Alison Gopnik: What do babies think?

395,642 views ・ 2011-10-10

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Szabolcs Emich Lektor: Orsolya Szemere
00:15
What is going on
0
15260
2000
Mi zajlik
00:17
in this baby's mind?
1
17260
2000
ennek a babának a fejében?
00:19
If you'd asked people this 30 years ago,
2
19260
2000
Ha ezt 30 éve kérdeztük volna az emberektől,
00:21
most people, including psychologists,
3
21260
2000
a legtöbben, beleértve a pszihológusokat is,
00:23
would have said that this baby was irrational,
4
23260
3000
azt válaszolták volna, hogy ez a baba irracionális,
00:26
illogical, egocentric --
5
26260
2000
logikátlan és egocentrikus --
00:28
that he couldn't take the perspective of another person
6
28260
2000
nem képes egy másik személy perspektívájából szemlélni
00:30
or understand cause and effect.
7
30260
2000
vagy az ok-okozatokat megérteni.
00:32
In the last 20 years,
8
32260
2000
Az elmúlt 20 évben,
00:34
developmental science has completely overturned that picture.
9
34260
3000
a fejlődéstudomány teljesen felborította ezt a képet.
00:37
So in some ways,
10
37260
2000
Ma már inkább
00:39
we think that this baby's thinking
11
39260
2000
azt gondoljuk, hogy e baba gondolkodása
00:41
is like the thinking of the most brilliant scientists.
12
41260
4000
a legbrilliánsabb tudósokéhoz hasonlítható.
00:45
Let me give you just one example of this.
13
45260
2000
Engedjék meg hogy ezt bemutassam.
00:47
One thing that this baby could be thinking about,
14
47260
3000
Az egyik dolog, amin ez a baba gondolkodhat,
00:50
that could be going on in his mind,
15
50260
2000
ami a fejében járhat,
00:52
is trying to figure out
16
52260
2000
az az, hogy próbálja kitalálni,
00:54
what's going on in the mind of that other baby.
17
54260
3000
hogy az a másik baba min gondolkodhat.
00:57
After all, one of the things that's hardest for all of us to do
18
57260
3000
Tulajdonképpen az egyik legnehezebb dolog számunkra az,
01:00
is to figure out what other people are thinking and feeling.
19
60260
3000
hogy kitaláljuk mit is gondolhatnak vagy érezhetnek mások.
01:03
And maybe the hardest thing of all
20
63260
2000
És talán a legnehezebb az egészben az,
01:05
is to figure out that what other people think and feel
21
65260
3000
hogy rá kell jöjjünk, hogy amit mások gondolnak és éreznek,
01:08
isn't actually exactly like what we think and feel.
22
68260
2000
az egyáltalán nem ugyanaz, amit mi gondolunk és érzünk.
01:10
Anyone who's followed politics can testify
23
70260
2000
Bárki aki követi a politikát, igazolhatja,
01:12
to how hard that is for some people to get.
24
72260
3000
hogy milyen nehezen is megy ez egyeseknek.
01:15
We wanted to know
25
75260
2000
Mi azt szerettük volna tudni,
01:17
if babies and young children
26
77260
2000
hogy a babák és kisgyerekek vajon megértik-e
01:19
could understand this really profound thing about other people.
27
79260
3000
ezt az egészen alapvető dolgot a többi emberrel kapcsolatban.
01:22
Now the question is: How could we ask them?
28
82260
2000
A kérdés az: Hogyan kérdezzük ezt meg tőlük?
01:24
Babies, after all, can't talk,
29
84260
2000
A babák ugyebár nem tudnak beszélni
01:26
and if you ask a three year-old
30
86260
2000
és ha megkérdezünk egy háromévest
01:28
to tell you what he thinks,
31
88260
2000
arról hogy mit is gondol,
01:30
what you'll get is a beautiful stream of consciousness monologue
32
90260
3000
válaszul egy gyönyörű, tudatos monológot kapunk
01:33
about ponies and birthdays and things like that.
33
93260
3000
pónikról, születésnapokról és más hasonló dolgokról.
01:36
So how do we actually ask them the question?
34
96260
3000
Szóval hogy is tegyük fel a kérdést?
01:39
Well it turns out that the secret was broccoli.
35
99260
3000
Kiderült, hogy a kulcs a brokkoliban rejlik.
01:42
What we did -- Betty Rapacholi, who was one of my students, and I --
36
102260
4000
Azt tettük -- egyik tanítványom, Betty Rapacholi és én -
01:46
was actually to give the babies two bowls of food:
37
106260
3000
hogy a babáknak két tálka ételt adtunk:
01:49
one bowl of raw broccoli
38
109260
2000
egyikben nyers brokkoli
01:51
and one bowl of delicious goldfish crackers.
39
111260
3000
a másikban ínycsiklandozó halacskás rágcsálnivaló volt.
01:54
Now all of the babies, even in Berkley,
40
114260
3000
Minden baba, még a Berkley -en is,
01:57
like the crackers and don't like the raw broccoli.
41
117260
3000
a rágcsálnivalót és nem a nyers brokkolit szereti!
02:00
(Laughter)
42
120260
2000
(Nevetés)
02:02
But then what Betty did
43
122260
2000
Betty viszont
02:04
was to take a little taste of food from each bowl.
44
124260
3000
megkóstolt egy falatnyit mindkét tálkából.
02:07
And she would act as if she liked it or she didn't.
45
127260
2000
Úgy tett, mintha ízlett vagy nem ízlett volna neki a falat.
02:09
So half the time, she acted
46
129260
2000
Az esetek felében úgy tett
02:11
as if she liked the crackers and didn't like the broccoli --
47
131260
2000
mintha tetszett volna neki a rágcsálnivaló és a brokkoli nem -
02:13
just like a baby and any other sane person.
48
133260
3000
mint minden babának és józan embernek.
02:16
But half the time,
49
136260
2000
Az esetek másik felében viszont,
02:18
what she would do is take a little bit of the broccoli
50
138260
2000
vett egy kis darabkát a brokkoliból
02:20
and go, "Mmmmm, broccoli.
51
140260
3000
és azt mondta "Mmmmm, brokkoli.
