
And we could go back to those topics and say, well,
158
362799
2103
Und wir könnten zu jenen Themen zurückgehen und fragen,
06:04
what talks are central to those conversations?
159
364902
2768
welche Vorträge sind wesentlich für jene Unterhaltungen?
06:07
In the cities cluster, one of the most central
160
367670
1690
Im Städte-Cluster ist einer von Mitch Joachim
06:09
was one by Mitch Joachim about ecological cities,
161
369360
3952
über ökologische Städte einer der zentralsten.
06:13
and in the genetics cluster,
162
373312
1720
Und im Genetik-Cluster haben wir einen Vortrag
06:15
we have a talk about synthetic biology by Craig Venter.
163
375032
3193
über synthetische Biologie von Craig Venter.
06:18
These are talks that are linking many talks within their discipline.
164
378225
3353
Diese Vorträge koppeln viele andere innerhalb ihrer Disziplin.
06:21
We could go the other direction and say, well,
165
381578
1843
Wir könnten es auch umdrehen und fragen,
06:23
what are talks that are broadly synthesizing
166
383421
2272
welche Vorträge verschmelzen weitgehend
06:25
a lot of different kinds of fields.
167
385693
1448
viele verschiedene Themenfelder.
06:27
We used a measure of ecological diversity to get this.
168
387141
2533
Wir haben ein Maß für ökologische Vielfalt verwendet, um das zu herauszufinden.
06:29
Like, a talk by Steven Pinker on the history of violence,
169
389674
2736
Zum Beispiel ein Vortrag von Steven Pinker über die Geschichte der Gewalt,
06:32
very synthetic.
170
392410
1180
sehr künstlich.
06:33
And then, of course, there are talks that are so unique
171
393590
2078
Dann gibt es natürlich Vorträge, die so einzigartig sind,
06:35
they're kind of out in the stratosphere, in their own special place,
172
395668
3090
dass sie irgendwie oben in der Stratosphäre liegen, an ihrem eigenen, besonderen Platz,
06:38
and we call that the Colleen Flanagan index.
173
398758
2514
und das nennen wir den Coolen-Flanagan-Index.
06:41
And if you don't know Colleen, she's an artist,
174
401272
3034
Falls Sie Colleen nicht kennen, sie ist eine Künstlerin,
06:44
and I asked her, "Well, what's it like out there
175
404306
1543
und ich habe sie gefragt: "Wie ist es da draußen
06:45
in the stratosphere of our idea space?"
176
405849
1672
in der Stratosphäre unseres Ideenraums?"
06:47
And apparently it smells like bacon.
177
407521
3255
Und offenbar riecht es nach Speck.
06:50
I wouldn't know.
178
410776
1791
Keine Ahnung.
06:52
So we're using these network motifs
179
412567
2248
Wir verwenden also diese Netzwerkmotive,
06:54
to find talks that are unique,
180
414815
1186
um einzigartige Vorträge zu finden,
06:56
ones that are creatively synthesizing a lot of different fields,
181
416001
2710
solche, die auf kreative Weise viele verschiedene Felder miteinander verschmelzen,
06:58
ones that are central to their topic,
182
418711
1659
solche, die wesentlich für ihr Thema sind,
07:00
and ones that are really creatively bridging disparate fields.
183
420370
3374
und solche, die wirklich kreativ zwischen grundverschiedenen Feldern Brücken schlagen.
07:03
Okay? We never would have found those with our obsession
184
423744
2102
Okay? Ohne unsere Besessenheit davon, was jetzt gerade im Trend liegt,
07:05
with what's trending now.
185
425846
2313
hätten wir sie nie gefunden.
07:08
And all of this comes from the architecture of complexity,
186
428159
2886
Und das alles entsteht aus der Architektur der Komplexität,
07:11
or the patterns of how things are connected.
187
431045
2960
oder den Mustern, wie die Dinge verbunden sind.
07:14
SG: So that's exactly right.
188
434005
1625
SG: Das stimmt genau.
07:15
We've got ourselves in a world
189
435630
2479
Wir finden uns wieder in einer Welt,
07:18
that's massively complex,
190
438109
2044
die enorm komplex ist
07:20
and we've been using algorithms to kind of filter it down
191
440153
2867
und bisher haben wir Algorithmen verwendet, um sie einigermaßen herunterzufiltern,
07:23
so we can navigate through it.
192
443020
1786
damit wir uns in ihr zurechtfinden.
07:24
And those algorithms, whilst being kind of useful,
193
444806
2338
Und obgleich diese Algorithmen nützlich sind,
07:27
are also very, very narrow, and we can do better than that,
194
447144
3476
sind sie auch sehr, sehr beschränkt, und das können wir besser,
07:30
because we can realize that their complexity is not random.
195
450620
2566
denn wir können uns dessen bewusst werden, dass ihre Komplexität nicht beliebig ist.
07:33
It has mathematical structure,
196
453186
1954
Sie hat eine mathematische Struktur
07:35
and we can use that mathematical structure
197
455140
1803
die wir verwenden können,
07:36
to go and explore things like the world of ideas
198
456943
2214
um Sachen, wie die Welt der Ideen, zu erkunden,
07:39
to see what's being said, to see what's not being said,
199
459157
3000
um zu sehen, was die Leute zu sagen haben, und was sie nicht sagen
07:42
and to be a little bit more human
200
462157
1407
und um ein wenig menschlicher zu sein
07:43
and, hopefully, a little smarter.
201
463564
1867
und hoffentlich ein bisschen klüger.
07:45
Thank you.
202
465431
966
Vielen Dank.
07:46
(Applause)
203
466397
4220
(Beifall)
Über diese Website

Auf dieser Seite finden Sie YouTube-Videos, die zum Englischlernen nützlich sind. Sie sehen Englischlektionen, die von hochkarätigen Lehrern aus der ganzen Welt unterrichtet werden. Doppelklicken Sie auf die englischen Untertitel, die auf jeder Videoseite angezeigt werden, um das Video von dort aus abzuspielen. Die Untertitel laufen synchron mit der Videowiedergabe. Wenn Sie irgendwelche Kommentare oder Wünsche haben, kontaktieren Sie uns bitte über dieses Kontaktformular.

https://forms.gle/WvT1wiN1qDtmnspy7