Tom Chatfield: 7 ways video games engage the brain

203,337 views ・ 2010-11-01

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Anna Patai Lektor: Krisztian Stancz
00:15
I love video games.
0
15260
3000
Imádom a videojátékokat.
00:18
I'm also slightly in awe of them.
1
18260
3000
És egy kicsit le is nyűgöznek.
00:21
I'm in awe of their power
2
21260
2000
Lenyűgöz az erejük
00:23
in terms of imagination, in terms of technology,
3
23260
2000
a képzelet, a technológia
00:25
in terms of concept.
4
25260
2000
és a koncepció tekintetében.
00:27
But I think, above all,
5
27260
2000
De mindenek felett
00:29
I'm in awe at their power
6
29260
2000
lenyűgöz a hatalmuk,
00:31
to motivate, to compel us,
7
31260
3000
hogy motiváljanak, rávegyenek,
00:34
to transfix us,
8
34260
2000
lekössenek minket,
00:36
like really nothing else we've ever invented
9
36260
3000
mint igazából semmi más,
00:39
has quite done before.
10
39260
2000
amit ezelőtt feltaláltunk.
00:41
And I think that we can learn some pretty amazing things
11
41260
3000
És azt hiszem érdekes dolgokat tanulhatunk,
00:44
by looking at how we do this.
12
44260
2000
ha megnézzük, hogy csináljuk ezt.
00:46
And in particular, I think we can learn things
13
46260
2000
És legfőképpen, azt hiszem tanulhatunk dolgokat
00:48
about learning.
14
48260
3000
magáról a tanulásról.
00:51
Now the video games industry
15
51260
2000
A videojáték-ipar
00:53
is far and away the fastest growing
16
53260
2000
messzemenően a leggyorsabban fejlődő
00:55
of all modern media.
17
55260
2000
minden modern média típus közül.
00:57
From about 10 billion in 1990,
18
57260
2000
1990-ben kb. 10 milliárdot ért,
00:59
it's worth 50 billion dollars globally today,
19
59260
3000
ma már globálisan 50 milliárd dollárt ér,
01:02
and it shows no sign of slowing down.
20
62260
3000
és semmi jelét nem mutatja a lassulásnak.
01:05
In four years' time,
21
65260
2000
Négy éven belül,
01:07
it's estimated it'll be worth over 80 billion dollars.
22
67260
3000
becslések szerint több mint 80 milliárd dollárt fog érni.
01:10
That's about three times the recorded music industry.
23
70260
3000
Ez kb. háromszorosa a zeneiparnak.
01:13
This is pretty stunning,
24
73260
2000
Ez egész elképesztő,
01:15
but I don't think it's the most telling statistic of all.
25
75260
3000
de szerintem nem ez a legárulkodóbb statisztika.
01:18
The thing that really amazes me
26
78260
2000
Ami igazán elképeszt engem,
01:20
is that, today,
27
80260
2000
az az, hogy ma
01:22
people spend about
28
82260
2000
az emberek általában
01:24
eight billion real dollars a year
29
84260
3000
nyolcmilliárd igazi dollárt költenek évente
01:27
buying virtual items
30
87260
2000
virtuális tárgyak vásárlására,
01:29
that only exist
31
89260
2000
amelyek csupán
01:31
inside video games.
32
91260
3000
a videojátékban léteznek.
01:34
This is a screenshot from the virtual game world, Entropia Universe.
33
94260
3000
Ez egy képernyőkép a virtuális játék világból, az Entropia Universe-ből.
01:37
Earlier this year,
34
97260
2000
Az év elején
01:39
a virtual asteroid in it
35
99260
2000
egy virtuális aszteroida a játékban
01:41
sold for 330,000 real dollars.
36
101260
4000
330.000 igazi dollárért kelt el.
01:45
And this
37
105260
2000
És ez
01:47
is a Titan class ship
38
107260
3000
egy Titan osztályú hajó
01:50
in the space game, EVE Online.
39
110260
2000
az EVE Online űrjátékban.
01:52
And this virtual object
40
112260
2000
És ez a virtuális tárgy
01:54
takes 200 real people
41
114260
2000
200 igazi embernek
01:56
about 56 days of real time to build,
42
116260
3000
kb. 56 valódi napjába került megépíteni,
01:59
plus countless thousands of hours
43
119260
3000
és még sok ezer órányi erőfeszítésébe
02:02
of effort before that.
44
122260
2000
ezt megelőzően.
02:04
And yet, many of these get built.
45
124260
3000
És mégis nagyon sok épül meg.
02:07
At the other end of the scale,
46
127260
2000
A skála másik végén,
02:09
the game Farmville that you may well have heard of,
47
129260
3000
a Farmville játéknak, amiről valószínűleg hallottak,
02:12
has 70 million players
48
132260
2000
70 millió játékosa van
02:14
around the world
49
134260
2000
világszerte,
02:16
and most of these players
50
136260
2000
és a legtöbbjük
02:18
are playing it almost every day.
51
138260
2000
majdnem minden nap játszik.
02:20
This may all sound
52
140260
2000
Mindez lehet,
02:22
really quite alarming to some people,
53
142260
2000
hogy ijesztően hangzik egyeseknek,
02:24
an index of something worrying
54
144260
2000
mint valami aggasztó jel
02:26
or wrong in society.
55
146260
2000
vagy társadalmi probléma.
02:28
But we're here for the good news,
56
148260
2000
De mi a jó hírek miatt vagyunk itt,
02:30
and the good news is
57
150260
2000
és a jó hír az,
02:32
that I think we can explore
58
152260
2000
hogy szerintem megtudhatjuk,
02:34
why this very real human effort,
59
154260
3000
hogy miért folyik ez a nagyon is valódi
02:37
this very intense generation of value, is occurring.