02:23
I tasted the broccoli. Mmmmm."
52
143260
3000
Megkóstoltam a brokkolit. Mmmmm."
02:26
And then she would take a little bit of the crackers,
53
146260
2000
Ezután vett a rágcsálnivalóból is,
02:28
and she'd go, "Eww, yuck, crackers.
54
148260
4000
és ezt mondta, "Fúúj, bleee, rágcsa.
02:32
I tasted the crackers. Eww, yuck."
55
152260
3000
Megkóstoltam a rágcsálnivalót. Fúúj, bleee."
02:35
So she'd act as if what she wanted
56
155260
2000
Tehát úgy tett, mintha
02:37
was just the opposite of what the babies wanted.
57
157260
3000
az ellenkezőjét szeretné, mint amit a babák.
02:40
We did this with 15 and 18 month-old babies.
58
160260
2000
Kipróbáltuk ezt 15 és 18 hónapos babákkal.
02:42
And then she would simply put her hand out and say,
59
162260
3000
Ezután Betty kinyújtotta a kezét és azt mondta,
02:45
"Can you give me some?"
60
165260
2000
"Adnál nekem egyet?"
02:47
So the question is: What would the baby give her,
61
167260
2000
A kérdés a következő: Melyikből ad a baba,
02:49
what they liked or what she liked?
62
169260
2000
amit ő maga szeret, vagy amit úgy gondol, hogy Betty szeretne?
02:51
And the remarkable thing was that 18 month-old babies,
63
171260
3000
A figyelemre méltó az volt, hogy a 18 hónapos babák,
02:54
just barely walking and talking,
64
174260
2000
akik még alig tudtak járni és beszélni,
02:56
would give her the crackers if she liked the crackers,
65
176260
3000
a rágcsát adták neki amikor azt szerette,
02:59
but they would give her the broccoli if she liked the broccoli.
66
179260
3000
de a brokkolit, amikor arról jelezte hogy szereti.
03:02
On the other hand,
67
182260
2000
Viszont,
03:04
15 month-olds would stare at her for a long time
68
184260
2000
a 15 hónapos babák bámultak rá hosszan
03:06
if she acted as if she liked the broccoli,
69
186260
2000
amikor azt mutatta hogy a brokkolit szereti,
03:08
like they couldn't figure this out.
70
188260
3000
mintha nem értenék.
03:11
But then after they stared for a long time,
71
191260
2000
Majd hosszú idő után
03:13
they would just give her the crackers,
72
193260
2000
a rágcsálnivalóból adtak neki
03:15
what they thought everybody must like.
73
195260
2000
amiről azt gondolták hogy az mindenki kedvence.
03:17
So there are two really remarkable things about this.
74
197260
3000
Tehát itt van két igazán figyelemre méltó dolog ezzel kapcsolatban.
03:20
The first one is that these little 18 month-old babies
75
200260
3000
Az első, hogy ezek a 18 hónapos babák
03:23
have already discovered
76
203260
2000
már felfedezték
03:25
this really profound fact about human nature,
77
205260
2000
az emberi természet egyik alapvető tényezőjét,
03:27
that we don't always want the same thing.
78
207260
2000
hogy nem mindig szeretjük ugyanazt a dolgot.
03:29
And what's more, they felt that they should actually do things
79
209260
2000
Sőt, mi több, úgy érezték hogy nekik tenniük kell valamit azért
03:31
to help other people get what they wanted.
80
211260
3000
hogy a másik ember megkaphassa azt amit szeretne.
03:34
Even more remarkably though,
81
214260
2000
Még ennél is figyelemre méltóbb tény,
03:36
the fact that 15 month-olds didn't do this
82
216260
3000
hogy a 15 hónapos babák nem tudták ezt
03:39
suggests that these 18 month-olds had learned
83
219260
3000
az sugallja, hogy 18 hónaposan már megtanulják
03:42
this deep, profound fact about human nature
84
222260
3000
ezt a mély, alapvető tényezőt az ember természettel kapcsolatban
03:45
in the three months from when they were 15 months old.
85
225260
3000
3 hónapon belül 15 hónapos koruktól számítva.
03:48
So children both know more and learn more
86
228260
2000
Tehát a gyerekek többet tudnak és többet tanulnak
03:50
than we ever would have thought.
87
230260
2000
mint amit eddig sejtettünk.
03:52
And this is just one of hundreds and hundreds of studies over the last 20 years
88
232260
4000
És ez csak egy az elmúlt 20 év száz és száz kutatásából
03:56
that's actually demonstrated it.
89
236260
2000
melyek mind ezt tanusítják.
03:58
The question you might ask though is:
90
238260
2000
Joggal merülhet fel a kérdés:
04:00
Why do children learn so much?
91
240260
3000
Miért tanulnak a gyerekek ilyen sokat?
04:03
And how is it possible for them to learn so much
92
243260
2000
És hogyan lehetséges az, hogy ilyen sokat tanulnak
04:05
in such a short time?
93
245260
2000
ilyen rövid idő alatt?
04:07
I mean, after all, if you look at babies superficially,
94
247260
2000
Úgy értem, ha a babákra felületesen tekintünk,
04:09
they seem pretty useless.
95
249260
2000
elég haszontalannak tűnnek.
04:11
And actually in many ways, they're worse than useless,
96
251260
3000
És többféle értelemben a haszontalannál is roszabbak,
04:14
because we have to put so much time and energy
97
254260
2000
mivel annyi időt és energiát kell fordítanunk
04:16
into just keeping them alive.
98
256260
2000
már az életben tartásukra is.
04:18
But if we turn to evolution
99
258260
2000
De ha az evolúcióhoz fodulunk
04:20
for an answer to this puzzle
100
260260
2000
választ keresve erre a rejtvényre
04:22
of why we spend so much time
101
262260
2000
miszerint miért is fordítunk ennyi időt
04:24
taking care of useless babies,
102
264260
3000
a haszontalan babák ápolására
04:27
it turns out that there's actually an answer.
103
267260
3000
kiderült hogy van rá helyes válasz.
