Deb Roy: The birth of a word

410,607 views ・ 2011-03-14

TED


Dubbelklik op de Engelse ondertitels hieronder om de video af te spelen.

Vertaald door: Albert Edelman Nagekeken door: Els De Keyser
00:15
Imagine if you could record your life --
0
15260
4000
Stel je voor dat je je leven kunt opnemen --
00:19
everything you said, everything you did,
1
19260
3000
alles wat je zei, alles wat je deed,
00:22
available in a perfect memory store at your fingertips,
2
22260
3000
allemaal beschikbaar in een perfecte geheugenbank onder handbereik,
00:25
so you could go back
3
25260
2000
zodat je terug zou kunnen
00:27
and find memorable moments and relive them,
4
27260
3000
om belangrijke momenten terug te vinden en te herleven,
00:30
or sift through traces of time
5
30260
3000
of om door de tijd te graven
00:33
and discover patterns in your own life
6
33260
2000
en patronen in je eigen leven te ontdekken
00:35
that previously had gone undiscovered.
7
35260
3000
die daarvoor verborgen zouden zijn gebleven.
00:38
Well that's exactly the journey
8
38260
2000
Dat is nou precies de reis
00:40
that my family began
9
40260
2000
waar mijn familie aan begon
00:42
five and a half years ago.
10
42260
2000
5,5 jaar geleden.
00:44
This is my wife and collaborator, Rupal.
11
44260
3000
Dit is mijn vrouw en partner, Rupal.
00:47
And on this day, at this moment,
12
47260
2000
Op deze dag, op dit moment
00:49
we walked into the house with our first child,
13
49260
2000
liepen we ons huis binnen met ons eerste kind,
00:51
our beautiful baby boy.
14
51260
2000
onze prachtige jongen.
00:53
And we walked into a house
15
53260
3000
We liepen een huis binnen
00:56
with a very special home video recording system.
16
56260
4000
met een heel bijzonder videosysteem.
01:07
(Video) Man: Okay.
17
67260
2000
(Video) Man: OK.
01:10
Deb Roy: This moment
18
70260
1000
Deb Roy: Dit moment
01:11
and thousands of other moments special for us
19
71260
3000
en duizenden andere van onze speciale momenten
01:14
were captured in our home
20
74260
2000
werden opgenomen in ons huis
01:16
because in every room in the house,
21
76260
2000
omdat je in elke kamer van het huis,
01:18
if you looked up, you'd see a camera and a microphone,
22
78260
3000
als je naar boven zou kijken, een camera en een microfoon zou zien,
01:21
and if you looked down,
23
81260
2000
en als je naar beneden zou kijken,
01:23
you'd get this bird's-eye view of the room.
24
83260
2000
krijg je een beeld van de kamer in vogelvlucht.
01:25
Here's our living room,
25
85260
3000
Dit is onze woonkamer,
01:28
the baby bedroom,
26
88260
3000
de babykamer,
01:31
kitchen, dining room
27
91260
2000
keuken, eetkamer
01:33
and the rest of the house.
28
93260
2000
en de rest van het huis.
01:35
And all of these fed into a disc array
29
95260
3000
Dit alles kwam terecht op een opslagsysteem
01:38
that was designed for a continuous capture.
30
98260
3000
dat was ingericht voor continue opname.
01:41
So here we are flying through a day in our home
31
101260
3000
Hier gieren we door een dag in ons huis,
01:44
as we move from sunlit morning
32
104260
3000
van de zonovergoten morgen
01:47
through incandescent evening
33
107260
2000
via de gloeiende avond
01:49
and, finally, lights out for the day.
34
109260
3000
tot uiteindelijk de lichten doven voor de dag.
01:53
Over the course of three years,
35
113260
3000
In een periode van 3 jaar
01:56
we recorded eight to 10 hours a day,
36
116260
2000
namen we 8 tot 10 uur per dag op,
01:58
amassing roughly a quarter-million hours
37
118260
3000
wat in totaal een kwart miljoen uur
02:01
of multi-track audio and video.
38
121260
3000
multi-track audio en video oplevert.
02:04
So you're looking at a piece of what is by far
39
124260
2000
Hier hebben we dus verreweg
02:06
the largest home video collection ever made.
40
126260
2000
de grootste collectie home-video's die ooit werd gemaakt.
02:08
(Laughter)
41
128260
3000
(Gelach)
02:11
And what this data represents
42
131260
2000
En wat deze data hebben betekend
02:13
for our family at a personal level,
43
133260
4000
voor onze familie op een persoonlijk niveau --
02:17
the impact has already been immense,
44
137260
2000
het effect is nu al immens
02:19
and we're still learning its value.
45
139260
3000
en we leren steeds meer over de waarde.
02:22
Countless moments
46
142260
2000
Ontelbare momenten
02:24
of unsolicited natural moments, not posed moments,
47
144260
3000
van spontane natuurlijke momenten, ongeposeerd,
02:27
are captured there,
48
147260
2000
zijn hier vastgelegd
02:29
and we're starting to learn how to discover them and find them.
49
149260
3000
en de beginnen te leren hoe we ze moeten vinden.
02:32
But there's also a scientific reason that drove this project,
50
152260
3000
Maar er is ook een wetenschappelijke reden achter dit project,
02:35
which was to use this natural longitudinal data
51
155260
4000
namelijk om met deze natuurlijke langlopende datastroom
02:39
to understand the process
52
159260
2000
het proces te begrijpen
02:41
of how a child learns language --
53
161260
2000
waarmee een kind taal leert --
02:43
that child being my son.
54
163260
2000
dat kind is dus mijn zoon.
