Deb Roy: The birth of a word

401,416 views ・ 2011-03-14

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Melissa Csikszentmihályi Lektor: Regina Saphier
00:15
Imagine if you could record your life --
0
15260
4000
Képzeljük el, mi lenne, ha rögzíthetnénk az életünket -
00:19
everything you said, everything you did,
1
19260
3000
mindent, amit mondtunk, mindent amit tettünk,
00:22
available in a perfect memory store at your fingertips,
2
22260
3000
mindezt egy bármikor elérhető, tökéletes memóriában tárolnánk,
00:25
so you could go back
3
25260
2000
hogy később visszatekinthessünk
00:27
and find memorable moments and relive them,
4
27260
3000
az emlékezetes pillanatokra és újraélhessük őket,
00:30
or sift through traces of time
5
30260
3000
vagy végigpásztázhassunk bizonyos időszakokat,
00:33
and discover patterns in your own life
6
33260
2000
hogy felfedezzük saját életünk bizonyos visszatérő jellegzetességeit,
00:35
that previously had gone undiscovered.
7
35260
3000
amelyeket korábban nem ismertünk fel.
00:38
Well that's exactly the journey
8
38260
2000
Pontosan ez az a kaland,
00:40
that my family began
9
40260
2000
melybe a családommal belevágtunk
00:42
five and a half years ago.
10
42260
2000
öt és fél évvel ezelőtt.
00:44
This is my wife and collaborator, Rupal.
11
44260
3000
Ez itt a feleségem, Rupal, aki szintén részt vesz a kutatásban.
00:47
And on this day, at this moment,
12
47260
2000
Ezen a napon, ebben a pillanatban,
00:49
we walked into the house with our first child,
13
49260
2000
léptünk be a házunkba az első gyermekünkkel,
00:51
our beautiful baby boy.
14
51260
2000
a gyönyörű kisfiúnkkal.
00:53
And we walked into a house
15
53260
3000
Egy olyan házba léptünk be,
00:56
with a very special home video recording system.
16
56260
4000
amelynek egy nagyon különleges házi videó kamerarendszere van.
01:07
(Video) Man: Okay.
17
67260
2000
(Videó) Férfi: Rendben.
01:10
Deb Roy: This moment
18
70260
1000
Deb Roy: Ezt a pillanatot
01:11
and thousands of other moments special for us
19
71260
3000
és sok ezer más, számunkra különleges pillanatot
01:14
were captured in our home
20
74260
2000
rögzített a házunkban,
01:16
because in every room in the house,
21
76260
2000
mert a házunk minden egyes szobájában,
01:18
if you looked up, you'd see a camera and a microphone,
22
78260
3000
ha felnéznek, láthatnak egy kamerát és egy mikrofont.
01:21
and if you looked down,
23
81260
2000
Ha pedig lefelé tekintenek,
01:23
you'd get this bird's-eye view of the room.
24
83260
2000
láthatják a szoba képét madártávlatból.
01:25
Here's our living room,
25
85260
3000
Ez itt a nappalink,
01:28
the baby bedroom,
26
88260
3000
a kisbaba hálószobája,
01:31
kitchen, dining room
27
91260
2000
konyha, étkező
01:33
and the rest of the house.
28
93260
2000
és a ház többi része.
01:35
And all of these fed into a disc array
29
95260
3000
A videó felvételek egy olyan számítógépes lemezre kerültek,
01:38
that was designed for a continuous capture.
30
98260
3000
amelyet folyamatos rögzítésre terveztek.
01:41
So here we are flying through a day in our home
31
101260
3000
Végigpörgetjük a házunkban zajlott napi eseményeket
01:44
as we move from sunlit morning
32
104260
3000
napfelkeltétől,
01:47
through incandescent evening
33
107260
2000
a kivilágított estéken át
01:49
and, finally, lights out for the day.
34
109260
3000
a sötét éjszakáig.
01:53
Over the course of three years,
35
113260
3000
Három éven keresztül
01:56
we recorded eight to 10 hours a day,
36
116260
2000
napi 8-10 órányi felvételt készítettünk,
01:58
amassing roughly a quarter-million hours
37
118260
3000
ami nagyjából negyed millió órányi
02:01
of multi-track audio and video.
38
121260
3000
többsávos hang és képfelvételt jelent.
02:04
So you're looking at a piece of what is by far
39
124260
2000
Szóval, amit ma láthatnak, az messze
02:06
the largest home video collection ever made.
40
126260
2000
a legnagyobb házi videó gyűjtemény.
02:08
(Laughter)
41
128260
3000
(Nevetés)
02:11
And what this data represents
42
131260
2000
Amit ezek az adatok
02:13
for our family at a personal level,
43
133260
4000
a családunk számára személyesen képviselnek,
02:17
the impact has already been immense,
44
137260
2000
a hatásuk valójában felbecsülhetetlenül nagy,
02:19
and we're still learning its value.
45
139260
3000
de minden nappal egyre jobban értékeljük.
02:22
Countless moments
46
142260
2000
Számtalan pillanat,
02:24
of unsolicited natural moments, not posed moments,
47
144260
3000
méghozzá nem várt, természetes, nem beállított pillanatok
02:27
are captured there,
48
147260
2000
kerültek felvételre,
02:29
and we're starting to learn how to discover them and find them.
49
149260
3000
és kezdjük megtanulni, hogyan fedezzük fel őket újra.
02:32
But there's also a scientific reason that drove this project,
50
152260
3000
De volt ennek a projektnek egy tudományos oka is,
02:35
which was to use this natural longitudinal data
51
155260
4000
amely során fel akartuk használni ezt az adathalmazt,
02:39
to understand the process
52
159260
2000
hogy megérthessük azt a folyamatot
02:41
of how a child learns language --
53
161260
2000
amely során egy gyermek,
02:43
that child being my son.