04:30
If we look across many, many different species of animals,
104
270260
3000
Ha szétnézünk a különböző állatfajok között,
04:33
not just us primates,
105
273260
2000
nem csak az emlősök között,
04:35
but also including other mammals, birds,
106
275260
2000
de egyéb emlősök, madarak,
04:37
even marsupials
107
277260
2000
erszényesek között is
04:39
like kangaroos and wombats,
108
279260
2000
mint pl. a kenguruk és vombatok,
04:41
it turns out that there's a relationship
109
281260
2000
kiderül hogy van kapcsolat
04:43
between how long a childhood a species has
110
283260
4000
aközött hogy milyen hosszú a különböző fajok gyerekkora
04:47
and how big their brains are compared to their bodies
111
287260
4000
és milyen nagy az agytérfogata a testükhöz képest
04:51
and how smart and flexible they are.
112
291260
2000
és milyen okos és rugalmas az adott faj.
04:53
And sort of the posterbirds for this idea are the birds up there.
113
293260
3000
Ennek az elvnek remek példái a fenti madarak.
04:56
On one side
114
296260
2000
Először is itt van
04:58
is a New Caledonian crow.
115
298260
2000
az Új Caledóniai varjú.
05:00
And crows and other corvidae, ravens, rooks and so forth,
116
300260
3000
A varjúfélék, a hollók stb.,
05:03
are incredibly smart birds.
117
303260
2000
hihetetlenül okos madarak.
05:05
They're as smart as chimpanzees in some respects.
118
305260
3000
Bizonyos tekintetben a csimpánz szintjén állnak.
05:08
And this is a bird on the cover of science
119
308260
2000
Ez a madár ami itt látható a Science borítóján,
05:10
who's learned how to use a tool to get food.
120
310260
3000
amelyik megtanulta hogyan használjon eszközt a táplálékszerzéshez.
05:13
On the other hand,
121
313260
2000
Másrészről
05:15
we have our friend the domestic chicken.
122
315260
2000
itt vannak a mi barátaink, a házi csirkék.
05:17
And chickens and ducks and geese and turkeys
123
317260
3000
A csirkék és kacsák és libák és pulykák
05:20
are basically as dumb as dumps.
124
320260
2000
mind olyan buták mint a sötét éjszaka.
05:22
So they're very, very good at pecking for grain,
125
322260
3000
Nagyon nagyon jók a gabona csipegetésében,
05:25
and they're not much good at doing anything else.
126
325260
3000
és nagyjából semmi másban nem jeleskednek.
05:28
Well it turns out that the babies,
127
328260
2000
Az a helyzet, a fiókáik,
05:30
the New Caledonian crow babies, are fledglings.
128
330260
2000
az Új Kaledóniai varjú bébik zöldfülűek.
05:32
They depend on their moms
129
332260
2000
A mamájuktól függenek
05:34
to drop worms in their little open mouths
130
334260
3000
aki kukacokat dob a kicsi nyitott csőrükbe
05:37
for as long as two years,
131
337260
2000
körülbelül két évig,
05:39
which is a really long time in the life of a bird.
132
339260
2000
ami elég hosszú idő egy madáröltőt tekintve.
05:41
Whereas the chickens are actually mature
133
341260
2000
Ezzel szemben a csirkék gyakorlatilag már
05:43
within a couple of months.
134
343260
2000
felnőttnek számítanak néhány hónapon belül.
05:45
So childhood is the reason
135
345260
3000
Tehát a gyerekkor az oka annak,
05:48
why the crows end up on the cover of Science
136
348260
2000
amiért a varjak a Science borítóján kötnek ki
05:50
and the chickens end up in the soup pot.
137
350260
2000
míg a csirkék csak a leveses tálig jutnak.
05:52
There's something about that long childhood
138
352260
3000
Van valami a hosszú gyerekkorral kapcsolatban
05:55
that seems to be connected
139
355260
2000
ami szoros viszonyban áll
05:57
to knowledge and learning.
140
357260
2000
a tudással és a tanulással.
05:59
Well what kind of explanation could we have for this?
141
359260
3000
Milyen magyarázatunk lehet erre?
06:02
Well some animals, like the chicken,
142
362260
3000
Bizonyos állatok, mint például a csirke,
06:05
seem to be beautifully suited
143
365260
2000
úgy tűnik arra vannak szabva
06:07
to doing just one thing very well.
144
367260
2000
hogy egyetlen dolgot tudjanak nagyon jól.
06:09
So they seem to be beautifully suited
145
369260
3000
Így például arra vannak tervezve
06:12
to pecking grain in one environment.
146
372260
2000
hogy gabonát csipegessenek egy bizonyos környezetben.
06:14
Other creatures, like the crows,
147
374260
2000
Más teremtmények, mint például a varjak,
06:16
aren't very good at doing anything in particular,
148
376260
2000
nem túl jók egyetlen speciális területen sem,
06:18
but they're extremely good
149
378260
2000
de kiválóak abban
06:20
at learning about laws of different environments.
150
380260
2000
hogy különböző környezetek szabályait megtanulják.
06:22
And of course, we human beings
151
382260
2000
Természetesen mi emberek
06:24
are way out on the end of the distribution like the crows.
152
384260
3000
mesze a túlvégén vagyunk annak a sornak amiben a varjak állnak.
06:27
We have bigger brains relative to our bodies
153
387260
2000
Sokkal nagyobb agyunk van a testünkhöz képest
06:29
by far than any other animal.
154
389260
2000
bármelyik állathoz viszonyítva.
06:31
We're smarter, we're more flexible,
155
391260
2000
Okosabbak, rugalmasabbak vagyunk
06:33
we can learn more,
156
393260
2000
többet tudunk tanulni
06:35
we survive in more different environments,
157
395260
2000
túlélünk sokféle környezetben,
06:37
we migrated to cover the world and even go to outer space.
158
397260
3000
benépesítettük a világot és még űrutazásra is képesek vagyunk.
06:40
And our babies and children are dependent on us
159
400260
3000
És a mi babáink és gyermekeink sokkal hosszabb időn át
06:43
for much longer than the babies of any other species.
160
403260
3000
függenek tőlünk, mint bármely más faj gyermekei.
06:46
My son is 23.
161
406260
2000
A fiam most 23 éves.