02:45
And so with many privacy provisions put in place
55
165260
4000
Zo gingen we met alle zorg voor de privacy
02:49
to protect everyone who was recorded in the data,
56
169260
3000
van iedereen die werd opgenomen in de data
02:52
we made elements of the data available
57
172260
3000
aan de slag om delen van de data beschikbaar te stellen
02:55
to my trusted research team at MIT
58
175260
3000
voor mijn vertrouwde onderzoeksteam aan MIT
02:58
so we could start teasing apart patterns
59
178260
3000
zodat we langzaam patronen konden gaan ontwarren
03:01
in this massive data set,
60
181260
3000
in deze enorme dataset
03:04
trying to understand the influence of social environments
61
184260
3000
om te proberen te begrijpen hoe de sociale omgeving
03:07
on language acquisition.
62
187260
2000
taalverwerving beïnvloedt.
03:09
So we're looking here
63
189260
2000
Hier kijken we
03:11
at one of the first things we started to do.
64
191260
2000
naar een van de eerste dingen die we hebben gedaan.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
193260
4000
Hier maken mijn vrouw en ik ontbijt in de keuken.
03:17
and as we move through space and through time,
66
197260
3000
En terwijl we door ruimte en tijd gaan
03:20
a very everyday pattern of life in the kitchen.
67
200260
3000
zien we een dagelijks levenspatroon in de keuken.
03:23
In order to convert
68
203260
2000
Om dit om te zetten,
03:25
this opaque, 90,000 hours of video
69
205260
3000
die ondoorzichtige 90.000 uur video,
03:28
into something that we could start to see,
70
208260
2000
in iets waar je iets in kunt onderscheiden
03:30
we use motion analysis to pull out,
71
210260
2000
gebruiken we beweginganalyse om
03:32
as we move through space and through time,
72
212260
2000
terwijl we door ruimte en tijd bewegen
03:34
what we call space-time worms.
73
214260
3000
zogenoemde ruimte-tijdwormen eruit te halen.
03:37
And this has become part of our toolkit
74
217260
3000
Dit is een onderdeel geworden van onze toolkit
03:40
for being able to look and see
75
220260
3000
om te kunnen zien
03:43
where the activities are in the data,
76
223260
2000
waar de activiteiten zich in de data bevinden,
03:45
and with it, trace the pattern of, in particular,
77
225260
3000
en daarmee het patroon te herkennen, vooral
03:48
where my son moved throughout the home,
78
228260
2000
wanneer mijn zoon door het huis beweegt,
03:50
so that we could focus our transcription efforts,
79
230260
3000
zodat we ons transcriptiewerk vooral konden richten
03:53
all of the speech environment around my son --
80
233260
3000
op de spraakomgeving van mijn zoon --
03:56
all of the words that he heard from myself, my wife, our nanny,
81
236260
3000
alle woorden die hij van mij, mijn vrouw of de nanny hoorde,
03:59
and over time, the words he began to produce.
82
239260
3000
en de woorden die hij na verloop van tijd ging vormen.
04:02
So with that technology and that data
83
242260
3000
Met die technologie en die data
04:05
and the ability to, with machine assistance,
84
245260
2000
en de mogelijkheid om met hulp van een machine
04:07
transcribe speech,
85
247260
2000
spraak te transcriberen,
04:09
we've now transcribed
86
249260
2000
hebben we nu een transcriptie
04:11
well over seven million words of our home transcripts.
87
251260
3000
van ruim zeven miljoen woorden uit het transcript van thuis.
04:14
And with that, let me take you now
88
254260
2000
Dat gezegd zijnde, laat me jullie meenemen
04:16
for a first tour into the data.
89
256260
3000
op een eerste rondgang door de data.
04:19
So you've all, I'm sure,
90
259260
2000
Jullie hebben vast allemaal weleens
04:21
seen time-lapse videos
91
261260
2000
een time-lapse video gezien
04:23
where a flower will blossom as you accelerate time.
92
263260
3000
waarin een bloem gaat bloeien terwijl de tijd versnelt.
04:26
I'd like you to now experience
93
266260
2000
Ik wil jullie nu graag laten ervaren
04:28
the blossoming of a speech form.
94
268260
2000
hoe een spraakvorm gaat bloeien.
04:30
My son, soon after his first birthday,
95
270260
2000
Kort na zijn eerste verjaardag ging mijn zoon
04:32
would say "gaga" to mean water.
96
272260
3000
"gaga" zeggen als hij water bedoelde.
04:35
And over the course of the next half-year,
97
275260
3000
In de loop van de volgende zes maanden
04:38
he slowly learned to approximate
98
278260
2000
leerde hij langzaam de volwassen vorm
04:40
the proper adult form, "water."
99
280260
3000
van het woord te benaderen, "water".
04:43
So we're going to cruise through half a year
100
283260
2000
We gaan vliegen dus door een half jaar
04:45
in about 40 seconds.
101
285260
2000
in ongeveer 40 seconden.
04:47
No video here,
102
287260
2000
Er is geen video hier,
04:49
so you can focus on the sound, the acoustics,
103
289260
3000
zodat je kunt concentreren op het geluid, de klankwereld,
04:52
of a new kind of trajectory:
104
292260
2000
een nieuw soort overgang:
04:54
gaga to water.
105
294260
2000
gaga naar water.
04:56
(Audio) Baby: Gagagagagaga
106
296260
12000
(Audio) Baby: Gagagagagaga
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 gaga 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: Uiteindelijk lukt het, toch?
05:43
(Applause)
116
343260
7000
(Applaus)
05:50
So he didn't just learn water.
117
350260
2000
Maar hij leerde niet alleen water.