54
163260
2000
méghozzá az én fiam - megtanulja a nyelvet -
02:45
And so with many privacy provisions put in place
55
165260
4000
Így a magánszférát tiszteletben tartó korlátozásokkal,
02:49
to protect everyone who was recorded in the data,
56
169260
3000
a felvett személyek adatainak védelmében,
02:52
we made elements of the data available
57
172260
3000
az adatok egy részét elérhetővé tettük
02:55
to my trusted research team at MIT
58
175260
3000
az MIT egyetemen működő kutatócsoportom számára.
02:58
so we could start teasing apart patterns
59
178260
3000
Mindezt azért, hogy ebben a hatalmas adattömegben
03:01
in this massive data set,
60
181260
3000
felismerhessük azokat a mintákat,
03:04
trying to understand the influence of social environments
61
184260
3000
melyek segítenek megérteni a társadalmi környezet
03:07
on language acquisition.
62
187260
2000
nyelvelsajátításra gyakorolt hatását.
03:09
So we're looking here
63
189260
2000
Itt az egyik legelső
03:11
at one of the first things we started to do.
64
191260
2000
próbálkozásunkat láthatják.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
193260
4000
Feleségemmel reggelit készítünk a konyhában.
03:17
and as we move through space and through time,
66
197260
3000
Egy nagyon mindennapos konyhai jelenetet láthatunk
03:20
a very everyday pattern of life in the kitchen.
67
200260
3000
térben és időben haladva.
03:23
In order to convert
68
203260
2000
Annak érdekében,
03:25
this opaque, 90,000 hours of video
69
205260
3000
hogy ezt az elmosódott 90 000 órányi videót
03:28
into something that we could start to see,
70
208260
2000
vizsgálhatóvá tehessük,
03:30
we use motion analysis to pull out,
71
210260
2000
mozgáselemzést használtunk, hogy
03:32
as we move through space and through time,
72
212260
2000
láthatóvá tegyük, hogyan mozgunk térben és időben.
03:34
what we call space-time worms.
73
214260
3000
Mi ezeket tér-idő kukacoknak nevezzük.
03:37
And this has become part of our toolkit
74
217260
3000
Ez adta meg az eszközt ahhoz,
03:40
for being able to look and see
75
220260
3000
hogy megláthassuk,
03:43
where the activities are in the data,
76
223260
2000
hol vannak a fontos cselekmények az adatokban,
03:45
and with it, trace the pattern of, in particular,
77
225260
3000
majd ezzel nyomon követhettük különösen
03:48
where my son moved throughout the home,
78
228260
2000
a fiamat, merre mozgott a házon belül,
03:50
so that we could focus our transcription efforts,
79
230260
3000
hogy így összpontosíthassunk az átírásra,
03:53
all of the speech environment around my son --
80
233260
3000
a fiamat körülvevő beszédközegre --
03:56
all of the words that he heard from myself, my wife, our nanny,
81
236260
3000
minden egyes szóra, amit tőlem, a feleségemtől, vagy a bébiszittertől hallott,
03:59
and over time, the words he began to produce.
82
239260
3000
illetve egy idő után a szavakra, amiket ő alkotott.
04:02
So with that technology and that data
83
242260
3000
Szóval a technológiával és az adatokkal,
04:05
and the ability to, with machine assistance,
84
245260
2000
és azzal a képességgel, hogy számítógépes segítséggel
04:07
transcribe speech,
85
247260
2000
leírhatjuk a beszédet,
04:09
we've now transcribed
86
249260
2000
több mint 7 millió otthonunkban elhangzott szót
04:11
well over seven million words of our home transcripts.
87
251260
3000
írtunk le.
04:14
And with that, let me take you now
88
254260
2000
Hadd kalauzoljam végig önöket
04:16
for a first tour into the data.
89
256260
3000
az adatok világába vezető első utunkon.
04:19
So you've all, I'm sure,
90
259260
2000
Biztos vagyok benne, hogy
04:21
seen time-lapse videos
91
261260
2000
mindannyian láttak már gyorsított videó felvételeket,
04:23
where a flower will blossom as you accelerate time.
92
263260
3000
például ahogy egy növény gyorsítva kivirágzik.
04:26
I'd like you to now experience
93
266260
2000
Szeretném megmutatni, milyen
04:28
the blossoming of a speech form.
94
268260
2000
a beszéd kivirágzása.
04:30
My son, soon after his first birthday,
95
270260
2000
A fiam nem sokkal az első születésnapja után
04:32
would say "gaga" to mean water.
96
272260
3000
a "gaagaa" szót kezdte használni a water, azaz a víz szóra.
04:35
And over the course of the next half-year,
97
275260
3000
A következő fél év során,
04:38
he slowly learned to approximate
98
278260
2000
lassan megtanulta, hogy megközelítse
04:40
the proper adult form, "water."
99
280260
3000
a helyes felnőtt formát: "water".
04:43
So we're going to cruise through half a year
100
283260
2000
Tehát most végigrepülünk egy fél éven
04:45
in about 40 seconds.
101
285260
2000
mintegy 40 másodperc alatt.
04:47
No video here,
102
287260
2000
Itt nincs videó,
04:49
so you can focus on the sound, the acoustics,
103
289260
3000
hogy a hangra és az akusztikára összpontosíthassunk,
04:52
of a new kind of trajectory:
104
292260
2000
milyen pályát írt le ez a szóképzés:
04:54
gaga to water.
105
294260
2000
a gaga hogy vált "water"-é.
04:56
(Audio) Baby: Gagagagagaga
106
296260
12000
(Hang) Baba: Gagagagaga
05:08
Gaga gaga gaga
107
308260
4000
Gaga gaga gaga
05:12
guga guga guga
108
312260
5000
guga guga guga
05:17
wada gaga gaga guga gaga
109
317260
5000
wada gaga gag guga gaga
05:22
wader guga guga
110
322260
4000
wader guga guga
05:26
water water water
111
326260
3000
water water water
05:29
water water water
112
329260
6000
water water water
05:35
water water
113
335260
4000
water water
05:39
water.