60
157260
4000
emberi erőfeszítés, ez az intenzív értékteremtés.
02:41
And by answering that question,
61
161260
2000
És ha megválaszoljuk ezt a kérdést,
02:43
I think we can take something
62
163260
2000
azt hiszem megtanulhatunk
02:45
extremely powerful away.
63
165260
2000
valami nagyon jelentőset.
02:47
And I think the most interesting way
64
167260
2000
Szerintem a legérdekesebb megközelítés
02:49
to think about how all this is going on
65
169260
2000
azt tanulmányozni, hogy hogy történik mindez,
02:51
is in terms of rewards.
66
171260
2000
az a jutalom.
02:53
And specifically, it's in terms
67
173260
3000
És kifejezetten
02:56
of the very intense emotional rewards
68
176260
2000
a nagyon intenzív érzelmi jutalmak,
02:58
that playing games offers to people
69
178260
2000
amiket a videojátékok nyújtanak a játékosoknak
03:00
both individually
70
180260
2000
mind egyénileg,
03:02
and collectively.
71
182260
2000
mind kollektíven.
03:04
Now if we look at what's going on in someone's head
72
184260
2000
Ha megnézzük, hogy mi történik valaki fejében,
03:06
when they are being engaged,
73
186260
2000
amikor leköti őt valami,
03:08
two quite different processes are occurring.
74
188260
3000
két nagyon különböző folyamat zajlik le.
03:11
On the one hand, there's the wanting processes.
75
191260
3000
Egyrészt ott van az akarás folyamata.
03:14
This is a bit like ambition and drive -- I'm going to do that. I'm going to work hard.
76
194260
3000
Kicsit olyan, mint az ambíció és a hajtóerő -- ezt fogom tenni. Keményen fogok dolgozni.
03:17
On the other hand, there's the liking processes,
77
197260
2000
Másrészt ott van az élvezet folyamata,
03:19
fun and affection
78
199260
2000
izgalom, szeretet
03:21
and delight
79
201260
2000
és öröm,
03:23
and an enormous flying beast with an orc on the back.
80
203260
2000
és egy hatalmas repülő szörny egy orkkal a hátán.
03:25
It's a really great image. It's pretty cool.
81
205260
2000
Ez egy igazán remek kép. Nagyon menő.
03:27
It's from the game World of Warcraft with more than 10 million players globally,
82
207260
3000
A World of Warcraftból származik, egy játék több mint 10 millió játékossal világszerte,
03:30
one of whom is me, another of whom is my wife.
83
210260
3000
az egyikük én vagyok, egy másikuk a feleségem.
03:33
And this kind of a world,
84
213260
2000
És ez a fajta világ,
03:35
this vast flying beast you can ride around,
85
215260
2000
ez a hatalmas repülő szörny, amit meg lehet lovagolni,
03:37
shows why games are so very good
86
217260
2000
jól bemutatja, hogy a játékok mennyire jók
03:39
at doing both the wanting and the liking.
87
219260
3000
az akarásban és a szeretésben is.
03:42
Because it's very powerful. It's pretty awesome.
88
222260
2000
Mert nagyon erőteljes. Egészen csodálatos.
03:44
It gives you great powers.
89
224260
2000
Hatalommal ruház fel.
03:46
Your ambition is satisfied, but it's very beautiful.
90
226260
3000
Kielégíti az ambíciód, de nagyon szép is.
03:49
It's a very great pleasure to fly around.
91
229260
3000
Örömteljes repülni rajta.
03:52
And so these combine to form
92
232260
2000
Ezek együttesen egy nagyon intenzív
03:54
a very intense emotional engagement.
93
234260
2000
érzelmi részvételt eredményeznek.
03:56
But this isn't the really interesting stuff.
94
236260
3000
De nem ez az igazán érdekes.
03:59
The really interesting stuff about virtuality
95
239260
2000
Ami igazán érdekes a vitrualitásban, az az,
04:01
is what you can measure with it.
96
241260
2000
hogy mivel mérhető.
04:03
Because what you can measure in virtuality
97
243260
3000
Mert a virtuális világban
04:06
is everything.
98
246260
2000
minden mérhető.
04:08
Every single thing that every single person
99
248260
2000
Minden egyes dolog, amit minden egyes személy
04:10
who's ever played in a game has ever done can be measured.
100
250260
3000
csinált, aki valaha játszott a játékban mérhető.
04:13
The biggest games in the world today
101
253260
2000
Ma a legnagyobb játékok a világon
04:15
are measuring more than one billion points of data
102
255260
4000
több mint egymilliárd adatpontot mérnek
04:19
about their players, about what everybody does --
103
259260
2000
a játékosaikról, arról, hogy mit csinál mindenki --
04:21
far more detail than you'd ever get from any website.
104
261260
3000
sokkal több részlet, mint amit egy weboldalról lehet kapni.
04:24
And this allows something very special
105
264260
3000
És ez lehetővé teszi, hogy valami nagyon különleges
04:27
to happen in games.
106
267260
2000
történjen meg a játékokban.
04:29
It's something called the reward schedule.
107
269260
3000
Ezt a valamit úgy hívják, hogy a jutalom menetrend.
04:32
And by this, I mean looking
108
272260
2000
Ez alatt azt értem, hogy megnézik,
04:34
at what millions upon millions of people have done
109
274260
2000
hogy mit csináltak játékosok milliói,
04:36
and carefully calibrating the rate,
110
276260
2000
és gondosan kiszámolják a jutalmak
04:38
the nature, the type, the intensity of rewards in games
111
278260
3000
gyakoriságát, típusát, és intenzitását a játékban ahhoz,
04:41
to keep them engaged
112
281260
2000
hogy lekössék a játékosokat
04:43
over staggering amounts of time and effort.