05:52
Over the course of the 24 months,
118
352260
2000
In die 24 maanden,
05:54
the first two years that we really focused on,
119
354260
3000
de eerste twee jaar waar we ons vooral op richtten,
05:57
this is a map of every word he learned in chronological order.
120
357260
4000
is dit een kaart van alle woorden die hij leerde, in chronologische volgorde.
06:01
And because we have full transcripts,
121
361260
3000
Omdat we volledige transcripten hebben,
06:04
we've identified each of the 503 words
122
364260
2000
hebben we elk van de 503 woorden herkend
06:06
that he learned to produce by his second birthday.
123
366260
2000
die hij rond zijn tweede verjaardag had leren zeggen.
06:08
He was an early talker.
124
368260
2000
Hij begon snel met praten
06:10
And so we started to analyze why.
125
370260
3000
en daarom gingen we analyseren waarom.
06:13
Why were certain words born before others?
126
373260
3000
Waarom worden sommige woorden eerder geboren dan andere?
06:16
This is one of the first results
127
376260
2000
Dit is een van de eerste resultaten
06:18
that came out of our study a little over a year ago
128
378260
2000
die uit onze studie van ruim een jaar geleden naar voren kwamen
06:20
that really surprised us.
129
380260
2000
die ons erg verbaasden.
06:22
The way to interpret this apparently simple graph
130
382260
3000
Je moet dit op het oog simpele beeld zo interpreteren:
06:25
is, on the vertical is an indication
131
385260
2000
op de verticale as staat een indicatie
06:27
of how complex caregiver utterances are
132
387260
3000
van hoe complex de uitingen van de verzorger zijn
06:30
based on the length of utterances.
133
390260
2000
gebaseerd op de lengte van die uitingen.
06:32
And the [horizontal] axis is time.
134
392260
3000
En de verticale as is de tijd.
06:35
And all of the data,
135
395260
2000
Al deze data
06:37
we aligned based on the following idea:
136
397260
3000
werden geordend volgens dit idee:
06:40
Every time my son would learn a word,
137
400260
3000
elke keer dat mijn zoon een woord leerde,
06:43
we would trace back and look at all of the language he heard
138
403260
3000
gingen we terug om te kijken naar alle taal die hij had gehoord
06:46
that contained that word.
139
406260
2000
waar dat woord in voorkwam.
06:48
And we would plot the relative length of the utterances.
140
408260
4000
Daarna zetten we de relatieve lengte van de uitingen uit.
06:52
And what we found was this curious phenomena,
141
412260
3000
Toen vonden we dit opmerkelijke fenomeen:
06:55
that caregiver speech would systematically dip to a minimum,
142
415260
3000
het spreken van de verzorger daalde systematisch tot een minimum,
06:58
making language as simple as possible,
143
418260
3000
de taal werd zo simpel mogelijk gemaakt
07:01
and then slowly ascend back up in complexity.
144
421260
3000
om vervolgens langzaam weer complexer te worden.
07:04
And the amazing thing was
145
424260
2000
Het verrassende was
07:06
that bounce, that dip,
146
426260
2000
dat die hobbel, die dip,
07:08
lined up almost precisely
147
428260
2000
telkens vrijwel precies samenviel
07:10
with when each word was born --
148
430260
2000
met het moment dat een nieuw woord werd geboren --
07:12
word after word, systematically.
149
432260
2000
woord na woord, elke keer opnieuw.
07:14
So it appears that all three primary caregivers --
150
434260
2000
Het lijkt er dus op dat alle drie de verzorgers --
07:16
myself, my wife and our nanny --
151
436260
3000
ikzelf, mijn vrouw en onze nanny --
07:19
were systematically and, I would think, subconsciously
152
439260
3000
systematisch, en ik denk onderbewust,
07:22
restructuring our language
153
442260
2000
onze taal zo indeelden
07:24
to meet him at the birth of a word
154
444260
3000
om bij hem te zijn bij de geboorte van een woord
07:27
and bring him gently into more complex language.
155
447260
4000
en hem zachtjes mee te nemen naar meer complexe taal.
07:31
And the implications of this -- there are many,
156
451260
2000
De implicaties hiervan -- er zijn er vele,
07:33
but one I just want to point out,
157
453260
2000
maar ik wil er graag een benoemen --
07:35
is that there must be amazing feedback loops.
158
455260
3000
is dat er steeds geweldig veel feedback plaatsvindt.
07:38
Of course, my son is learning
159
458260
2000
Natuurlijk, mijn zoon leert
07:40
from his linguistic environment,
160
460260
2000
van zijn linguïstische omgeving,
07:42
but the environment is learning from him.
161
462260
3000
maar die omgeving leert van hem.
07:45
That environment, people, are in these tight feedback loops
162
465260
3000
Die omgeving, mensen, zijn gevangen in een proces van feedback
07:48
and creating a kind of scaffolding
163
468260
2000
en scheppen zo een soort steigerwerk
07:50
that has not been noticed until now.
164
470260
3000
dat tot nu toe nog niet was opgemerkt.
07:54
But that's looking at the speech context.
165
474260
2000
Tot zover onze blik op de spraakcontext.
07:56
What about the visual context?
166
476260
2000
Hoe zit het met de beeldcontext?
07:58
We're not looking at --
167
478260
2000
We kijken niet naar --
08:00
think of this as a dollhouse cutaway of our house.
168
480260
2000
zie dit als een poppenhuisblik in ons huis.
08:02
We've taken those circular fish-eye lens cameras,
169
482260
3000
We namen camera's met van die fish-eye lenzen
08:05
and we've done some optical correction,
170
485260
2000
en na wat optische correctie
08:07
and then we can bring it into three-dimensional life.