114
339260
2000
water.
05:41
DR: He sure nailed it, didn't he.
115
341260
2000
DR: Csak eltalálta, nem?
05:43
(Applause)
116
343260
7000
(Taps)
05:50
So he didn't just learn water.
117
350260
2000
Persze nem csak a víz szót tanulta meg.
05:52
Over the course of the 24 months,
118
352260
2000
Íme a 24 hónap,
05:54
the first two years that we really focused on,
119
354260
3000
azaz az első két év, amire nagyon összpontosítottunk,
05:57
this is a map of every word he learned in chronological order.
120
357260
4000
ez az elsajátított szavainak térképe időrendi sorrendben.
06:01
And because we have full transcripts,
121
361260
3000
Mivel megvan a teljes szöveg leirat,
06:04
we've identified each of the 503 words
122
364260
2000
felismertük mind az 503 szót,
06:06
that he learned to produce by his second birthday.
123
366260
2000
amit a 2. születésnapja előtt tanult meg kiejteni.
06:08
He was an early talker.
124
368260
2000
Korán kezdett beszélni.
06:10
And so we started to analyze why.
125
370260
3000
Ezután azt kezdtük vizsgálni, miért.
06:13
Why were certain words born before others?
126
373260
3000
Miért születtek meg bizonyos szavak előbb, mint mások?
06:16
This is one of the first results
127
376260
2000
Ez a legkorábbi eredményeink egyike,
06:18
that came out of our study a little over a year ago
128
378260
2000
amit körülbelül egy éve hoztunk nyilvánosságra,
06:20
that really surprised us.
129
380260
2000
és bennünket is meglepett.
06:22
The way to interpret this apparently simple graph
130
382260
3000
Ezt a látszólag egyszerű grafikont úgy értelmezzük,
06:25
is, on the vertical is an indication
131
385260
2000
hogy a függőleges mutató
06:27
of how complex caregiver utterances are
132
387260
3000
azt jelzi, hogy hosszuk alapján,
06:30
based on the length of utterances.
133
390260
2000
milyen összetettségűek ezek a gyerekfelügyelők általi megnyilvánulások.
06:32
And the [horizontal] axis is time.
134
392260
3000
A függőleges az idő tengelye.
06:35
And all of the data,
135
395260
2000
Minden adatot
06:37
we aligned based on the following idea:
136
397260
3000
a következő elgondolás mentén rendeztük:
06:40
Every time my son would learn a word,
137
400260
3000
Valahányszor a fiam egy szót tanul,
06:43
we would trace back and look at all of the language he heard
138
403260
3000
visszamenőlegesen nyomon követjük, megnézzük, addigi nyelvtanulása során
06:46
that contained that word.
139
406260
2000
mikor hallotta a szót.
06:48
And we would plot the relative length of the utterances.
140
408260
4000
Fel szeretnénk térképezni, mi a hangképzések relatív hossza.
06:52
And what we found was this curious phenomena,
141
412260
3000
Rájöttünk arra, hogy létezik egy olyan jelenség,
06:55
that caregiver speech would systematically dip to a minimum,
142
415260
3000
mely során a gyerekhez való beszédmód szisztematikusan
06:58
making language as simple as possible,
143
418260
3000
és a lehető legnagyobb mértékben leegyszerűsödik,
07:01
and then slowly ascend back up in complexity.
144
421260
3000
a későbbiek folyamán pedig lassan és fokozatosan újra összetetté válik.
07:04
And the amazing thing was
145
424260
2000
Az volt a csodálatos,
07:06
that bounce, that dip,
146
426260
2000
hogy az ugrás, az a hiátus
07:08
lined up almost precisely
147
428260
2000
szinte egy az egyben igazodott
07:10
with when each word was born --
148
430260
2000
az egyes szavak születéséhez --
07:12
word after word, systematically.
149
432260
2000
sorjában, szisztematikusan.
07:14
So it appears that all three primary caregivers --
150
434260
2000
Az derült ki tehát, hogy mind a három elsődleges gyermekfelügyelő --
07:16
myself, my wife and our nanny --
151
436260
3000
én, a feleségem és a dajkánk --
07:19
were systematically and, I would think, subconsciously
152
439260
3000
mindannyian szisztematikusan, és mondhatnám önkéntelenül
07:22
restructuring our language
153
442260
2000
átstrukturáltuk a nyelvünket
07:24
to meet him at the birth of a word
154
444260
3000
oly módon, hogy idomuljunk a gyerekhez az új szavak születésekor
07:27
and bring him gently into more complex language.
155
447260
4000
és finoman bevezessük az összetettebb nyelvbe.
07:31
And the implications of this -- there are many,
156
451260
2000
Ennek következménye - sok van,
07:33
but one I just want to point out,
157
453260
2000
de amit ki szeretnék emelni,
07:35
is that there must be amazing feedback loops.
158
455260
3000
az, hogy elképesztő visszajelző hurkok működnek (ebben a folyamatban).
07:38
Of course, my son is learning
159
458260
2000
A fiam természetesen
07:40
from his linguistic environment,
160
460260
2000
a nyelvi környezetén keresztül tanul,
07:42
but the environment is learning from him.
161
462260
3000
de a környezet is tanul tőle.
07:45
That environment, people, are in these tight feedback loops
162
465260
3000
A környezete, az emberek, ebben a szoros visszajelző hurok rendszerben,
07:48
and creating a kind of scaffolding
163
468260
2000
egyfajta mankóul szolgálnak,
07:50
that has not been noticed until now.
164
470260
3000
és ezt eddig nem vettük észre.
07:54
But that's looking at the speech context.
165
474260
2000
Ennyit tehát a beszéd kontextusáról.
07:56
What about the visual context?
166
476260
2000
Hogy állunk a vizuális kontextussal?
07:58
We're not looking at --
167
478260
2000
Ezt nem (közvetlenül, nem ránézésre) vizsgáljuk --
08:00
think of this as a dollhouse cutaway of our house.