113
283260
3000
elképesztően hosszú időn és befektetett energián keresztül.
04:46
Now, to try and explain this
114
286260
2000
Hogy megpróbáljam ezt elmagyarázni
04:48
in sort of real terms,
115
288260
3000
valós fogalmakkal,
04:51
I want to talk about a kind of task
116
291260
2000
vegyünk egy olyan feldatot,
04:53
that might fall to you in so many games.
117
293260
2000
ami egy játékosra várhat nagyon sok játékban.
04:55
Go and get a certain amount of a certain little game-y item.
118
295260
3000
Menj és szerezz egy bizonyos mennyiségű játékbeli tárgyat.
04:58
Let's say, for the sake of argument,
119
298260
2000
Mondjuk, a példa kedvéért,
05:00
my mission is to get 15 pies
120
300260
3000
hogy a küldetésem szerezni 15 pitét,
05:03
and I can get 15 pies
121
303260
3000
és úgy szerezhetek 15 pitét,
05:06
by killing these cute, little monsters.
122
306260
2000
hogy megölöm ezeket a cuki kis szörnyeket.
05:08
Simple game quest.
123
308260
2000
Egyszerű játékbeli küldetés.
05:10
Now you can think about this, if you like,
124
310260
2000
Gondolhatunk erre úgy,
05:12
as a problem about boxes.
125
312260
2000
mint egy problémára dobozokkal.
05:14
I've got to keep opening boxes.
126
314260
2000
Dobozokat kell kinyitnom.
05:16
I don't know what's inside them until I open them.
127
316260
3000
Nem tudom mi van bennük, amíg nem nyitom ki őket.
05:19
And I go around opening box after box until I've got 15 pies.
128
319260
3000
És egymás után nyitom ki a dobozokat, amíg nincs 15 pitém.
05:22
Now, if you take a game like Warcraft,
129
322260
2000
Ha veszünk egy olyan játékot, mint a Warcraft,
05:24
you can think about it, if you like,
130
324260
2000
gondolhatunk rá úgy,
05:26
as a great box-opening effort.
131
326260
3000
mint egy nagy doboznyitogató erőfeszítésre.
05:29
The game's just trying to get people to open about a million boxes,
132
329260
3000
A játék megpróbálja rávenni az embereket, hogy kinyissanak milliónyi dobozt,
05:32
getting better and better stuff in them.
133
332260
2000
miközben egyre jobb dolgokat kapnak.
05:34
This sounds immensely boring
134
334260
3000
Ez hihetetlenül unalmasan hangzik,
05:37
but games are able
135
337260
2000
de a játékok képesek
05:39
to make this process
136
339260
2000
ezt a folyamatot
05:41
incredibly compelling.
137
341260
2000
hihetetlenül érdekessé tenni.
05:43
And the way they do this
138
343260
2000
És ezt a valószínűségszámítás
05:45
is through a combination of probability and data.
139
345260
3000
és az adatok kombinációjával érik el.
05:48
Let's think about probability.
140
348260
2000
Gondoljunk a valószínűségre.
05:50
If we want to engage someone
141
350260
2000
Ha le akarunk kötni valakit a folyamattal,
05:52
in the process of opening boxes to try and find pies,
142
352260
3000
hogy dobozokat nyit ki és pitéket próbál találni,
05:55
we want to make sure it's neither too easy,
143
355260
2000
biztosítanunk kell, hogy se nem túl nehéz,
05:57
nor too difficult, to find a pie.
144
357260
2000
se nem túl könnyű megtalálni egy pitét.
05:59
So what do you do? Well, you look at a million people --
145
359260
2000
Tehát mit teszünk? Megnézünk egymillió embert --
06:01
no, 100 million people, 100 million box openers --
146
361260
3000
nem, 100 millió embert, 100 doboznyitogatót --
06:04
and you work out, if you make the pie rate
147
364260
3000
és kiszámoljuk, hogyha a pite gyakorisága
06:07
about 25 percent --
148
367260
2000
kb. 25% --
06:09
that's neither too frustrating, nor too easy.
149
369260
3000
ez se nem túl idegesítő, se nem túl könnyű.
06:12
It keeps people engaged.
150
372260
2000
Leköti az embereket.
06:14
But of course, that's not all you do -- there's 15 pies.
151
374260
3000
De persze nem csak ezt tesszük -- 15 pite van.
06:17
Now, I could make a game called Piecraft,
152
377260
2000
Csinálhatnék egy Pitecraft nevű játékot,
06:19
where all you had to do was get a million pies
153
379260
2000
ahol csak meg kell szerezni egymillió pitét,
06:21
or a thousand pies.
154
381260
2000
vagy ezer pitét.
06:23
That would be very boring.
155
383260
2000
Ez nagyon unalmas lenne.
06:25
Fifteen is a pretty optimal number.
156
385260
2000
A 15 egy optimális szám.
06:27
You find that -- you know, between five and 20
157
387260
2000
Kiderült -- öt és 20 között van
06:29
is about the right number for keeping people going.
158
389260
2000
az ideális szám, hogy az emberek folytassák.
06:31
But we don't just have pies in the boxes.
159
391260
2000
De nem csak piték vannak a dobozokban.
06:33
There's 100 percent up here.
160
393260
2000
Itt fent van a 100%.
06:35
And what we do is make sure that every time a box is opened,
161
395260
3000
És azt csináljuk, hogy valahányszor kinyitsz egy dobozt,
06:38
there's something in it, some little reward
162
398260
2000
van benne valami, egy kis jutalom,
06:40
that keeps people progressing and engaged.