171
487260
4000
kunnen we het driedimensionaal tot leven brengen.
08:11
So welcome to my home.
172
491260
2000
Welkom bij mij thuis.
08:13
This is a moment,
173
493260
2000
Dit is een moment,
08:15
one moment captured across multiple cameras.
174
495260
3000
een moment dat verschillende camera's hebben opgenomen.
08:18
The reason we did this is to create the ultimate memory machine,
175
498260
3000
We deden dit om de ultieme geheugenmachine te maken,
08:21
where you can go back and interactively fly around
176
501260
3000
waarin je terug kan en interactief kan rondvliegen
08:24
and then breathe video-life into this system.
177
504260
3000
en dan videoleven kunt toevoegen aan dit systeem.
08:27
What I'm going to do
178
507260
2000
Ik ga jullie
08:29
is give you an accelerated view of 30 minutes,
179
509260
3000
een versneld beeld laten zien van 30 minuten,
08:32
again, of just life in the living room.
180
512260
2000
opnieuw, gewoon het leven in de woonkamer.
08:34
That's me and my son on the floor.
181
514260
3000
Dat ben ik met mijn zoon op de grond.
08:37
And there's video analytics
182
517260
2000
En hier zijn analysegegevens in de video
08:39
that are tracking our movements.
183
519260
2000
die onze bewegingen volgen.
08:41
My son is leaving red ink. I am leaving green ink.
184
521260
3000
Mijn zoon laat een rood spoor achter, ik een groen spoor.
08:44
We're now on the couch,
185
524260
2000
Hier zitten we op de bank
08:46
looking out through the window at cars passing by.
186
526260
3000
en we kijken uit het raam naar passerende auto's.
08:49
And finally, my son playing in a walking toy by himself.
187
529260
3000
Aan het einde speelt mijn zoon zelf in een loopspeelgoed.
08:52
Now we freeze the action, 30 minutes,
188
532260
3000
Nu zetten we de actie stil, 30 minuten,
08:55
we turn time into the vertical axis,
189
535260
2000
we zetten de tijd op de verticale as,
08:57
and we open up for a view
190
537260
2000
en we krijgen een blik
08:59
of these interaction traces we've just left behind.
191
539260
3000
op de interactiesporen die we net hebben achtergelaten.
09:02
And we see these amazing structures --
192
542260
3000
We zien dit soort geweldige structuren --
09:05
these little knots of two colors of thread
193
545260
3000
deze kleine knooppunten van gekleurde draden
09:08
we call "social hot spots."
194
548260
2000
die we sociale hotspots noemen.
09:10
The spiral thread
195
550260
2000
Dit spiraalvormige draadje
09:12
we call a "solo hot spot."
196
552260
2000
noemen we een solo hotspot.
09:14
And we think that these affect the way language is learned.
197
554260
3000
We denken dat deze een invloed hebben op het aanleren van taal.
09:17
What we'd like to do
198
557260
2000
We willen graag
09:19
is start understanding
199
559260
2000
inzicht verwerven
09:21
the interaction between these patterns
200
561260
2000
in de interactie tussen deze patronen
09:23
and the language that my son is exposed to
201
563260
2000
en de taal waar mijn zoon mee in aanraking komt
09:25
to see if we can predict
202
565260
2000
om te zien of we kunnen voorspellen
09:27
how the structure of when words are heard
203
567260
2000
hoe de structuur waarin een woord wordt gehoord
09:29
affects when they're learned --
204
569260
2000
een invloed heeft op het leermoment --
09:31
so in other words, the relationship
205
571260
2000
in andere woorden, de relatie
09:33
between words and what they're about in the world.
206
573260
4000
tussen woorden en wat ze betekenen in de wereld.
09:37
So here's how we're approaching this.
207
577260
2000
Dat doen we op deze manier.
09:39
In this video,
208
579260
2000
In deze video
09:41
again, my son is being traced out.
209
581260
2000
zie je opnieuw de sporen van mijn zoon.
09:43
He's leaving red ink behind.
210
583260
2000
Hij laat een rood inktspoor achter.
09:45
And there's our nanny by the door.
211
585260
2000
Daar bij de deur is onze nanny.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
587260
3000
(Video) Nanny: Wil je water? (Baby: Aaaa.)
09:50
Nanny: All right. (Baby: Aaaa.)
213
590260
3000
Nanny: Goed. (Baby: Aaaa.)
09:53
DR: She offers water,
214
593260
2000
DR: Ze biedt hem water
09:55
and off go the two worms
215
595260
2000
en daar gaan de twee wormpjes,
09:57
over to the kitchen to get water.
216
597260
2000
op naar de keuken om water te halen.
09:59
And what we've done is use the word "water"
217
599260
2000
Hier hebben we het woord "water" gebruikt
10:01
to tag that moment, that bit of activity.
218
601260
2000
om dat moment, die activiteit te markeren.
10:03
And now we take the power of data
219
603260
2000
Nu nemen we de kracht van data
10:05
and take every time my son
220
605260
3000
en bekijken we elke keer dat mijn zoon
10:08
ever heard the word water
221
608260
2000
het woord water heeft gehoord
10:10
and the context he saw it in,
222
610260
2000
en de context waarin hij het tegenkwam,
10:12
and we use it to penetrate through the video
223
612260
3000
dat gebruiken we om in de video door te dringen
10:15
and find every activity trace
224
615260
3000
en elk spoor van activiteiten te vinden
10:18
that co-occurred with an instance of water.
225
618260
3000
dat samenviel met een moment dat "water" viel.
10:21
And what this data leaves in its wake
226
621260
2000
De data laten in hun kielzog
10:23
is a landscape.
227
623260
2000
een landschap achter.