06:48
(Laughter)
162
408260
2000
(Nevetés)
06:50
And at least until they're 23,
163
410260
2000
És legalább 23 éves korukig
06:52
we're still popping those worms
164
412260
2000
folyamatosan dobáljuk a kukacokat
06:54
into those little open mouths.
165
414260
3000
azokba a kis nyitott szájakba.
06:57
All right, why would we see this correlation?
166
417260
3000
Rendben tehát, mire is alapozzuk ezt az összefüggést?
07:00
Well an idea is that that strategy, that learning strategy,
167
420260
4000
Az elméletünk szerint ez a stratégia, ez a tanuló stratégia,
07:04
is an extremely powerful, great strategy for getting on in the world,
168
424260
3000
hihetetlenül hatékony és kiváló stratégia a világban való boldoguláshoz,
07:07
but it has one big disadvantage.
169
427260
2000
ámbár van egy igen nagy hátránya.
07:09
And that one big disadvantage
170
429260
2000
Ez a nagy hátrány
07:11
is that, until you actually do all that learning,
171
431260
3000
pedig az, hogy amíg tanulsz,
07:14
you're going to be helpless.
172
434260
2000
kiszolgáltatott vagy.
07:16
So you don't want to have the mastodon charging at you
173
436260
3000
Tehát nem szerencsés hogy amikor a masztodon feléd rohan
07:19
and be saying to yourself,
174
439260
2000
azon tépelődj, hogy:
07:21
"A slingshot or maybe a spear might work. Which would actually be better?"
175
441260
4000
"A csúzli vagy talán a dárda működhet. Vajon melyik lenne a jobb?"
07:25
You want to know all that
176
445260
2000
Mindezt már azelőtt tudnod kell,
07:27
before the mastodons actually show up.
177
447260
2000
hogy a masztodon ténylegesen megjelenne.
07:29
And the way the evolutions seems to have solved that problem
178
449260
3000
Úgy tűnik hogy ezt a problémát az evolúció valamiféle
07:32
is with a kind of division of labor.
179
452260
2000
munkamegosztással oldotta meg.
07:34
So the idea is that we have this early period when we're completely protected.
180
454260
3000
Tehát az elmélet az, hogy az életünk korai szakaszában teljes mértékben védettek vagyunk.
07:37
We don't have to do anything. All we have to do is learn.
181
457260
3000
Nem kell semmit sem tennünk. Minden amit tennünk kell az a tanulás.
07:40
And then as adults,
182
460260
2000
Később mint felnőttek,
07:42
we can take all those things that we learned when we were babies and children
183
462260
3000
mindazt amit babaként és gyerekként megtanultunk
07:45
and actually put them to work to do things out there in the world.
184
465260
3000
felhasználhatjuk és életre kelthetjük.
07:48
So one way of thinking about it
185
468260
2000
Erre gondolhatunk úgy
07:50
is that babies and young children
186
470260
2000
hogy a babák és a kisgyerekek
07:52
are like the research and development division of the human species.
187
472260
3000
valamiféle kutatás és fejlesztési részlege az emberi fajnak.
07:55
So they're the protected blue sky guys
188
475260
3000
Ők a védett kékruhások
07:58
who just have to go out and learn and have good ideas,
189
478260
2000
akiknek csak tanulniuk kell és ötletelniük,
08:00
and we're production and marketing.
190
480260
2000
és mi vagyunk a kivitelezők és a marketingesek.
08:02
We have to take all those ideas
191
482260
2000
Fognunk kell azokat az ötleteket,
08:04
that we learned when we were children
192
484260
2000
amiket gyerekként tanultunk és találtunk ki
08:06
and actually put them to use.
193
486260
2000
és meg kell valósítanunk!
08:08
Another way of thinking about it
194
488260
2000
Egy másik megközelítése ennek
08:10
is instead of thinking of babies and children
195
490260
2000
hogy ahelyett, hogy a babákra és a gyerekekre
08:12
as being like defective grownups,
196
492260
2000
csökkent képességű felnőttként gondolunk,
08:14
we should think about them
197
494260
2000
képzelhetjük őket
08:16
as being a different developmental stage of the same species --
198
496260
2000
ugyanezen faj egy eltérő fejlődési stádiumában járó egyedének --
08:18
kind of like caterpillars and butterflies --
199
498260
3000
a hernyókhoz és pillangókhoz hasonlóan --
08:21
except that they're actually the brilliant butterflies
200
501260
2000
kivéve hogy ebben az esetben ők a brilliáns pillangók
08:23
who are flitting around the garden and exploring,
201
503260
3000
akik a kertben röpködnek és felderítenek,
08:26
and we're the caterpillars
202
506260
2000
és mi vagyunk a hernyók,
08:28
who are inching along our narrow, grownup, adult path.
203
508260
3000
akik a szűk, felnőtt ösvényünkön araszolunk.
08:31
If this is true, if these babies are designed to learn --
204
511260
3000
Ha ez igaz, ha a babák tanulásra vannak tervezve --
08:34
and this evolutionary story would say children are for learning,
205
514260
3000
és ez az evolúciós történet azt mondja hogy ez így van,
08:37
that's what they're for --
206
517260
2000
ők erre vannak tervezve --
08:39
we might expect
207
519260
2000
joggal várhatjuk,
08:41
that they would have really powerful learning mechanisms.
208
521260
2000
hogy nagyon hatékony tanulási mechanizmusaik legyenek.
08:43
And in fact, the baby's brain
209
523260
3000
A tény az, hogy a babák agya tűnik
08:46
seems to be the most powerful learning computer
210
526260
2000
a bolygó leghatékonyabb
08:48
on the planet.
211
528260
2000
tanuló számítógépének.
08:50
But real computers are actually getting to be a lot better.
212
530260
3000
A valódi számítógépek viszont kezdenek egyre jobbak lenni.
08:53
And there's been a revolution
213
533260
2000
Forradalmi változásokon esett át
08:55
in our understanding of machine learning recently.
214
535260
2000
nem is olyan rég mindaz, amit a gépi tanulásról tudunk.
08:57
And it all depends on the ideas of this guy,
215
537260
3000
Mindez ennek a fickónak az ötleteire épül:
09:00
the Reverend Thomas Bayes,
216
540260
2000
ő Thomas Bayes tiszteletes,
09:02
who was a statistician and mathematician in the 18th century.