163
400260
2000
ami leköti az embereket és tovább folytatják.
06:42
In most adventure games,
164
402260
2000
A legtöbb kalandjátékban
06:44
it's a little bit in-game currency, a little bit experience.
165
404260
3000
ez egy kis játékbeli pénznem, egy kis tapasztalat.
06:47
But we don't just do that either.
166
407260
2000
De nem csak ezt tesszük.
06:49
We also say there's going to be loads of other items
167
409260
2000
Hanem azt mondjuk, hogy lesz egy csomó másik,
06:51
of varying qualities and levels of excitement.
168
411260
2000
különböző minőségű és változatosan izgalmas tárgy.
06:53
There's going to be a 10 percent chance you get a pretty good item.
169
413260
3000
10% esélyed van találni egy nagyon jó tárgyat.
06:56
There's going to be a 0.1 percent chance
170
416260
2000
0,1% esélyed van arra,
06:58
you get an absolutely awesome item.
171
418260
3000
hogy egy elképesztően jó tárgyat találsz.
07:01
And each of these rewards is carefully calibrated to the item.
172
421260
3000
És mindegyik jutalom gondosan be van állítva a tárgyhoz.
07:04
And also, we say,
173
424260
2000
És azt is mondjuk, hogy
07:06
"Well, how many monsters? Should I have the entire world full of a billion monsters?"
174
426260
3000
"Mennyi szörny? Legyen tele az egész világ milliárdnyi szörnnyel?"
07:09
No, we want one or two monsters on the screen at any one time.
175
429260
3000
Nem, egyszerre mindig csak egy-két szörnyet akarunk a képernyőn.
07:12
So I'm drawn on. It's not too easy, not too difficult.
176
432260
3000
Így tovább vezetnek. Nem túl könnyű, nem túl nehéz.
07:15
So all this is very powerful.
177
435260
2000
Mindez nagyon erőteljes.
07:17
But we're in virtuality. These aren't real boxes.
178
437260
3000
De egy virtuális világban vagyunk. Ezek nem valódi dobozok.
07:20
So we can do
179
440260
2000
Így meg tudunk csinálni
07:22
some rather amazing things.
180
442260
2000
egészen elképesztő dolgokat.
07:24
We notice, looking at all these people opening boxes,
181
444260
4000
Észrevesszük, tanulmányozva ezeket az embereket, akik dobozokat nyitogatnak,
07:28
that when people get to about 13 out of 15 pies,
182
448260
3000
hogy amikor az emberek elérkeznek a 13. pitéhez a 15-ből,
07:31
their perception shifts, they start to get a bit bored, a bit testy.
183
451260
3000
a figyelmük elkalandozik, kezdenek unatkozni, nyugtalanok lenni.
07:34
They're not rational about probability.
184
454260
2000
Nem gondolkodnak racionálisan a valószínűségről.
07:36
They think this game is unfair.
185
456260
2000
Azt gondolják, hogy a játék igazságtalan.
07:38
It's not giving me my last two pies. I'm going to give up.
186
458260
2000
Nem adja oda nekem az utolsó két pitém. Feladom.
07:40
If they're real boxes, there's not much we can do,
187
460260
2000
Ha igazi dobzok lennének, nem sokat tehetnénk,
07:42
but in a game we can just say, "Right, well.
188
462260
2000
de egy játékban azt mondhatjuk: "Rendben.
07:44
When you get to 13 pies, you've got 75 percent chance of getting a pie now."
189
464260
4000
Ha elértél 13 pitét, innentől kezdve 75% esélyed van találni egy pitét."
07:48
Keep you engaged. Look at what people do --
190
468260
2000
Továbbra is lekötnek. Megnézik, hogy az emberek mit csinálnak --
07:50
adjust the world to match their expectation.
191
470260
2000
hozzáigazítják a világot az elvárásaikhoz.
07:52
Our games don't always do this.
192
472260
2000
A játékok nem mindig csinálják ezt.
07:54
And one thing they certainly do at the moment
193
474260
2000
De egy dolog, amit most csinálnak az,
07:56
is if you got a 0.1 percent awesome item,
194
476260
3000
hogyha találtál egy 0,1%-os csodálatos tárgyat,
07:59
they make very sure another one doesn't appear for a certain length of time
195
479260
3000
biztosítják, hogy nem jelenik meg még egy nagyon hosszú ideig,
08:02
to keep the value, to keep it special.
196
482260
2000
hogy értékes és ritka maradjon.
08:04
And the point is really
197
484260
2000
A lényeg igazán az,
08:06
that we evolved to be satisfied by the world
198
486260
2000
hogy úgy fejlődtünk ki, hogy a világ
08:08
in particular ways.
199
488260
2000
bizonyos módokon elégít ki bennünket.
08:10
Over tens and hundreds of thousands of years,
200
490260
3000
Több tíz és több száz évezreden keresztül
08:13
we evolved to find certain things stimulating,
201
493260
2000
kifejlődött, hogy bizonyos dolgokat stimulálónak találjunk,
08:15
and as very intelligent, civilized beings,
202
495260
2000
és mint nagyon intelligens, civilizált lények,
08:17
we're enormously stimulated by problem solving and learning.
203
497260
3000
nagyon stimulál minket a problémamegoldás és tanulás.
08:20
But now, we can reverse engineer that
204
500260
2000
De ezt most már vissza tudjuk fejteni,
08:22
and build worlds
205
502260
2000
és olyan világokat építeni,
08:24
that expressly tick our evolutionary boxes.
206
504260
3000
amelyek kifejezetten megnyomják az evoluciós gombjainkat.
08:27
So what does all this mean in practice?
207
507260
2000
Mit jelent mindez a gyakorlatban?