168
480260
2000
mondjuk, hogy ez a házunktól elkülönített babaház.
08:02
We've taken those circular fish-eye lens cameras,
169
482260
3000
Halszem-objektívvel ellátott kamerával dolgoztunk,
08:05
and we've done some optical correction,
170
485260
2000
végeztünk némi optikai korrekciót,
08:07
and then we can bring it into three-dimensional life.
171
487260
4000
hogy három dimenzióssá tehessük.
08:11
So welcome to my home.
172
491260
2000
Üdvözöljük otthonunkban!
08:13
This is a moment,
173
493260
2000
Ez egy perc,
08:15
one moment captured across multiple cameras.
174
495260
3000
különböző kamerák által együttesen rögzítve.
08:18
The reason we did this is to create the ultimate memory machine,
175
498260
3000
Mindezt azért csináltuk, hogy létrehozzuk a mindenkori memóriagépet,
08:21
where you can go back and interactively fly around
176
501260
3000
mellyel visszamehetünk, és interaktív módon repülhetünk
08:24
and then breathe video-life into this system.
177
504260
3000
majd videó-életet lehelhetünk a rendszerbe.
08:27
What I'm going to do
178
507260
2000
Most pedig egy
08:29
is give you an accelerated view of 30 minutes,
179
509260
3000
30 perces felgyorsított felvételt mutatok,
08:32
again, of just life in the living room.
180
512260
2000
mely ugyancsak a nagyszobában készült.
08:34
That's me and my son on the floor.
181
514260
3000
Ez a fiam és én a földön.
08:37
And there's video analytics
182
517260
2000
Videós analitika
08:39
that are tracking our movements.
183
519260
2000
követi nyomon a mozgásunkat.
08:41
My son is leaving red ink. I am leaving green ink.
184
521260
3000
A fiamat jelöli a vörös, engem a zöld.
08:44
We're now on the couch,
185
524260
2000
Most a kanapén vagyunk,
08:46
looking out through the window at cars passing by.
186
526260
3000
a kint elsuhanó kocsikat nézzük.
08:49
And finally, my son playing in a walking toy by himself.
187
529260
3000
Itt pedig végül a fiam, amint magában játszik.
08:52
Now we freeze the action, 30 minutes,
188
532260
3000
Most kimerevítjük a képet, 30 perc,
08:55
we turn time into the vertical axis,
189
535260
2000
megnézzük az időt a függőleges tengelyen,
08:57
and we open up for a view
190
537260
2000
és várjuk, mit mutatnak
08:59
of these interaction traces we've just left behind.
191
539260
3000
az épp folytatott tevékenységek jelzései.
09:02
And we see these amazing structures --
192
542260
3000
Látjuk ezeket a csodálatos szerkezeteket --
09:05
these little knots of two colors of thread
193
545260
3000
a két színes fonalra kötött kis csomót,
09:08
we call "social hot spots."
194
548260
2000
amit mi társas forró pontnak nevezünk.
09:10
The spiral thread
195
550260
2000
A spirál-szerű fonalat
09:12
we call a "solo hot spot."
196
552260
2000
szóló forró pontnak nevezzük.
09:14
And we think that these affect the way language is learned.
197
554260
3000
Úgy látjuk, ez az, ami befolyásolja a nyelvtanulást.
09:17
What we'd like to do
198
557260
2000
Igazán szeretnénk
09:19
is start understanding
199
559260
2000
megérteni, milyen viszonyban
09:21
the interaction between these patterns
200
561260
2000
vannak ezek a minták
09:23
and the language that my son is exposed to
201
563260
2000
a fiam által használt nyelvvel,
09:25
to see if we can predict
202
565260
2000
hogy lássuk, vajon meg tudjuk-e mondani előre,
09:27
how the structure of when words are heard
203
567260
2000
hogy a hallott szó szerkezetének
09:29
affects when they're learned --
204
569260
2000
van-e hatása arra, ahogy tanulja --
09:31
so in other words, the relationship
205
571260
2000
más szóval a szavak
09:33
between words and what they're about in the world.
206
573260
4000
közötti viszonyra és a világban betöltött szerepükre.
09:37
So here's how we're approaching this.
207
577260
2000
Így közelítjük tehát meg:
09:39
In this video,
208
579260
2000
Ebben a videóban is
09:41
again, my son is being traced out.
209
581260
2000
a fiamat követjük nyomon.
09:43
He's leaving red ink behind.
210
583260
2000
A vörös "tinta" őt jelöli.
09:45
And there's our nanny by the door.
211
585260
2000
A dajkánk az ajtónál áll.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
587260
3000
(Videó) Dajka: Akarsz vizet? (Bébi: Aaaa)
09:50
Nanny: All right. (Baby: Aaaa.)
213
590260
3000
Dajka: Jó (Bébi: Aaaa)
09:53
DR: She offers water,
214
593260
2000
DR: Vízzel kínálja,
09:55
and off go the two worms
215
595260
2000
és a két "kukac"
09:57
over to the kitchen to get water.
216
597260
2000
a konyhába megy vízért.
09:59
And what we've done is use the word "water"
217
599260
2000
Azt csináltuk, hogy a "water" szót használva
10:01
to tag that moment, that bit of activity.
218
601260
2000
felcímkéztük ezt a percet, ezt a cselekvési mozzanatot.
10:03
And now we take the power of data
219
603260
2000
Most pedig vesszük az adatokat,
10:05
and take every time my son
220
605260
3000
és megnézünk minden egyes alkalmat,
10:08
ever heard the word water
221
608260
2000
amikor a fiam előtt elhangzott a water szó,
10:10
and the context he saw it in,
222
610260
2000
és az elhangzott szövegkörnyezetet,
10:12
and we use it to penetrate through the video
223
612260
3000
és áthatolunk a videón, és megkeressük
10:15
and find every activity trace
224
615260
3000
az összes ilyen esetet,
10:18
that co-occurred with an instance of water.