10:25
We call these wordscapes.
228
625260
2000
Dat noemen we een woordenlandschap.
10:27
This is the wordscape for the word water,
229
627260
2000
Dit is een woordenlandschap voor het woord "water",
10:29
and you can see most of the action is in the kitchen.
230
629260
2000
en je ziet dat de meeste actie in de keuken plaatsvindt.
10:31
That's where those big peaks are over to the left.
231
631260
3000
Daar zie je die hoge pieken aan de linkerkant.
10:34
And just for contrast, we can do this with any word.
232
634260
3000
En als contrast kunnen we dat met elk woord doen.
10:37
We can take the word "bye"
233
637260
2000
We kunnen kijken naar het woord "bye"
10:39
as in "good bye."
234
639260
2000
als in "good bye".
10:41
And we're now zoomed in over the entrance to the house.
235
641260
2000
Hier zoomen we in op de voordeur van het huis.
10:43
And we look, and we find, as you would expect,
236
643260
3000
En inderdaad, zoals te verwachten vinden we
10:46
a contrast in the landscape
237
646260
2000
een contrast in het landschap
10:48
where the word "bye" occurs much more in a structured way.
238
648260
3000
waar het woord "bye" veel gestructureerder verschijnt.
10:51
So we're using these structures
239
651260
2000
We gebruiken deze structuren
10:53
to start predicting
240
653260
2000
om voorspellingen te doen
10:55
the order of language acquisition,
241
655260
3000
over de volgorde van taalverwerving,
10:58
and that's ongoing work now.
242
658260
2000
en dat werk is nu in volle gang.
11:00
In my lab, which we're peering into now, at MIT --
243
660260
3000
In mijn lab, waar we nu in kijken, aan MIT --
11:03
this is at the media lab.
244
663260
2000
dit is het medialab.
11:05
This has become my favorite way
245
665260
2000
Dit is mijn favoriete manier geworden
11:07
of videographing just about any space.
246
667260
2000
om zowat elke ruimte op video vast te leggen.
11:09
Three of the key people in this project,
247
669260
2000
Drie van de belangrijkste mensen in dit project,
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
671260
3000
Philip DeCap, Rony Kubat en Brandon Roy, staan hier op de foto.
11:14
Philip has been a close collaborator
249
674260
2000
Philip heeft intensief met mij gewerkt
11:16
on all the visualizations you're seeing.
250
676260
2000
aan alle visualisaties die jullie zien.
11:18
And Michael Fleischman
251
678260
3000
En Michael Fleischman
11:21
was another Ph.D. student in my lab
252
681260
2000
was een andere doctorsstudent in mijn lab
11:23
who worked with me on this home video analysis,
253
683260
3000
die met me heeft gewerkt aan de analyse van de video's.
11:26
and he made the following observation:
254
686260
3000
Hij merkte het volgende op:
11:29
that "just the way that we're analyzing
255
689260
2000
"Net zoals we analyseren
11:31
how language connects to events
256
691260
3000
hoe taal verbonden is met gebeurtenissen
11:34
which provide common ground for language,
257
694260
2000
die een bodem vormen onder taal,
11:36
that same idea we can take out of your home, Deb,
258
696260
4000
zo kunnen we dat idee uit jouw huis, Deb,
11:40
and we can apply it to the world of public media."
259
700260
3000
ook gebruiken in de wereld van openbare media."
11:43
And so our effort took an unexpected turn.
260
703260
3000
Toen nam ons onderzoek een onverwachte draai.
11:46
Think of mass media
261
706260
2000
Denk aan massamedia
11:48
as providing common ground
262
708260
2000
als een soort bodem
11:50
and you have the recipe
263
710260
2000
en je hebt het recept
11:52
for taking this idea to a whole new place.
264
712260
3000
om dit idee op een heel andere manier in te zetten.
11:55
We've started analyzing television content
265
715260
3000
We begonnen televisiecontent te analyseren
11:58
using the same principles --
266
718260
2000
op basis van dezelfde principes --
12:00
analyzing event structure of a TV signal --
267
720260
3000
een analyse van de gebeurtenissenstructuur van wat op tv is --
12:03
episodes of shows,
268
723260
2000
afleveringen van series,
12:05
commercials,
269
725260
2000
commercials,
12:07
all of the components that make up the event structure.
270
727260
3000
alle componenten die een gebeurtenissenstructuur bepalen.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
730260
3000
Dankzij satellietschotels bekijken en analyseren we nu
12:13
a good part of all the TV being watched in the United States.
272
733260
3000
een groot deel van wat in de Verenigde Staten op tv is.
12:16
And you don't have to now go and instrument living rooms with microphones
273
736260
3000
Het is tegenwoordig niet meer nodig om huiskamers uit te rusten met microfoons
12:19
to get people's conversations,
274
739260
2000
om de gespreken van mensen op te nemen,
12:21
you just tune into publicly available social media feeds.
275
741260
3000
het volstaat om te kijken naar openbare sociale media.
12:24
So we're pulling in
276
744260
2000
We verzamelen
12:26
about three billion comments a month,
277
746260
2000
zo'n 3 miljard reacties per maand.
12:28
and then the magic happens.
278
748260
2000
En dan gebeurt het.