217
542260
3000
a 18. században volt statisztikus és matematikus.
09:05
And essentially what Bayes did
218
545260
3000
Amit Bayes lényegében létrehozott
09:08
was to provide a mathematical way
219
548260
2000
az egy matematikai megközelítés,
09:10
using probability theory
220
550260
2000
amely a valószínűségszámításra épülve
09:12
to characterize, describe,
221
552260
2000
segít jellemezni, leírni azt,
09:14
the way that scientists find out about the world.
222
554260
2000
amit a tudósok a világról megtudnak.
09:16
So what scientists do
223
556260
2000
Amit a tudósok ma tesznek,
09:18
is they have a hypothesis that they think might be likely to start with.
224
558260
3000
az, hogy van egy hipotézisük amivel úgy gondolják érdemes kezdeni valamit.
09:21
They go out and test it against the evidence.
225
561260
2000
Elkezdik ezt tesztelni, bizonyítékokkal szembesíteni.
09:23
The evidence makes them change that hypothesis.
226
563260
2000
A bizonyítékok hatására változtatnak a hipotézisen.
09:25
Then they test that new hypothesis
227
565260
2000
Ezután tesztelik az új hipotézist
09:27
and so on and so forth.
228
567260
2000
és így tovább.
09:29
And what Bayes showed was a mathematical way that you could do that.
229
569260
3000
Amit Bayes mutatott az egy matematikai módszer, amivel ezt meg lehet csinálni.
09:32
And that mathematics is at the core
230
572260
2000
Ez a matematikai elv a manapság létező
09:34
of the best machine learning programs that we have now.
231
574260
2000
legjobb gépi tanuló programjaink lényege.
09:36
And some 10 years ago,
232
576260
2000
Kb. 10 évvel ezelőtt
09:38
I suggested that babies might be doing the same thing.
233
578260
4000
azt vetettem fel, hogy a babák talán ugyanígy működnek.
09:42
So if you want to know what's going on
234
582260
2000
Szóval ha szeretnénk tudni, mi is folyik
09:44
underneath those beautiful brown eyes,
235
584260
2000
azok mögött a gyönyörű barna szemek mögött,
09:46
I think it actually looks something like this.
236
586260
2000
az szerintem valahogy ehhez hasonlóan néz ki.
09:48
This is Reverend Bayes's notebook.
237
588260
2000
Ez Bayes tiszteletes jegyzetfüzete.
09:50
So I think those babies are actually making complicated calculations
238
590260
3000
Azt gondolom, hogy a babák bonyolult kalkulációkat végeznek
09:53
with conditional probabilities that they're revising
239
593260
3000
feltételes valószínűség számításokkal elemeznek
09:56
to figure out how the world works.
240
596260
2000
és így fejtik meg hogyan is működik a világ.
09:58
All right, now that might seem like an even taller order to actually demonstrate.
241
598260
4000
Rendben, azt hiszem most itt a magas labda, hogy mindezt demonstrálnunk kell.
10:02
Because after all, if you ask even grownups about statistics,
242
602260
2000
Hiszen ha egy felnőttet kérdezel a statisztikáról,
10:04
they look extremely stupid.
243
604260
2000
elég bután fog rád nézni.
10:06
How could it be that children are doing statistics?
244
606260
3000
Hogyan lehetséges hogy ezek a gyerekek statisztikát számolnak?
10:09
So to test this we used a machine that we have
245
609260
2000
Ennek ellenőrzésére egy gépet használtunk
10:11
called the Blicket Detector.
246
611260
2000
melyet Blicket detektornak neveztünk.
10:13
This is a box that lights up and plays music
247
613260
2000
Ez egy doboz, ami fevillan és zenél
10:15
when you put some things on it and not others.
248
615260
3000
amikor beleteszel bizonyos meghatározott dolgokat.
10:18
And using this very simple machine,
249
618260
2000
Ennek a nagyon egyszerű szerkezetnek köszönhetően
10:20
my lab and others have done dozens of studies
250
620260
2000
az én csapatom és mások is tucatnyi kísérletet hajtottak végre
10:22
showing just how good babies are
251
622260
2000
bemutatva azt, hogy a babák milyen jók
10:24
at learning about the world.
252
624260
2000
a világról való tanulásban.
10:26
Let me mention just one
253
626260
2000
Hadd említsek meg csak egyet,
10:28
that we did with Tumar Kushner, my student.
254
628260
2000
melyet tanítványommal, Tumar Kushnerrel hajtottunk végre.
10:30
If I showed you this detector,
255
630260
2000
Ha megmutatnám Önnek ezt a szerkezetet,
10:32
you would be likely to think to begin with
256
632260
2000
valszínűleg azt gondolná, hogy úgy lehet
10:34
that the way to make the detector go
257
634260
2000
a detektort működésre bírni,
10:36
would be to put a block on top of the detector.
258
636260
3000
ha a tetejére teszünk egy kockát.
10:39
But actually, this detector
259
639260
2000
Ám valójában ez a szerkezet
10:41
works in a bit of a strange way.
260
641260
2000
egy kicsit furán működik.
10:43
Because if you wave a block over the top of the detector,
261
643260
3000
Mivel ha meglengetünk felette egy kockát,
10:46
something you wouldn't ever think of to begin with,
262
646260
3000
amiről nem is gondolnánk, hogy ettől működésbe léphet,
10:49
the detector will actually activate two out of three times.
263
649260
3000
a szerkezet három ilyen esetből kétszer aktiválódik.
10:52
Whereas, if you do the likely thing, put the block on the detector,
264
652260
3000
Míg, ha a valószínű dolgot tesszük, azaz rárakjuk a kockát a tetejére,
10:55
it will only activate two out of six times.
265
655260
4000
mindössze hatból kétszer aktiválódik.
10:59
So the unlikely hypothesis
266
659260
2000
Tehát a valószínűtlen hipotézisnek
11:01
actually has stronger evidence.
267
661260
2000
erősebbek a bizonyítékai.
11:03
It looks as if the waving
268
663260
2000
Úgy látszik, hogy a lengetés
11:05
is a more effective strategy than the other strategy.