225
618260
3000
melyben előfordul a water szó.
10:21
And what this data leaves in its wake
226
621260
2000
Amit ez az adat közöl velünk az
10:23
is a landscape.
227
623260
2000
egyfajta tájkép.
10:25
We call these wordscapes.
228
625260
2000
Szótájképnek nevezzük.
10:27
This is the wordscape for the word water,
229
627260
2000
Ez a water szó szótájképe,
10:29
and you can see most of the action is in the kitchen.
230
629260
2000
és láthatjuk, hogy a hozzáfűződő tevékenységek zömmel a konyhában zajlanak.
10:31
That's where those big peaks are over to the left.
231
631260
3000
A baloldali csúcsok jelzik ezeket.
10:34
And just for contrast, we can do this with any word.
232
634260
3000
Összehasonlításképpen mondom, ez bármilyen más szóval is elvégezhető.
10:37
We can take the word "bye"
233
637260
2000
Vegyük például a "bye" szót,
10:39
as in "good bye."
234
639260
2000
ami a "good bye" része.
10:41
And we're now zoomed in over the entrance to the house.
235
641260
2000
Ez most a házunk bejárata, csak fel van nagyítva.
10:43
And we look, and we find, as you would expect,
236
643260
3000
Ha megnézzük, észrevesszük, hogy, ahogy arra számíthattunk is,
10:46
a contrast in the landscape
237
646260
2000
az előzővel ellentétben, ez, melyben
10:48
where the word "bye" occurs much more in a structured way.
238
648260
3000
a "bye" szó szerepel, sokkal rendezettebb.
10:51
So we're using these structures
239
651260
2000
Elkezdünk ezekkel a szerkezetekkel dolgozni,
10:53
to start predicting
240
653260
2000
hogy megjósoljuk
10:55
the order of language acquisition,
241
655260
3000
a nyelv elsajátításának menetét,
10:58
and that's ongoing work now.
242
658260
2000
ez pedig mostantól folyamatos munkát jelent.
11:00
In my lab, which we're peering into now, at MIT --
243
660260
3000
A labor, melybe most bekukucskálunk az MIT-n,
11:03
this is at the media lab.
244
663260
2000
itt a médialabort láthatjuk.
11:05
This has become my favorite way
245
665260
2000
Ez lett a kedvenc video-gráfiás módszerem,
11:07
of videographing just about any space.
246
667260
2000
bármilyen térről legyen szó.
11:09
Three of the key people in this project,
247
669260
2000
A projektben résztvevő három kulcsfontosságú személy,
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
671260
3000
Philip DeCamp, Rony Kubat és Brandon Roy jelenik itt meg.
11:14
Philip has been a close collaborator
249
674260
2000
Philip-pel nagyon szorosan együttműködtünk,
11:16
on all the visualizations you're seeing.
250
676260
2000
minden itt látható vizualizációnál.
11:18
And Michael Fleischman
251
678260
3000
Michael Fleischman pedig
11:21
was another Ph.D. student in my lab
252
681260
2000
egy másik PhD-s diák a laboromban,
11:23
who worked with me on this home video analysis,
253
683260
3000
akivel a házi-videó elemzéskor dolgoztam együtt,
11:26
and he made the following observation:
254
686260
3000
és az volt a megfigyelése, hogy
11:29
that "just the way that we're analyzing
255
689260
2000
"azt az elgondolást, hogy a nyelv
11:31
how language connects to events
256
691260
3000
eseményekhez fűződő viszonyát elemezzük,
11:34
which provide common ground for language,
257
694260
2000
annak érdekében, hogy a nyelv alapjait vizsgáljuk,
11:36
that same idea we can take out of your home, Deb,
258
696260
4000
kivihetnénk az otthonodból, Deb,
11:40
and we can apply it to the world of public media."
259
700260
3000
és alkalmazhatjuk a nyilvános média világában is."
11:43
And so our effort took an unexpected turn.
260
703260
3000
Erőfeszítéseink váratlan fordulatot vettek.
11:46
Think of mass media
261
706260
2000
Gondoljunk csak a tömegmédiára,
11:48
as providing common ground
262
708260
2000
mely szintén egy közös alapot szolgáltat,
11:50
and you have the recipe
263
710260
2000
és a recept nálunk van arra,
11:52
for taking this idea to a whole new place.
264
712260
3000
hogy ezt az elgondolást egy teljesen új területen használjuk.
11:55
We've started analyzing television content
265
715260
3000
Elkezdtünk televíziós tartalmak elemzésével foglalkozni,
11:58
using the same principles --
266
718260
2000
ugyanennek az elvnek a felhasználásával --
12:00
analyzing event structure of a TV signal --
267
720260
3000
a TV-szignálok esemény rendszerének elemzésével --
12:03
episodes of shows,
268
723260
2000
show műsorok epizódjaival,
12:05
commercials,
269
725260
2000
reklámokkal,
12:07
all of the components that make up the event structure.
270
727260
3000
az eseményeket felépítő elemekkel.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
730260
3000
Most meg itt állunk műhold vevőkkel felszerelve, ízekre szedjük,
12:13
a good part of all the TV being watched in the United States.
272
733260
3000
úgy elemezzük az Egyesült Államok összes adását.
12:16
And you don't have to now go and instrument living rooms with microphones
273
736260
3000
Ehhez még csak fel sem kell szerelni a nappalit mikrofonokkal,
12:19
to get people's conversations,
274
739260
2000
hogy meglegyen az emberek beszélgetése,
12:21
you just tune into publicly available social media feeds.
275
741260
3000
egyszerűen nyilvános társadalmi média-adásokra hangolódunk rá.
12:24
So we're pulling in
276
744260
2000
Havonta körülbelül
12:26
about three billion comments a month,
277
746260
2000
három milliárd hozzászólást húzunk be a rendszerünkbe.
12:28
and then the magic happens.
278
748260
2000
Aztán megtörténik a csoda.