12:30
You have the event structure,
279
750260
2000
Je hebt de gebeurtenissenstructuur,
12:32
the common ground that the words are about,
280
752260
2000
de bodem onder de betekenis van woorden,
12:34
coming out of the television feeds;
281
754260
3000
vanuit de stroom op televisie;
12:37
you've got the conversations
282
757260
2000
je hebt de conversaties
12:39
that are about those topics;
283
759260
2000
over deze onderwerpen
12:41
and through semantic analysis --
284
761260
3000
en door semantische analyse --
12:44
and this is actually real data you're looking at
285
764260
2000
nu kijken jullie trouwens naar echte data
12:46
from our data processing --
286
766260
2000
uit onze gegevensanalyse --
12:48
each yellow line is showing a link being made
287
768260
3000
elke gele lijn duidt op een gemaakte link
12:51
between a comment in the wild
288
771260
3000
tussen een reactie in het wild
12:54
and a piece of event structure coming out of the television signal.
289
774260
3000
en een stukje uit de gebeurtenissenstructuur van de televisiestroom.
12:57
And the same idea now
290
777260
2000
Hetzelfde idee kan
12:59
can be built up.
291
779260
2000
nu worden opgebouwd.
13:01
And we get this wordscape,
292
781260
2000
We krijgen dit woordenlandschap,
13:03
except now words are not assembled in my living room.
293
783260
3000
maar nu worden woorden niet in mijn woonkamer in elkaar gezet.
13:06
Instead, the context, the common ground activities,
294
786260
4000
In plaats daarvan wordt de context, de basisactiviteit bepaald
13:10
are the content on television that's driving the conversations.
295
790260
3000
door de content op televisie die de conversaties aanjaagt.
13:13
And what we're seeing here, these skyscrapers now,
296
793260
3000
Hier zien we deze wolkenkrabbers,
13:16
are commentary
297
796260
2000
dat zijn reacties
13:18
that are linked to content on television.
298
798260
2000
die zijn gekoppeld aan content op televisie.
13:20
Same concept,
299
800260
2000
Hetzelfde concept,
13:22
but looking at communication dynamics
300
802260
2000
maar dan gericht op de dynamiek van communicatie
13:24
in a very different sphere.
301
804260
2000
in een totaal andere omgeving.
13:26
And so fundamentally, rather than, for example,
302
806260
2000
In plaats van bijvoorbeeld
13:28
measuring content based on how many people are watching,
303
808260
3000
content te meten op basis van hoeveel mensen kijken,
13:31
this gives us the basic data
304
811260
2000
krijgen we hier de basisgegevens
13:33
for looking at engagement properties of content.
305
813260
3000
over hoe content tot interactie leidt.
13:36
And just like we can look at feedback cycles
306
816260
3000
Net zoals we kunnen kijken naar de uitwisseling van feedback
13:39
and dynamics in a family,
307
819260
3000
en de dynamiek in een gezin
13:42
we can now open up the same concepts
308
822260
3000
kunnen we nu dezelfde concepten wijder maken
13:45
and look at much larger groups of people.
309
825260
3000
en kijken naar een veel grotere groep mensen.
13:48
This is a subset of data from our database --
310
828260
3000
Dit is een subset van gegevens uit onze database --
13:51
just 50,000 out of several million --
311
831260
3000
slechts 50.000 van enkele miljoenen --
13:54
and the social graph that connects them
312
834260
2000
en het sociale beeld dat ze bindt
13:56
through publicly available sources.
313
836260
3000
via openbaar beschikbare bronnen.
13:59
And if you put them on one plain,
314
839260
2000
Als je die in één vlak plaatst,
14:01
a second plain is where the content lives.
315
841260
3000
staat de content in een tweede vlak.
14:04
So we have the programs
316
844260
3000
De programma's
14:07
and the sporting events
317
847260
2000
en de sportevenementen
14:09
and the commercials,
318
849260
2000
en de commercials
14:11
and all of the link structures that tie them together
319
851260
2000
en alle verbindende structuren ertussen
14:13
make a content graph.
320
853260
2000
maken samen een contentplaatje.
14:15
And then the important third dimension.
321
855260
4000
En dan de belangrijke derde dimensie.
14:19
Each of the links that you're seeing rendered here
322
859260
2000
Elke koppeling die jullie hier weergegeven zien
14:21
is an actual connection made
323
861260
2000
is een werkelijke verbinding
14:23
between something someone said
324
863260
3000
tussen iets wat iemand heeft gezegd
14:26
and a piece of content.
325
866260
2000
en een brokje content.
14:28
And there are, again, now tens of millions of these links
326
868260
3000
Er zijn, opnieuw, tientallen miljoenen van dit soort links
14:31
that give us the connective tissue of social graphs
327
871260
3000
die een web van sociale beelden opleveren
14:34
and how they relate to content.
328
874260
3000
en hoe ze zich verhouden tot de content.
14:37
And we can now start to probe the structure
329
877260
2000
Nu kunnen we de structuur gaan onderzoeken
14:39
in interesting ways.
330
879260
2000
op interessante manieren.
14:41
So if we, for example, trace the path
331
881260
3000
Als we bijvoorbeeld een pad tekenen
14:44
of one piece of content
332
884260
2000
van een brokje content
14:46
that drives someone to comment on it,
333
886260
2000
dat iemand inspireerde om erop te reageren,
14:48
and then we follow where that comment goes,
334
888260
3000
en dan volgen waar die reactie heen gaat
14:51
and then look at the entire social graph that becomes activated
335
891260
3000
om vervolgens te kijken naar de complete sociale grafiek die wordt geactiveerd
14:54
and then trace back to see the relationship
336
894260
3000
en terug te gaan naar de relatie
14:57
between that social graph and content,
337
897260
2000
tussen de sociale grafiek en de content,
14:59
a very interesting structure becomes visible.
338
899260
2000
dan wordt een interessante structuur zichtbaar.
15:01
We call this a co-viewing clique,
339
901260
2000
Die noemen we een "samen kijkend groepje",
15:03
a virtual living room if you will.
340
903260
3000
een virtuele woonkamer als het ware.