269
665260
2000
hatékonyabb stratégia, mint a másik.
11:07
So we did just this; we gave four year-olds this pattern of evidence,
270
667260
3000
Nos mi odaadtuk ezt a bizonyíték mintázatot egy négyévesnek,
11:10
and we just asked them to make it go.
271
670260
2000
és megkértük hogy bírja működésre.
11:12
And sure enough, the four year-olds used the evidence
272
672260
3000
És valóban, a négyévesek e bizonyítékot alkalmazták
11:15
to wave the object on top of the detector.
273
675260
3000
és lengették a tárgyat a szerkezet tetejénél.
11:18
Now there are two things that are really interesting about this.
274
678260
3000
Két dolog van ami nagyon izgalmas ezzel kapcsolatban.
11:21
The first one is, again, remember, these are four year-olds.
275
681260
3000
Az első, hogy tartsuk észben, hogy ezek négyéves gyerekek.
11:24
They're just learning how to count.
276
684260
2000
Éppenhogy csak tanulnak számolni.
11:26
But unconsciously,
277
686260
2000
Ám öntudatlanul
11:28
they're doing these quite complicated calculations
278
688260
2000
meglehetősen komplikált számításokat végeznek,
11:30
that will give them a conditional probability measure.
279
690260
3000
melyek feltételes valószínűségi értékeket eredményeznek számukra.
11:33
And the other interesting thing
280
693260
2000
A másik izgalmas dolog az,
11:35
is that they're using that evidence
281
695260
2000
hogy ezt a bizonyítékot használják arra,
11:37
to get to an idea, get to a hypothesis about the world,
282
697260
3000
hogy eljussanak egy elméletig, egy a világról alkotott hipotézisig,
11:40
that seems very unlikely to begin with.
283
700260
3000
ami kezdetben elég valószínűtlennek tűnik.
11:43
And in studies we've just been doing in my lab, similar studies,
284
703260
3000
A csoportomban jelenleg is futó kutatásokban, hasonló kutatásokban,
11:46
we've show that four year-olds are actually better
285
706260
2000
bemutattuk, hogy a négyévesek valójában jobbak
11:48
at finding out an unlikely hypothesis
286
708260
3000
a valószínűtlen hipotézisek megfejtésében,
11:51
than adults are when we give them exactly the same task.
287
711260
3000
mint a felnőttek, akik teljesen ugyanolyan feladatot kapnak.
11:54
So in these circumstances,
288
714260
2000
Ilyen körülmények között tehát
11:56
the children are using statistics to find out about the world,
289
716260
3000
a gyerekek statisztikát alkalmaznak,a világ felderítésére,
11:59
but after all, scientists also do experiments,
290
719260
3000
de hát végülis a tudósok is kisérleteznek,
12:02
and we wanted to see if children are doing experiments.
291
722260
3000
meg akartuk tudni, vajon a gyerekek is ezt teszik -e.
12:05
When children do experiments we call it "getting into everything"
292
725260
3000
Amikor a gyerekek kísérleteznek, ezt úgy hívjuk: "minden lében kanál"
12:08
or else "playing."
293
728260
2000
vagy más szóval "játék".
12:10
And there's been a bunch of interesting studies recently
294
730260
3000
Igen sok érdekes kísérlet volt mostanában
12:13
that have shown this playing around
295
733260
3000
melyek azt mutatják, hogy a játék
12:16
is really a kind of experimental research program.
296
736260
2000
valójában egyfajta kísérleti kutatás program.
12:18
Here's one from Cristine Legare's lab.
297
738260
3000
Itt is van egy Cristine Legare laborjából.
12:21
What Cristine did was use our Blicket Detectors.
298
741260
3000
Cristin a mi szerkezetünket használta.
12:24
And what she did was show children
299
744260
2000
Megmutatta a gyerekeknek
12:26
that yellow ones made it go and red ones didn't,
300
746260
2000
hogy a sárgáktól működik, a pirosaktól nem,
12:28
and then she showed them an anomaly.
301
748260
3000
és mutatott nekik egy anomáliát.
12:31
And what you'll see
302
751260
2000
Amit látni fogunk
12:33
is that this little boy will go through five hypotheses
303
753260
3000
hogy a kisfiú öt különböző hipotézist próbál ki
12:36
in the space of two minutes.
304
756260
3000
két percen belül.
12:39
(Video) Boy: How about this?
305
759260
3000
(Video) Fiú: És így?
12:43
Same as the other side.
306
763260
3000
Ugyanaz mint a másik oldalról.
12:46
Alison Gopnik: Okay, so his first hypothesis has just been falsified.
307
766260
4000
Alison Gopnik: Ok, az első hipotézis hamisnak bizonyult.
12:55
(Laughter)
308
775260
2000
(Nevetés)
12:57
Boy: This one lighted up, and this one nothing.
309
777260
3000
Fiú: Ettől felvillant, ettől meg semmi.
13:00
AG: Okay, he's got his experimental notebook out.
310
780260
3000
AG: Ok, elővette a kísérleti jegyzetfüzetét.
13:06
Boy: What's making this light up.
311
786260
4000
Fiú: Mitől villan ez fel.
13:11
(Laughter)
312
791260
9000
(Nevetés)
13:20
I don't know.
313
800260
2000
Nem tudom.
13:22
AG: Every scientist will recognize that expression of despair.
314
802260
4000
AG: Minden kutató fel fogja ismerni ezt a kétségbeesett kifejezést.
13:26
(Laughter)
315
806260
3000
(Nevetés)
13:29
Boy: Oh, it's because this needs to be like this,
316
809260
6000
Fiú: Ó, mert ezt így kellene,
13:35
and this needs to be like this.
317
815260
2000
ezt pedig így.
13:37
AG: Okay, hypothesis two.
318
817260
3000
AG: Ok, második hipotézis.
13:40
Boy: That's why.
319
820260
2000
Fiú: Hát ezért.
13:42
Oh.
320
822260
2000
Ó.
13:44
(Laughter)
321
824260
5000
(Nevetés)
13:49
AG: Now this is his next idea.
322
829260
2000
AG: Itt is van a következő ötlete.