12:30
You have the event structure,
279
750260
2000
Megvan az esemény szerkezete,
12:32
the common ground that the words are about,
280
752260
2000
a televíziós adásból adódó
12:34
coming out of the television feeds;
281
754260
3000
szavak közös alapja,
12:37
you've got the conversations
282
757260
2000
megvannak a beszélgetések
12:39
that are about those topics;
283
759260
2000
az adott témákban;
12:41
and through semantic analysis --
284
761260
3000
és jelentéstani vizsgálattal,
12:44
and this is actually real data you're looking at
285
764260
2000
nem mellesleg felhasználásra került
12:46
from our data processing --
286
766260
2000
valós adatokkal --
12:48
each yellow line is showing a link being made
287
768260
3000
minden egyes sárga sor
12:51
between a comment in the wild
288
771260
3000
egy a "vadonban" tett megjegyzés,
12:54
and a piece of event structure coming out of the television signal.
289
774260
3000
és a televíziós jelből kivilágló eseményszerkezet darabja közötti összefüggést mutatja.
12:57
And the same idea now
290
777260
2000
A korábban említett elvre
12:59
can be built up.
291
779260
2000
építünk.
13:01
And we get this wordscape,
292
781260
2000
Ezt a szótájképet kapjuk,
13:03
except now words are not assembled in my living room.
293
783260
3000
annyi különbséggel, hogy a szavak ezúttal nem a nappalimban hangzanak el.
13:06
Instead, the context, the common ground activities,
294
786260
4000
Ehelyett a környezet, az események közös talaja
13:10
are the content on television that's driving the conversations.
295
790260
3000
a televíziós adásban elhangzott beszélgetések tartalma.
13:13
And what we're seeing here, these skyscrapers now,
296
793260
3000
Az itt látható felhőkarcolók pedig
13:16
are commentary
297
796260
2000
a megjegyzések,
13:18
that are linked to content on television.
298
798260
2000
melyek a televízióban elhangzott tartalomhoz köthetők.
13:20
Same concept,
299
800260
2000
Az elgondolás ugyanaz,
13:22
but looking at communication dynamics
300
802260
2000
de a kommunikációs dinamizmust
13:24
in a very different sphere.
301
804260
2000
nagyon különböző légkörben vizsgáljuk.
13:26
And so fundamentally, rather than, for example,
302
806260
2000
Alapvetően tehát, ahelyett, hogy például
13:28
measuring content based on how many people are watching,
303
808260
3000
a nézettség alapján mérnénk a tartalmat,
13:31
this gives us the basic data
304
811260
2000
így olyan alapadatokhoz jutunk,
13:33
for looking at engagement properties of content.
305
813260
3000
melyek a tartalom tulajdonságaihoz kapcsolódnak.
13:36
And just like we can look at feedback cycles
306
816260
3000
Ugyanúgy, ahogy eddig visszajelzések körforgását,
13:39
and dynamics in a family,
307
819260
3000
családok dinamikáját vizsgáltuk,
13:42
we can now open up the same concepts
308
822260
3000
úgy most ugyanilyen elv alapján
13:45
and look at much larger groups of people.
309
825260
3000
egy sokkal nagyobb embercsoportot is vizsgálhatunk.
13:48
This is a subset of data from our database --
310
828260
3000
Ez az adatbázisunk egy részhalmaza --
13:51
just 50,000 out of several million --
311
831260
3000
több millióból mindössze 50 000 --
13:54
and the social graph that connects them
312
834260
2000
nyilvánosan elérhető forrásokon keresztül
13:56
through publicly available sources.
313
836260
3000
kapcsolódnak egymáshoz, ebben a szociális grafikonban.
13:59
And if you put them on one plain,
314
839260
2000
Ha egy síkba helyezzük őket,
14:01
a second plain is where the content lives.
315
841260
3000
a tartalom egy második síkban érvényes.
14:04
So we have the programs
316
844260
3000
Ott vannak tehát a programok,
14:07
and the sporting events
317
847260
2000
a sportesemények,
14:09
and the commercials,
318
849260
2000
a reklámok,
14:11
and all of the link structures that tie them together
319
851260
2000
és az összes őket összekötő kapcsolati struktúra,
14:13
make a content graph.
320
853260
2000
mely a tartalmi grafikont adja.
14:15
And then the important third dimension.
321
855260
4000
A harmadik dimenzió is fontos.
14:19
Each of the links that you're seeing rendered here
322
859260
2000
Minden itt látható, egymáshoz rendelt kapcsolat,
14:21
is an actual connection made
323
861260
2000
tulajdonképpen nem más, mint
14:23
between something someone said
324
863260
3000
valami, amit valaki mondott,
14:26
and a piece of content.
325
866260
2000
és valamilyen tartalom.
14:28
And there are, again, now tens of millions of these links
326
868260
3000
Ismétlem, több tízmillió ilyen kapocs van,
14:31
that give us the connective tissue of social graphs
327
871260
3000
ami a szociális grafikonok kötőszövetét képzi,
14:34
and how they relate to content.
328
874260
3000
és ami a tartalomhoz való kapcsolatukat adja.
14:37
And we can now start to probe the structure
329
877260
2000
Elkezdhetjük tesztelni a szerkezetet
14:39
in interesting ways.
330
879260
2000
ezzel az érdekes módszerrel például.
14:41
So if we, for example, trace the path
331
881260
3000
Tegyük fel, hogy a tartalom egy szeletének
14:44
of one piece of content
332
884260
2000
útvonalát akarjuk nyomon követni, mely
14:46
that drives someone to comment on it,
333
886260
2000
valakit megjegyzések tételére késztetett,
14:48
and then we follow where that comment goes,
334
888260
3000
s akkor azt is nyomon követjük, hogy a megjegyzés merre tart,
14:51
and then look at the entire social graph that becomes activated
335
891260
3000
majd az egész szociális grafikont látjuk, ahogy mozgásba lendül
14:54
and then trace back to see the relationship
336
894260
3000
és vissza tudunk térni oda, hogy mi a
14:57
between that social graph and content,
337
897260
2000
kapcsolat a szociális grafikon és a tartalom között,
14:59
a very interesting structure becomes visible.