15:06
And there are fascinating dynamics at play.
341
906260
2000
Hier is een fascinerende dynamiek gaande.
15:08
It's not one way.
342
908260
2000
Het is geen eenrichtingsverkeer.
15:10
A piece of content, an event, causes someone to talk.
343
910260
3000
Een brokje content, een gebeurtenis maakt dat iemand erover gaat praten.
15:13
They talk to other people.
344
913260
2000
Die praat weer met anderen.
15:15
That drives tune-in behavior back into mass media,
345
915260
3000
Dit stimuleert weer dat men teruggaat naar de massamedia
15:18
and you have these cycles
346
918260
2000
en je krijgt deze cycli
15:20
that drive the overall behavior.
347
920260
2000
die een algemeen gedrag sturen.
15:22
Another example -- very different --
348
922260
2000
Een ander voorbeeld -- heel anders --
15:24
another actual person in our database --
349
924260
3000
van een andere persoon in onze database --
15:27
and we're finding at least hundreds, if not thousands, of these.
350
927260
3000
we vinden minstens honderden, zoniet duizenden hiervan.
15:30
We've given this person a name.
351
930260
2000
We hebben deze persoon een naam gegeven.
15:32
This is a pro-amateur, or pro-am media critic
352
932260
3000
Dit is een pro-amateur, of pro-am, mediacriticus
15:35
who has this high fan-out rate.
353
935260
3000
die een hoog bereik heeft.
15:38
So a lot of people are following this person -- very influential --
354
938260
3000
Veel mensen volgen deze persoon dus -- hij is heel invloedrijk --
15:41
and they have a propensity to talk about what's on TV.
355
941260
2000
en ze hebben de neiging om te bespreken wat er op tv is.
15:43
So this person is a key link
356
943260
3000
Deze persoon is dus een sleutelverbinding
15:46
in connecting mass media and social media together.
357
946260
3000
tussen de massamedia en de sociale media.
15:49
One last example from this data:
358
949260
3000
Een laatste voorbeeld uit deze data:
15:52
Sometimes it's actually a piece of content that is special.
359
952260
3000
soms is een brokje content zelf bijzonder.
15:55
So if we go and look at this piece of content,
360
955260
4000
Laten we teruggaan en kijken naar dit contentelement,
15:59
President Obama's State of the Union address
361
959260
3000
de State of the Union van president Obama
16:02
from just a few weeks ago,
362
962260
2000
van slechts een paar weken geleden
16:04
and look at what we find in this same data set,
363
964260
3000
en kijken wat we vinden in dezelfde dataset,
16:07
at the same scale,
364
967260
3000
op dezelfde schaal:
16:10
the engagement properties of this piece of content
365
970260
2000
de bindingskenmerken van deze brok content
16:12
are truly remarkable.
366
972260
2000
zijn echt opmerkelijk.
16:14
A nation exploding in conversation
367
974260
2000
Een heel land explodeert in conversatie
16:16
in real time
368
976260
2000
in real-time
16:18
in response to what's on the broadcast.
369
978260
3000
in reactie op wat er is uitgezonden.
16:21
And of course, through all of these lines
370
981260
2000
Natuurlijk, tussen al deze lijnen
16:23
are flowing unstructured language.
371
983260
2000
vloeit ongestructureerde taal.
16:25
We can X-ray
372
985260
2000
We kunnen een röntgenfoto nemen
16:27
and get a real-time pulse of a nation,
373
987260
2000
en in real-time de vinger aan de pols van een land houden,
16:29
real-time sense
374
989260
2000
een real-time gevoel
16:31
of the social reactions in the different circuits in the social graph
375
991260
3000
van de sociale reacties in verschillende circuits van het sociale plaatje
16:34
being activated by content.
376
994260
3000
die door de content worden geactiveerd.
16:37
So, to summarize, the idea is this:
377
997260
3000
Als ik samenvat, is dit het idee:
16:40
As our world becomes increasingly instrumented
378
1000260
3000
terwijl onze wereld steeds meer wordt bepaald door machines
16:43
and we have the capabilities
379
1003260
2000
en we de mogelijkheid hebben
16:45
to collect and connect the dots
380
1005260
2000
om te verzamelen en de punten te verbinden
16:47
between what people are saying
381
1007260
2000
tussen wat mensen zeggen
16:49
and the context they're saying it in,
382
1009260
2000
en de context waarin ze het zeggen,
16:51
what's emerging is an ability
383
1011260
2000
zien we een mogelijkheid bovenkomen
16:53
to see new social structures and dynamics
384
1013260
3000
om nieuwe sociale structuren en dynamiek te zien
16:56
that have previously not been seen.
385
1016260
2000
die tot dan toe verborgen bleven.
16:58
It's like building a microscope or telescope
386
1018260
2000
Het is alsof je een microscoop of telescoop bouwt
17:00
and revealing new structures
387
1020260
2000
en nieuwe structuren onthult
17:02
about our own behavior around communication.
388
1022260
3000
over ons gedrag rond communicatie.
17:05
And I think the implications here are profound,
389
1025260
3000
Ik denk dat de gevolgen diepgaand zullen zijn,
17:08
whether it's for science,
390
1028260
2000
zowel voor de wetenschap,
17:10
for commerce, for government,
391
1030260
2000
als voor de economie, voor de overheid
17:12
or perhaps most of all,
392
1032260
2000
of misschien nog wel het meest
17:14
for us as individuals.
393
1034260
3000
voor ons als individu.