08:29
Well, I've come up
208
509260
2000
Kidolgoztam
08:31
with seven things
209
511260
2000
hét dolgot,
08:33
that, I think, show
210
513260
2000
amelyek szerintem megmutatják,
08:35
how you can take these lessons from games
211
515260
2000
hogy tanulhatunk a játékokból,
08:37
and use them outside of games.
212
517260
3000
és használhatjuk ezeket a tanulságokat más környezetben.
08:40
The first one is very simple:
213
520260
2000
Az első nagyon egyszerű:
08:42
experience bars measuring progress --
214
522260
2000
a fejlődést jelző tapasztalat csík --
08:44
something that's been talked about brilliantly
215
524260
2000
erről ragyogóan beszéltek már korábban is
08:46
by people like Jesse Schell earlier this year.
216
526260
3000
olyan emberek, mint Jesse Schell.
08:49
It's already been done at the University of Indiana in the States, among other places.
217
529260
3000
Ezt már gyakorlatba is ültették többek között az Indiana Egyetemen az államokban.
08:52
It's the simple idea that instead of grading people incrementally
218
532260
3000
Egy egyszerű ötlet, hogy ahelyett, hogy apránként osztályoznák az embereket,
08:55
in little bits and pieces,
219
535260
2000
kis darabokban itt és ott,
08:57
you give them one profile character avatar
220
537260
2000
kapnak egy profil karakter avatárt,
08:59
which is constantly progressing
221
539260
2000
ami folyamatosan halad előre,
09:01
in tiny, tiny, tiny little increments which they feel are their own.
222
541260
3000
ici-pici kis lépésekben, amit a sajátjuknak éreznek.
09:04
And everything comes towards that,
223
544260
2000
És minden efelé törekszik,
09:06
and they watch it creeping up, and they own that as it goes along.
224
546260
3000
és figyelik, ahogy kúszik felfelé, és a sajátjuk, miközben halad.
09:09
Second, multiple long and short-term aims --
225
549260
2000
A második: több hosszú- és rövidtávú cél --
09:11
5,000 pies, boring,
226
551260
2000
5.000 pite unalmas,
09:13
15 pies, interesting.
227
553260
2000
15 pite izgalmas.
09:15
So, you give people
228
555260
2000
Tehát sok-sok
09:17
lots and lots of different tasks.
229
557260
2000
különböző feladatot adsz az embereknek.
09:19
You say, it's about
230
559260
2000
Azt mondod, hogy
09:21
doing 10 of these questions,
231
561260
2000
meg kell oldani 10 feladatot,
09:23
but another task
232
563260
2000
de egy másik feladat
09:25
is turning up to 20 classes on time,
233
565260
2000
pontosan megjelenni egymás után 20 órán,
09:27
but another task is collaborating with other people,
234
567260
3000
de egy másik feladat együttműködni emberekkel,
09:30
another task is showing you're working five times,
235
570260
3000
egy másik feladat megmutatni ötször, hogy dolgozol,
09:33
another task is hitting this particular target.
236
573260
2000
egy másik feladat elérni ezt a bizonyos célt.
09:35
You break things down into these calibrated slices
237
575260
3000
Lebonthatjuk a dolgokat ezekre a kalibrált szeletekre,
09:38
that people can choose and do in parallel
238
578260
2000
amit az emberek választhatnak és párhuzamosan csinálhatnak,
09:40
to keep them engaged
239
580260
2000
hogy megtartsd a figyelmüket,
09:42
and that you can use to point them
240
582260
2000
és amit arra használhatsz, hogy egyénileg
09:44
towards individually beneficial activities.
241
584260
3000
hasznos tevékenységek felé irányítsd őket.
09:48
Third, you reward effort.
242
588260
2000
A harmadik az erőfeszítés jutalmazása.
09:50
It's your 100 percent factor. Games are brilliant at this.
243
590260
3000
Ez a 100% faktor. A játékok zseniálisak ebben.
09:53
Every time you do something, you get credit; you get a credit for trying.
244
593260
3000
Valahányszor csinálsz valamit, jutalmat kapsz. Jutalmat kapsz a próbálkozásért.
09:56
You don't punish failure. You reward every little bit of effort --
245
596260
3000
Nem bünteted a bukást. Megjutalmazol egy kis erőfeszítést --
09:59
a little bit of gold, a little bit of credit. You've done 20 questions -- tick.
246
599260
3000
egy kis arany, egy kis tapasztalat. Megoldottál 20 kérdést -- pipa.
10:02
It all feeds in as minute reinforcement.
247
602260
3000
Ez mind apró megerősítésként szolgál.
10:05
Fourth, feedback.
248
605260
2000
A negyedik a visszajelzés.
10:07
This is absolutely crucial,
249
607260
2000
Ez kritikus fontosságú,
10:09
and virtuality is dazzling at delivering this.
250
609260
2000
és a virtuális világ ezt lélegzetelállítóan hajtja végre.
10:11
If you look at some of the most intractable problems in the world today
251
611260
3000
Ha megnézzük a világ néhány legmakacsabb problémáját,
10:14
that we've been hearing amazing things about,
252
614260
2000
amelyekől elképesztő dolgokat hallottunk,
10:16
it's very, very hard for people to learn
253
616260
3000
az embereknek nagyon nehéz tanulni,
10:19
if they cannot link consequences to actions.
254
619260
3000
ha nem tudják a következményeket tettekhez kötni.
10:22
Pollution, global warming, these things --
255
622260
2000
Szennyezés, globális felmelegedés, ezek a dolgok --
10:24
the consequences are distant in time and space.
256
624260
2000
a következmények messze vannak időben és térben.
10:26
It's very hard to learn, to feel a lesson.