338
899260
2000
és egy nagyon érdekes szerkezet bontakozik ki.
15:01
We call this a co-viewing clique,
339
901260
2000
Együttesen megtekintő klikk-nek nevezzük,
15:03
a virtual living room if you will.
340
903260
3000
virtuális nappalinak, ha úgy tetszik.
15:06
And there are fascinating dynamics at play.
341
906260
2000
Lenyűgöző dinamika zajlik, ha megfigyeljük.
15:08
It's not one way.
342
908260
2000
Nem egyirányú.
15:10
A piece of content, an event, causes someone to talk.
343
910260
3000
Egy tartalom-foszlány, egy esemény valakit beszédre késztet.
15:13
They talk to other people.
344
913260
2000
Egymáshoz beszélnek.
15:15
That drives tune-in behavior back into mass media,
345
915260
3000
A beszélgetésre hangoló viselkedés pedig visszakanyarodik a tömegmédiához,
15:18
and you have these cycles
346
918260
2000
és így körforgás alakul ki,
15:20
that drive the overall behavior.
347
920260
2000
ami serkenti a viselkedés összességét.
15:22
Another example -- very different --
348
922260
2000
Egy másik példa -- mely merőben más --
15:24
another actual person in our database --
349
924260
3000
egy adatbázisunkban lévő másik személy,
15:27
and we're finding at least hundreds, if not thousands, of these.
350
927260
3000
és legalább száz ilyen van, ha nem ezer.
15:30
We've given this person a name.
351
930260
2000
Adtunk neki egy nevet.
15:32
This is a pro-amateur, or pro-am media critic
352
932260
3000
Egy amatőr-párti, vagy pro-am médiakritikus,
15:35
who has this high fan-out rate.
353
935260
3000
aki nagyon nagy népszerűségre tett szert.
15:38
So a lot of people are following this person -- very influential --
354
938260
3000
Szóval sokan képben vannak ezt a személyt illetően -- nagyon nagy hatású --
15:41
and they have a propensity to talk about what's on TV.
355
941260
2000
és hajlamosak arra, hogy beszéljenek arról, ami a TV-ben van.
15:43
So this person is a key link
356
943260
3000
Ez a személy tehát kulcsszerepet játszik
15:46
in connecting mass media and social media together.
357
946260
3000
a tömegmédia és a szociális média összekapcsolásában.
15:49
One last example from this data:
358
949260
3000
Az utolsó ilyen adat:
15:52
Sometimes it's actually a piece of content that is special.
359
952260
3000
Néha csak egy tartalomfoszlány az, ami figyelemreméltó.
15:55
So if we go and look at this piece of content,
360
955260
4000
Ha tehát ezt a tartalom-foszlányt kezdjük vizsgálni,
15:59
President Obama's State of the Union address
361
959260
3000
Obama elnöknek az Egyesült Államokbeli felszólalását
16:02
from just a few weeks ago,
362
962260
2000
csak néhány héttel ezelőttről,
16:04
and look at what we find in this same data set,
363
964260
3000
nézzük, mi az, amit ugyanebben az adathalmazban találunk,
16:07
at the same scale,
364
967260
3000
ugyanezen a skálán,
16:10
the engagement properties of this piece of content
365
970260
2000
a tartalom-foszlány tulajdonságai közti kapcsolat
16:12
are truly remarkable.
366
972260
2000
valóban figyelemre méltó.
16:14
A nation exploding in conversation
367
974260
2000
Egy egész nemzet beszélni kezd
16:16
in real time
368
976260
2000
élőben
16:18
in response to what's on the broadcast.
369
978260
3000
az adásra válaszolva.
16:21
And of course, through all of these lines
370
981260
2000
A sorokat követve
16:23
are flowing unstructured language.
371
983260
2000
semmilyen rendszer nem fedezhető fel a nyelvben.
16:25
We can X-ray
372
985260
2000
Megröntgenezhetjük,
16:27
and get a real-time pulse of a nation,
373
987260
2000
s akkor esetleg megkapjuk
16:29
real-time sense
374
989260
2000
a nemzet aktuális pulzusát, a szociális grafikon
16:31
of the social reactions in the different circuits in the social graph
375
991260
3000
különböző áramköreinek
16:34
being activated by content.
376
994260
3000
a tartalom által kiváltott társadalmi reakcióit.
16:37
So, to summarize, the idea is this:
377
997260
3000
Összefoglalásképpen elmondhatjuk tehát, hogy az elgondolás a következő:
16:40
As our world becomes increasingly instrumented
378
1000260
3000
Ahogy a világ technikailag egyre felszereltebb,
16:43
and we have the capabilities
379
1003260
2000
képesek leszünk
16:45
to collect and connect the dots
380
1005260
2000
arra, hogy összegyűjtsük mindazt, ami az
16:47
between what people are saying
381
1007260
2000
emberek között elhangzott, és összekössük
16:49
and the context they're saying it in,
382
1009260
2000
a szövegkörnyezettel,
16:51
what's emerging is an ability
383
1011260
2000
és ez segít bennünket abban,
16:53
to see new social structures and dynamics
384
1013260
3000
hogy új, eddig felfedezetlen társadalmi
16:56
that have previously not been seen.
385
1016260
2000
szerkezeteket és mozgásokat lássunk meg.
16:58
It's like building a microscope or telescope
386
1018260
2000
Ezt egy mikroszkóp vagy teleszkóp megépítéséhez lehet hasonlítani,
17:00
and revealing new structures
387
1020260
2000
ahhoz, hogy új szerkezeteket fedezünk fel,
17:02
about our own behavior around communication.
388
1022260
3000
melyek a kommunikációnk körüli viselkedésünket érintik.