13:51
He told the experimenter to do this,
323
831260
2000
Azt mondta a kísérletet végzőnek, hogy
13:53
to try putting it out onto the other location.
324
833260
4000
tegyék át egy másik helyre.
13:57
Not working either.
325
837260
2000
Ez sem működik.
14:02
Boy: Oh, because the light goes only to here,
326
842260
4000
Fiú: Ó, mert a villanás itt megy,
14:06
not here.
327
846260
3000
nem itt.
14:09
Oh, the bottom of this box
328
849260
3000
Ó, a doboz alján
14:12
has electricity in here,
329
852260
2000
itt van elektromosság,
14:14
but this doesn't have electricity.
330
854260
2000
de ennek nincs elektromossága.
14:16
AG: Okay, that's a fourth hypothesis.
331
856260
2000
AG: Ok, ez a negyedik hipotézis.
14:18
Boy: It's lighting up.
332
858260
2000
Fiú: Felvillan.
14:20
So when you put four.
333
860260
5000
Amikor négyet teszel rá.
14:26
So you put four on this one to make it light up
334
866260
3000
Négyet teszel erre, hogy felvillanjon
14:29
and two on this one to make it light up.
335
869260
2000
és kettőt erre, hogy felvillanjon.
14:31
AG: Okay,there's his fifth hypothesis.
336
871260
2000
AG: Ok, ez az ötödik hipotézise.
14:33
Now that is a particularly --
337
873260
3000
Ez egy kifejezetten
14:36
that is a particularly adorable and articulate little boy,
338
876260
3000
imádnivaló és világos gondolkodású kisfiú,
14:39
but what Cristine discovered is this is actually quite typical.
339
879260
3000
de Cristine azt fedezte fel, hogy ez a gondolkodás teljesen általános.
14:42
If you look at the way children play, when you ask them to explain something,
340
882260
3000
Ha megfigyeljük, hogy a gyerekek miként játszanak, ha megkérjük őket,
14:45
what they really do is do a series of experiments.
341
885260
3000
hogy magyarázzanak el valamit, akkor ők kísérletezésbe fognak.
14:48
This is actually pretty typical of four year-olds.
342
888260
3000
Ez elég általános a négyéveseknél.
14:51
Well, what's it like to be this kind of creature?
343
891260
3000
Milyen is lehet ilyen kis teremtménynek lenni?
14:54
What's it like to be one of these brilliant butterflies
344
894260
3000
Milyen is lehet brilliáns pillangónak lenni,
14:57
who can test five hypotheses in two minutes?
345
897260
3000
aki öt hipotézist ellenőriz két percen belül?
15:00
Well, if you go back to those psychologists and philosophers,
346
900260
3000
Nos, ha visszatérünk a pszichológusokhoz és filozófusokhoz,
15:03
a lot of them have said
347
903260
2000
elég sokan mondták közülük azt,
15:05
that babies and young children were barely conscious
348
905260
2000
hogy a babák és a kisgyerekek éppen csak hogy tudatosak
15:07
if they were conscious at all.
349
907260
2000
ha egyáltalán...
15:09
And I think just the opposite is true.
350
909260
2000
Én azt gondolom ennek pont az ellenkezője igaz.
15:11
I think babies and children are actually more conscious than we are as adults.
351
911260
3000
Azt hiszem a babák és a gyerekek tudatosabbak mint mi, felnőttek vagyunk.
15:14
Now here's what we know about how adult consciousness works.
352
914260
3000
A következőket tudjuk arról, miként működik a felnőtt tudatosság.
15:17
And adults' attention and consciousness
353
917260
2000
A felnőtt figyelme és tudatossága
15:19
look kind of like a spotlight.
354
919260
2000
olyasmi mint a reflektorfény.
15:21
So what happens for adults
355
921260
2000
Nos egy felnőttben annyi történik, hogy
15:23
is we decide that something's relevant or important,
356
923260
2000
eldöntjük valamiről hogy lényeges vagy fontos,
15:25
we should pay attention to it.
357
925260
2000
és figyelmet kell szentelnünk neki.
15:27
Our consciousness of that thing that we're attending to
358
927260
2000
A tudatosságunk ezzel a dologgal kapcsolatban
15:29
becomes extremely bright and vivid,
359
929260
3000
rendkívül élénkké és fényessé válik
15:32
and everything else sort of goes dark.
360
932260
2000
minden egyéb elsötétül.
15:34
And we even know something about the way the brain does this.
361
934260
3000
Még arról is tudunk egy keveset, hogy az agy miképpen műveli ezt.
15:37
So what happens when we pay attention
362
937260
2000
Tehát amikor valamire elkezdünk odafigyelni
15:39
is that the prefrontal cortex, the sort of executive part of our brains,
363
939260
3000
a prefrontális kéreg, az agyunk végrehajtó
15:42
sends a signal
364
942260
2000
része küld egy jelet, ami
15:44
that makes a little part of our brain much more flexible,
365
944260
2000
az agyunk egy kicsi részét rugalmasabbá teszi,
15:46
more plastic, better at learning,
366
946260
2000
plasztikusabbá, tanulásra fogékonyabbá,
15:48
and shuts down activity
367
948260
2000
és leállítja az aktivitást
15:50
in all the rest of our brains.
368
950260
2000
az agyunk többi részében.
15:52
So we have a very focused, purpose-driven kind of attention.
369
952260
4000
Tehát igen erősen fókuszált, céltudatos figyelmünk van.
15:56
If we look at babies and young children,
370
956260
2000
Ha a babákat és a kisgyerekeket vizsgáljuk,
15:58
we see something very different.
371
958260
2000
valami egészen mást tapasztalunk.
16:00
I think babies and young children
372
960260
2000
Azt gondolom, a babák tudatossága
16:02
seem to have more of a lantern of consciousness
373
962260
2000
sokkal inkább lámpáshoz hasonlítható
16:04
than a spotlight of consciousness.
374
964260
2000
és nem reflektorfény tudatosság.
16:06
So babies and young children are very bad
375
966260
3000
Így a babák és a kisgyerekek nagyon gyengék
16:09
at narrowing down to just one thing.
376
969260
3000
az egy dologra fókuszálásban.