257
626260
2000
Nagyon nehéz megtanulni, átérezni egy leckét.
10:28
But if you can model things for people,
258
628260
2000
De ha modellezni tudunk dolgokat embereknek,
10:30
if you can give things to people that they can manipulate
259
630260
2000
ha olyan dolgokat adunk nekik, amiket manipulálhatnak,
10:32
and play with and where the feedback comes,
260
632260
2000
és játszhatnak vele, és ahol a visszajelzésből
10:34
then they can learn a lesson, they can see,
261
634260
2000
megtanulhatnak egy leckét, láthatják,
10:36
they can move on, they can understand.
262
636260
3000
továbbléphetnek, megérthetik.
10:39
And fifth,
263
639260
2000
Az ötödik
10:41
the element of uncertainty.
264
641260
2000
a bizonytalanság eleme.
10:43
Now this is the neurological goldmine,
265
643260
3000
Ez egy neurológiai aranybánya,
10:46
if you like,
266
646260
2000
ha úgy tetszik,
10:48
because a known reward
267
648260
2000
mert egy ismert jutalom
10:50
excites people,
268
650260
2000
izgalomba hozza az embereket,
10:52
but what really gets them going
269
652260
2000
de ami igazán felpörgeti őket
10:54
is the uncertain reward,
270
654260
2000
az egy ismeretlen jutalom,
10:56
the reward pitched at the right level of uncertainty,
271
656260
2000
a jutalom, ami éppen elég bizonytalan,
10:58
that they didn't quite know whether they were going to get it or not.
272
658260
3000
amiről nem igazán tudták, hogy megkapják vagy sem.
11:01
The 25 percent. This lights the brain up.
273
661260
3000
A 25%. Ez felvillanyozza az agyat.
11:04
And if you think about
274
664260
2000
És ha belegondolunk,
11:06
using this in testing,
275
666260
2000
ha ezt felhasználjuk tesztekhez,
11:08
in just introducing control elements of randomness
276
668260
2000
ha hozzáadjuk a véletlenszerűség kontrollelemeit
11:10
in all forms of testing and training,
277
670260
2000
a mindenfajta teszthez és tréninghez,
11:12
you can transform the levels of people's engagement
278
672260
2000
átalakíthatjuk az emberek lekötöttségének szintjét azáltal,
11:14
by tapping into this very powerful
279
674260
2000
hogy merítünk ebből a nagyon erőteljes
11:16
evolutionary mechanism.
280
676260
2000
evoluciós mechanizmusból.
11:18
When we don't quite predict something perfectly,
281
678260
2000
Amikor nem látunk előre valamit tökéletesen,
11:20
we get really excited about it.
282
680260
2000
akkor az nagyon izgalmassá válik.
11:22
We just want to go back and find out more.
283
682260
2000
Többet akarunk vele foglalkozni és még többet megtudni.
11:24
As you probably know, the neurotransmitter
284
684260
2000
Mint biztos tudják, a neurotranszmitter,
11:26
associated with learning is called dopamine.
285
686260
2000
amit a tanuláshoz kötünk a dopamin.
11:28
It's associated with reward-seeking behavior.
286
688260
3000
A jutalomkereső viselkedésformához kötődik.
11:31
And something very exciting is just beginning to happen
287
691260
3000
És valami nagyon izgalmas dolog kezdődött el
11:34
in places like the University of Bristol in the U.K.,
288
694260
3000
olyan helyeken, mint a Bristol Egyetem az Egyesült Királyságban,
11:37
where we are beginning to be able to model mathematically
289
697260
3000
ahol kezdünk képesek lenni matematikailag modellezni
11:40
dopamine levels in the brain.
290
700260
2000
a dopamin szintet az agyban.
11:42
And what this means is we can predict learning,
291
702260
2000
És ez azt jelenti, hogy előre tudjuk jelezni a tanulást,
11:44
we can predict enhanced engagement,
292
704260
3000
előre tudjuk jelezni a fokozott érdeklődést,
11:47
these windows, these windows of time,
293
707260
2000
ezeket az időszakaszokat,
11:49
in which the learning is taking place at an enhanced level.
294
709260
3000
amikor a tanulás fokozott intenzitással történik.
11:52
And two things really flow from this.
295
712260
2000
És ebből igazán két dolog következik.
11:54
The first has to do with memory,
296
714260
2000
Az első a memóriához kapcsolódik,
11:56
that we can find these moments.
297
716260
2000
hogy meg tudjuk találni ezeket a pillanatokat.
11:58
When someone is more likely to remember,
298
718260
2000
Amikor valaki hajlamosabb emlékezni,
12:00
we can give them a nugget in a window.
299
720260
2000
tudunk adni neki egy morzsát ebben a szakaszban.
12:02
And the second thing is confidence,
300
722260
2000
A második az önbizalom,
12:04
that we can see how game-playing and reward structures
301
724260
2000
láthatjuk, ahogy a játék és a jutalomszerkezetek
12:06
make people braver, make them more willing to take risks,
302
726260
3000
bátrabbá teszik az embereket, hajlandóbbá a kockázatvállalásra,
12:09
more willing to take on difficulty,
303
729260
2000
hajlandóbbá a nehéz feladatok elvállalására,
12:11
harder to discourage.
304
731260
2000
nehezebb őket eltántorítani.
12:13
This can all seem very sinister.
305
733260
2000
Ez elég baljósnak is tűnhet.
12:15
But you know, sort of "our brains have been manipulated; we're all addicts."
306
735260
2000
Úgy, hogy "manipulálták az agyunkat, mind függők vagyunk!"
12:17
The word "addiction" is thrown around.
307
737260
2000
A "függőség" szót nagyon gyakran hallani.