17:05
And I think the implications here are profound,
389
1025260
3000
Azt gondolom, a következmények mélyrehatóak,
17:08
whether it's for science,
390
1028260
2000
legyenek azok tudományosak,
17:10
for commerce, for government,
391
1030260
2000
kereskedelmiek, államiak
17:12
or perhaps most of all,
392
1032260
2000
vagy, ami talán mindannyiunkat érint,
17:14
for us as individuals.
393
1034260
3000
individuálisak.
17:17
And so just to return to my son,
394
1037260
3000
A fiamra visszatérve,
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1040260
3000
amikor erre az előadásra készültem, ő átnézett a vállamon,
17:23
and I showed him the clips I was going to show to you today,
396
1043260
2000
én megmutattam neki ezeket a bemutatásra kerülő videó felvételeket,
17:25
and I asked him for permission -- granted.
397
1045260
3000
kértem a jóváhagyását - megadta.
17:28
And then I went on to reflect,
398
1048260
2000
Azt is tudtára adtam, hogy
17:30
"Isn't it amazing,
399
1050260
3000
"Ez a hatalmas adatbázis,
17:33
this entire database, all these recordings,
400
1053260
3000
ez az egész felvétel-sorozat valami csodálatos,
17:36
I'm going to hand off to you and to your sister" --
401
1056260
2000
az egészet meg fogjátok kapni, te és a húgod,"
17:38
who arrived two years later --
402
1058260
3000
aki két év elteltével született.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1061260
3000
"Nektek megadatik majd a lehetőség, hogy visszatekintsetek olyan pillanatokra,
17:44
that you could never, with your biological memory,
404
1064260
3000
amelyekre a biológiai memóriátokkal
17:47
possibly remember the way you can now?"
405
1067260
2000
valószínűleg soha nem lennétek képesek, és ezeket a perceket mind újra átélhetitek."
17:49
And he was quiet for a moment.
406
1069260
2000
Egy percig csendben figyelt.
17:51
And I thought, "What am I thinking?
407
1071260
2000
Én meg arra gondoltam, "Mit nem képzelek?
17:53
He's five years old. He's not going to understand this."
408
1073260
2000
Hiszen még csak öt éves. Nem fogja megérteni, miről van szó."
17:55
And just as I was having that thought, he looked up at me and said,
409
1075260
3000
Ahogy ez járt éppen a fejemben, felnézett rám, és megszólalt:
17:58
"So that when I grow up,
410
1078260
2000
"Szóval, ha én felnövök,
18:00
I can show this to my kids?"
411
1080260
2000
megmutathatom a gyerekeimnek?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1082260
3000
És akkor belém hasított: "Nahát, ez kemény dolog."
18:05
So I want to leave you
413
1085260
2000
Végezetül hadd mutassak Önöknek
18:07
with one last memorable moment
414
1087260
2000
egy utolsó emlékezetes pillanatot a
18:09
from our family.
415
1089260
3000
családi életünkből.
18:12
This is the first time our son
416
1092260
2000
Itt történt meg az, hogy a fiúnk
18:14
took more than two steps at once --
417
1094260
2000
első alkalommal tett meg egyszerre több mint két lépést --
18:16
captured on film.
418
1096260
2000
és meg lett örökítve.
18:18
And I really want you to focus on something
419
1098260
3000
Szeretném, ha közben valamire
18:21
as I take you through.
420
1101260
2000
összpontosítanának.
18:23
It's a cluttered environment; it's natural life.
421
1103260
2000
Zsúfolt környezet; természetes életközegben.
18:25
My mother's in the kitchen, cooking,
422
1105260
2000
Anyám a konyhában főz,
18:27
and, of all places, in the hallway,
423
1107260
2000
és látni, hol máshol, mint éppen az előszobában,
18:29
I realize he's about to do it, about to take more than two steps.
424
1109260
3000
azon van, hogy megtegye, hogy megtegyen több, mint két lépést.
18:32
And so you hear me encouraging him,
425
1112260
2000
Hallani lehet a hangomat, ahogy biztatom,
18:34
realizing what's happening,
426
1114260
2000
amint rájövök, hogy mi történik,
18:36
and then the magic happens.
427
1116260
2000
és akkor egyszerre csak megtörténik a csoda.
18:38
Listen very carefully.
428
1118260
2000
Nagyon figyeljenek!
18:40
About three steps in,
429
1120260
2000
Körülbelül három lépés után
18:42
he realizes something magic is happening,
430
1122260
2000
felfogja, hogy valami csodálatos dolog történik.
18:44
and the most amazing feedback loop of all kicks in,
431
1124260
3000
És az eddigi legbámulatosabb visszajelzést adja,
18:47
and he takes a breath in,
432
1127260
2000
mély levegőt vesz,
18:49
and he whispers "wow"
433
1129260
2000
és halkan mondja "wow"
18:51
and instinctively I echo back the same.
434
1131260
4000
én pedig ösztönösen visszhangzom ezt a "wow"-t.
18:56
And so let's fly back in time
435
1136260
3000
Siessünk vissza időben
18:59
to that memorable moment.
436
1139260
2000
ehhez az emlékezetes perchez.
19:05
(Video) DR: Hey.
437
1145260
2000
(Videó) DR: Hé,
19:07
Come here.
438
1147260
2000
Gyere ide.
19:09
Can you do it?
439
1149260
3000
Na, sikerülni fog?
19:13
Oh, boy.
440
1153260
2000
Ó, fiam.
19:15
Can you do it?
441
1155260
3000
Sikerülni fog?
19:18
Baby: Yeah.
442
1158260
2000
Bébi: Igen.
19:20
DR: Ma, he's walking.
443
1160260
3000
DR: Anya, jár a gyerek!
19:24
(Laughter)
444
1164260
2000
(Nevetés)
19:26
(Applause)
445
1166260
2000
(taps)
19:28
DR: Thank you.
446
1168260
2000
DR: Köszönöm.
19:30
(Applause)
447
1170260
15000
(Taps)

Original video on YouTube.com
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