16:12
But they're very good at taking in lots of information
377
972260
3000
Viszont nagyon jók a a sok különböző forrásból
16:15
from lots of different sources at once.
378
975260
2000
egyszerre érkező rengeteg információ feldolgozásában.
16:17
And if you actually look in their brains,
379
977260
2000
És ha belenézünk az agyukba, azt látjuk,
16:19
you see that they're flooded with these neurotransmitters
380
979260
3000
hogy tele vannak olyan neurotranszmitterekkel,
16:22
that are really good at inducing learning and plasticity,
381
982260
2000
amelyek igen jók a tanulás és plaszticitás gerjesztésében,
16:24
and the inhibitory parts haven't come on yet.
382
984260
3000
ám a gátló hatások ekkor még nem alakultak ki.
16:27
So when we say that babies and young children
383
987260
2000
Tehát amikor azt mondjuk, hogy a babák és kisgyerekek
16:29
are bad at paying attention,
384
989260
2000
gyengék az odafigyelésben, akkor valójában
16:31
what we really mean is that they're bad at not paying attention.
385
991260
4000
azt értjük ez alatt, hogy nem tudnak nem odafigyelni mindenre!
16:35
So they're bad at getting rid
386
995260
2000
Tehát gyengék abban, hogy megszabaduljanak
16:37
of all the interesting things that could tell them something
387
997260
2000
az összes érdekes dologtól ami jelenthet nekik valamit,
16:39
and just looking at the thing that's important.
388
999260
2000
és csak arra az egyetlen dologra figyeljenek, ami fontos.
16:41
That's the kind of attention, the kind of consciousness,
389
1001260
3000
Ez a fajta figyelem, ez a fajta tudatosság az,
16:44
that we might expect
390
1004260
2000
amit azoktól a pillangóktól várhatunk el,
16:46
from those butterflies who are designed to learn.
391
1006260
2000
akik tanulásra lettek tervezve.
16:48
Well if we want to think about a way
392
1008260
2000
Ha bele szeretnénk élni magunkat felnőttként
16:50
of getting a taste of that kind of baby consciousness as adults,
393
1010260
4000
abba, milyen is lehet a babák tudatossága,
16:54
I think the best thing is think about cases
394
1014260
2000
azt hiszem a legjobb azokra az esetekre gondolnunk
16:56
where we're put in a new situation that we've never been in before --
395
1016260
3000
amikor valami új, eddig nem ismert helyzetbe kerülünk --
16:59
when we fall in love with someone new,
396
1019260
2000
amikor új szerelemre lobbanunk,
17:01
or when we're in a new city for the first time.
397
1021260
3000
vagy amikor új városba csöppenünk első alkalommal.
17:04
And what happens then is not that our consciousness contracts,
398
1024260
2000
És ilyenkor nemhogy csökken a tudatosságunk,
17:06
it expands,
399
1026260
2000
sokkal inkább kiterjed,
17:08
so that those three days in Paris
400
1028260
2000
és azok a háromnapos párizsi látogatások
17:10
seem to be more full of consciousness and experience
401
1030260
2000
sokkal tudatosabbnak és élménydúsabbnak hatnak,
17:12
than all the months of being
402
1032260
2000
mint azok a hosszú hónapok, amikor otthon
17:14
a walking, talking, faculty meeting-attending zombie back home.
403
1034260
4000
zombiként mászkálunk, beszélünk, gyűléseken veszünk részt.
17:18
And by the way, that coffee,
404
1038260
2000
Mellesleg a kávé
17:20
that wonderful coffee you've been drinking downstairs,
405
1040260
2000
az a csodás kávé amit odalenn ittak,
17:22
actually mimics the effect
406
1042260
2000
kicsit felidézi azt a hatást,
17:24
of those baby neurotransmitters.
407
1044260
2000
ahogy a babákban a neurotranszmitterek hatnak.
17:26
So what's it like to be a baby?
408
1046260
2000
Tehát milyen is babának lenni?
17:28
It's like being in love
409
1048260
2000
Olyan mint szerelmesnek lenni
17:30
in Paris for the first time
410
1050260
2000
az első párizsi utunkon
17:32
after you've had three double-espressos.
411
1052260
2000
három dupla eszpresszó elfogyasztása után.
17:34
(Laughter)
412
1054260
3000
(Nevetés)
17:37
That's a fantastic way to be,
413
1057260
2000
Ez egy fantasztikus állapot, ám ilyenkor
17:39
but it does tend to leave you waking up crying at three o'clock in the morning.
414
1059260
4000
az is benne lehet a pakliban, hogy hajnali háromkor sírva ébredünk!
17:43
(Laughter)
415
1063260
3000
(Nevetés)
17:46
Now it's good to be a grownup.
416
1066260
2000
Jó felnőttnek lenni.
17:48
I don't want to say too much about how wonderful babies are.
417
1068260
2000
Nem szeretnék túl sokat beszélni arról, milyen csodálatosak
17:50
It's good to be a grownup.
418
1070260
2000
a babák. Jó felnőttnek lenni.
17:52
We can do things like tie our shoelaces and cross the street by ourselves.
419
1072260
3000
Meg tudjuk kötni a cipőfűzőnket és át tudunk menni az úton egyedül.
17:55
And it makes sense that we put a lot of effort
420
1075260
2000
És annak is van értelme, hogy sok erőfeszítést teszünk annak érdekében,
17:57
into making babies think like adults do.
421
1077260
4000
hogy a babák elkezdjenek felnőttként gondolkodni.
18:01
But if what we want is to be like those butterflies,
422
1081260
3000
De ha szeretnénk olyanok lenni mint ezek a kis pillangók,
18:04
to have open-mindedness, open learning,
423
1084260
3000
hogy átéljük ezt a nyíltságot, tanulékonyságot,
18:07
imagination, creativity, innovation,
424
1087260
2000
fantáziát, kreativitást és innovációt,
18:09
maybe at least some of the time
425
1089260
2000
akár csak egy rövidke időre is,
18:11
we should be getting the adults
426
1091260
2000
de rá kell vennünk a felnőtteket,
18:13
to start thinking more like children.
427
1093260
2000
hogy kezdjenek el úgy gondolkodni mint a gyerekek.
18:15
(Applause)
428
1095260
8000
(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