12:19
There are real concerns there.
308
739260
2000
Tényleg vannak valós problémák.
12:21
But the biggest neurological turn-on for people
309
741260
2000
De neurológiailag a legvonzóbb dolog az emberek számára
12:23
is other people.
310
743260
2000
az más emberek.
12:25
This is what really excites us.
311
745260
3000
Ez az, ami igazán izgalomba hoz minket.
12:28
In reward terms, it's not money;
312
748260
2000
A jutalom szintjén ez nem pénz,
12:30
it's not being given cash -- that's nice --
313
750260
3000
nem a készpénz -- bár ez is jó --
12:33
it's doing stuff with our peers,
314
753260
2000
hanem a társainkkal együtt csinálni valamit,
12:35
watching us, collaborating with us.
315
755260
2000
egymást figyelni, együttműködni.
12:37
And I want to tell you a quick story about 1999 --
316
757260
2000
El akarok mondani egy rövid történetet 1999-ből --
12:39
a video game called EverQuest.
317
759260
2000
egy EverQuest nevű videojátékról.
12:41
And in this video game,
318
761260
2000
Ebben a játékban volt két
12:43
there were two really big dragons, and you had to team up to kill them --
319
763260
3000
hatalmas sárkány, és össze kellett fogni, hogy megöljék őket --
12:46
42 people, up to 42 to kill these big dragons.
320
766260
3000
akár 42 ember is megölhette ezeket a nagy sárkányokat.
12:49
That's a problem
321
769260
2000
Ez egy probléma,
12:51
because they dropped two or three decent items.
322
771260
3000
mert csak két-három rendes cuccot ejtettek el.
12:54
So players addressed this problem
323
774260
3000
A játékosok úgy oldották meg ezt a problémát,
12:57
by spontaneously coming up with a system
324
777260
2000
hogy spontán kialakítottak egy rendszert arra,
12:59
to motivate each other,
325
779260
2000
hogy motiválják egymást,
13:01
fairly and transparently.
326
781260
2000
tisztességesen és átlátszóan.
13:03
What happened was, they paid each other a virtual currency
327
783260
3000
Az történt, hogy egy virtuális pénznemmel fizették ki egymást,
13:06
they called "dragon kill points."
328
786260
3000
amit "sárkányölő pontoknak" neveztek.
13:09
And every time you turned up to go on a mission,
329
789260
2000
És valahányszor megjelentél egy küldetésen,
13:11
you got paid in dragon kill points.
330
791260
2000
sárkányölő pontokban kaptál fizetést.
13:13
They tracked these on a separate website.
331
793260
2000
Ezeket egy külön weboldalon vezették.
13:15
So they tracked their own private currency,
332
795260
2000
Szóval követték a saját pénznemüket,
13:17
and then players could bid afterwards
333
797260
2000
és aztán a játékosok licitálhattak
13:19
for cool items they wanted --
334
799260
2000
a tárgyakra, amiket akartak --
13:21
all organized by the players themselves.
335
801260
2000
és mindezt maguk a játékosok szervezték.
13:23
Now the staggering system, not just that this worked in EverQuest,
336
803260
3000
Az elképesztő az, hogy ez nemcsak hogy működött az EverQuestben,
13:26
but that today, a decade on,
337
806260
2000
hanem hogy ma, egy évtizeddel később,
13:28
every single video game in the world with this kind of task
338
808260
3000
minden egyes videojáték a világon ehhez a fajta feladathoz
13:31
uses a version of this system --
339
811260
2000
ennek a rendszernek egy változatát használja --
13:33
tens of millions of people.
340
813260
2000
több tízmillió ember.
13:35
And the success rate
341
815260
2000
És a sikerarány
13:37
is at close to 100 percent.
342
817260
2000
közel van a 100 százalékhoz.
13:39
This is a player-developed,
343
819260
2000
Ez egy játékosok által fejlesztett,
13:41
self-enforcing, voluntary currency,
344
821260
3000
önmegerősítő, önkéntes pénznem,
13:44
and it's incredibly sophisticated
345
824260
2000
és ez hihtetlenül kifinomult
13:46
player behavior.
346
826260
2000
játékos viselkedés.
13:50
And I just want to end by suggesting
347
830260
2000
És befejezésképpen csak javasolni szeretnék
13:52
a few ways in which these principles
348
832260
2000
néhány módot arra, hogy ezek az elvek
13:54
could fan out into the world.
349
834260
2000
hogyan érvényesülhetnek a való világban.
13:56
Let's start with business.
350
836260
2000
Kezdjük az üzlettel.
13:58
I mean, we're beginning to see some of the big problems
351
838260
2000
Kezdjük észrevenni, hogy néhány súlyos probléma
14:00
around something like business are
352
840260
2000
az üzleti életben az újrahasznosítás
14:02
recycling and energy conservation.
353
842260
2000
és energiatakarékosság körül van.
14:04
We're beginning to see the emergence of wonderful technologies
354
844260
2000
Látjuk az olyan csodálatos technikák megjelenítését,
14:06
like real-time energy meters.
355
846260
2000
mint a valós idejű energiamérő.