17:17
And so just to return to my son,
394
1037260
3000
Om terug te keren bij mijn zoon:
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1040260
3000
toen ik dit praatje voorbereidde, keek hij mee over mijn schouder
17:23
and I showed him the clips I was going to show to you today,
396
1043260
2000
en ik liet hem de clips zien die ik jullie vandaag zou tonen,
17:25
and I asked him for permission -- granted.
397
1045260
3000
en ik vroeg hem om toestemming -- die kreeg ik.
17:28
And then I went on to reflect,
398
1048260
2000
Toen bedacht ik me:
17:30
"Isn't it amazing,
399
1050260
3000
"Is het niet geweldig,
17:33
this entire database, all these recordings,
400
1053260
3000
deze hele database, al deze opnames,
17:36
I'm going to hand off to you and to your sister" --
401
1056260
2000
die ga ik nalaten aan jou en aan je zus,
17:38
who arrived two years later --
402
1058260
3000
die twee jaar later kwam.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1061260
3000
En jullie zullen terug kunnen gaan en momenten opnieuw kunnen beleven
17:44
that you could never, with your biological memory,
404
1064260
3000
die je je nooit met je biologische geheugen
17:47
possibly remember the way you can now?"
405
1067260
2000
zou kunnen herinneren zoals je dat nu kunt."
17:49
And he was quiet for a moment.
406
1069260
2000
Toen was hij een moment stil.
17:51
And I thought, "What am I thinking?
407
1071260
2000
En ik dacht: "Wat denk ik wel niet?
17:53
He's five years old. He's not going to understand this."
408
1073260
2000
Hij is vijf jaar. Hij begrijpt dit nog niet."
17:55
And just as I was having that thought, he looked up at me and said,
409
1075260
3000
En juist toen ik dat dacht, keek hij naar me op en zei hij:
17:58
"So that when I grow up,
410
1078260
2000
"Als ik later groot ben
18:00
I can show this to my kids?"
411
1080260
2000
kan ik dit dus aan mijn kinderen laten zien?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1082260
3000
Ik dacht: "Tjonge, dat is sterk."
18:05
So I want to leave you
413
1085260
2000
Ik wil jullie graag
18:07
with one last memorable moment
414
1087260
2000
nog een gedenkwaardig moment meegeven
18:09
from our family.
415
1089260
3000
uit onze familie.
18:12
This is the first time our son
416
1092260
2000
Dit is de eerste keer dat onze zoon
18:14
took more than two steps at once --
417
1094260
2000
meer dan twee stappen tegelijk nam --
18:16
captured on film.
418
1096260
2000
vastgelegd op film.
18:18
And I really want you to focus on something
419
1098260
3000
Ik wil graag dat jullie vooral op één ding letten
18:21
as I take you through.
420
1101260
2000
als ik het jullie laat zien.
18:23
It's a cluttered environment; it's natural life.
421
1103260
2000
De omgeving is rommelig, het is het echte leven.
18:25
My mother's in the kitchen, cooking,
422
1105260
2000
Mijn moeder is in de keuken aan het koken
18:27
and, of all places, in the hallway,
423
1107260
2000
en in de gang, stel je ook voor,
18:29
I realize he's about to do it, about to take more than two steps.
424
1109260
3000
realiseer ik me dat hij het gaat doen, meer dan twee stappen tegelijk nemen.
18:32
And so you hear me encouraging him,
425
1112260
2000
Je hoort mij hem dus aanmoedigen
18:34
realizing what's happening,
426
1114260
2000
terwijl ik me realiseer wat er gebeurt,
18:36
and then the magic happens.
427
1116260
2000
en dat komt het magische moment.
18:38
Listen very carefully.
428
1118260
2000
Luister heel goed.
18:40
About three steps in,
429
1120260
2000
Na ongeveer drie stappen
18:42
he realizes something magic is happening,
430
1122260
2000
realiseert hij zich dat het gebeurt.
18:44
and the most amazing feedback loop of all kicks in,
431
1124260
3000
Dan komt de meest geweldige feedbackreactie van allemaal,
18:47
and he takes a breath in,
432
1127260
2000
hij neemt een diepe adem
18:49
and he whispers "wow"
433
1129260
2000
en fluistert "wauw"
18:51
and instinctively I echo back the same.
434
1131260
4000
en op instinct doe ik hetzelfde.
18:56
And so let's fly back in time
435
1136260
3000
Laten we teruggaan in de tijd
18:59
to that memorable moment.
436
1139260
2000
tot dat gedenkwaardige moment.
19:05
(Video) DR: Hey.
437
1145260
2000
(Video): DR: Hey.
19:07
Come here.
438
1147260
2000
Kom hier.
19:09
Can you do it?
439
1149260
3000
Kun je het doen?
19:13
Oh, boy.
440
1153260
2000
Jongen toch.
19:15
Can you do it?
441
1155260
3000
Kun je het?
19:18
Baby: Yeah.
442
1158260
2000
Baby: Ja.
19:20
DR: Ma, he's walking.
443
1160260
3000
DR: Ma, hij loopt.
19:24
(Laughter)
444
1164260
2000
(Gelach)
19:26
(Applause)
445
1166260
2000
(Applaus)
19:28
DR: Thank you.
446
1168260
2000
DR: Dank jullie wel.
19:30
(Applause)
447
1170260
15000
(Applaus)

Original video on YouTube.com
Over deze website

Deze site laat u kennismaken met YouTube-video's die nuttig zijn om Engels te leren. U ziet Engelse lessen gegeven door topdocenten uit de hele wereld. Dubbelklik op de Engelse ondertitels op elke videopagina om de video af te spelen. De ondertitels scrollen synchroon met het afspelen van de video. Heeft u opmerkingen of verzoeken, neem dan contact met ons op via dit contactformulier.

https://forms.gle/WvT1wiN1qDtmnspy7