14:08
And I just look at this, and I think, yes,
356
848260
2000
És én csak ránézek erre, és arra gondolok,
14:10
we could take that so much further
357
850260
3000
hogy ezt milyen messzire vihetnénk még
14:13
by allowing people to set targets
358
853260
2000
azáltal, hogy lehetővé tesszük az embereknek,
14:15
by setting calibrated targets,
359
855260
2000
hogy kalibrált célokat tűzzenek ki,
14:17
by using elements of uncertainty,
360
857260
3000
a bizonytalanság elemét felhasználva,
14:20
by using these multiple targets,
361
860260
2000
többszörös célokat felhasználva,
14:22
by using a grand, underlying reward and incentive system,
362
862260
3000
az egy nagy jutalom és az ösztönzés rendszerét felhasználva,
14:25
by setting people up
363
865260
2000
megszervezve, hogy az emberek
14:27
to collaborate in terms of groups, in terms of streets
364
867260
2000
csoportokban együttműködjenek, utcák szerint,
14:29
to collaborate and compete,
365
869260
2000
hogy együttműködjenek és versenyezzenek,
14:31
to use these very sophisticated
366
871260
2000
hogy ezeket a nagyon kifinomult
14:33
group and motivational mechanics we see.
367
873260
2000
csoport és motivációs mechanizmusokat használják, amiket láttunk.
14:35
In terms of education,
368
875260
2000
Az oktatás tekintetében,
14:37
perhaps most obviously of all,
369
877260
2000
ami talán mind közül a legnyilvánvalóbb,
14:39
we can transform how we engage people.
370
879260
3000
forradalmasíthatjuk, hogy hogyan kötjük le az embereket.
14:42
We can offer people the grand continuity
371
882260
2000
A tapasztalat és a személyes erőfeszítés
14:44
of experience and personal investment.
372
884260
3000
folytonosságát kínálhatjuk az embereknek.
14:47
We can break things down
373
887260
2000
Lebonthatjuk a dolgokat
14:49
into highly calibrated small tasks.
374
889260
2000
pontosan kiszámított kisebb feladatokra.
14:51
We can use calculated randomness.
375
891260
2000
Használhatjuk a kiszámított véletlenszerűséget.
14:53
We can reward effort consistently
376
893260
2000
Következetesen jutalmazhatjuk az erőfeszítést,
14:55
as everything fields together.
377
895260
3000
ahogy minden összejátszik.
14:58
And we can use the kind of group behaviors
378
898260
2000
És kihasználhatjuk azokat a csoportos viselkedésformákat,
15:00
that we see evolving when people are at play together,
379
900260
3000
amiket akkor látunk megjelenni, amikor az emberek együtt játszanak,
15:03
these really quite unprecedentedly complex
380
903260
3000
ezeket a sohasem látott bonyolultságú
15:06
cooperative mechanisms.
381
906260
2000
együttműködési mechanizmusokat.
15:08
Government, well, one thing that comes to mind
382
908260
2000
Kormányzás, nos, egy dolog ami rögtön eszembe jut,
15:10
is the U.S. government, among others,
383
910260
3000
hogy az USA kormánya, többek között,
15:13
is literally starting to pay people
384
913260
2000
elkezdett szó szerint fizetni azért,
15:15
to lose weight.
385
915260
2000
hogy az emberek lefogyjanak.
15:17
So we're seeing financial reward being used
386
917260
2000
Azt látjuk, hogy pénzbeli jutalmat használnak arra,
15:19
to tackle the great issue of obesity.
387
919260
2000
hogy a túlsúlyosság problémáját megoldják.
15:21
But again, those rewards
388
921260
2000
De megintcsak, ezeket a jutalmakat
15:23
could be calibrated so precisely
389
923260
3000
olyan pontosan lehetne kalibrálni,
15:26
if we were able to use the vast expertise
390
926260
3000
ha képesek lennénk arra használni a játékrendszerek
15:29
of gaming systems to just jack up that appeal,
391
929260
3000
rengeteg tapasztalatát, hogy vonzóbbá tegyük,
15:32
to take the data, to take the observations,
392
932260
2000
hogy fogjuk az adatokat, a megfigyeléseket,
15:34
of millions of human hours
393
934260
2000
több millió emberi óra után,
15:36
and plow that feedback
394
936260
2000
és hogy ezt a visszajelzést befektessük
15:38
into increasing engagement.
395
938260
2000
az egyre nagyobb fokú lekötöttségbe.
15:40
And in the end, it's this word, "engagement,"
396
940260
3000
És végül ezzel a kifejezéssel, a "lekötöttséggel"
15:43
that I want to leave you with.
397
943260
2000
szeretnék búcsúzni.
15:45
It's about how individual engagement
398
945260
2000
Arról szól, hogy egy egyén lekötöttsége
15:47
can be transformed
399
947260
2000
hogyan alakítható át
15:49
by the psychological and the neurological lessons
400
949260
3000
pszichológiai és neurológiai leckék felhasználásával,
15:52
we can learn from watching people that are playing games.
401
952260
3000
amiket abból tanulunk, hogy megfigyeljük az embereket játék közben.
15:55
But it's also about collective engagement
402
955260
3000
De a csoportos lekötöttségről is szó van,
15:58
and about the unprecedented laboratory
403
958260
3000
és arról a sohasem látott laboratóriumról arra,
16:01
for observing what makes people tick
404
961260
2000
hogy megfigyeljük, hogy mi mozgatja az embereket,
16:03
and work and play and engage
405
963260
2000
és ösztönzi a munkára, játékra és részvételre
16:05
on a grand scale in games.
406
965260
3000
hatalmas mértékben a játékokban.
16:08
And if we can look at these things and learn from them
407
968260
3000
És ha tanulmányozni tudjuk ezeket a dolgokat és tanulni belőlük,
16:11
and see how to turn them outwards,
408
971260
2000
és megtudjuk, hogy hogyan fordítsuk őket kifelé,
16:13
then I really think we have something quite revolutionary on our hands.
409
973260
3000
akkor azt hiszem egy tényleg forradalmi eszköz lesz a kezünkben.
16:16
Thank you very much.
410
976260
2000
Nagyon köszönöm.
16:18
(Applause)
411
978260
4000
(Taps)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7