Deb Roy: The birth of a word

Deb Roy: O nascimento de uma palavra

410,607 views ・ 2011-03-14

TED


Por favor, clique duas vezes nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Luiz Alexandre Gruszynski Revisor: Viviane Ferraz Matos
00:15
Imagine if you could record your life --
0
15260
4000
Imagine se você pudesse gravar sua vida -
00:19
everything you said, everything you did,
1
19260
3000
tudo que você disse, tudo que você fez,
00:22
available in a perfect memory store at your fingertips,
2
22260
3000
disponível em um perfeito banco de memória, ao alcance das mãos,
00:25
so you could go back
3
25260
2000
então você poderia voltar
00:27
and find memorable moments and relive them,
4
27260
3000
e encontrar momentos memoráveis e revivê-los,
00:30
or sift through traces of time
5
30260
3000
ou examinar períodos de tempo
00:33
and discover patterns in your own life
6
33260
2000
e descobrir padrões em sua vida
00:35
that previously had gone undiscovered.
7
35260
3000
que não haviam sido descobertos antes.
00:38
Well that's exactly the journey
8
38260
2000
Esta é exatamente a jornada
00:40
that my family began
9
40260
2000
que minha família começou
00:42
five and a half years ago.
10
42260
2000
há cinco anos e meio.
00:44
This is my wife and collaborator, Rupal.
11
44260
3000
Esta é minha mulher e colaboradora, Rupal.
00:47
And on this day, at this moment,
12
47260
2000
E neste dia, neste momento,
00:49
we walked into the house with our first child,
13
49260
2000
entramos em casa com nosso primeiro filho,
00:51
our beautiful baby boy.
14
51260
2000
nosso lindo garotinho.
00:53
And we walked into a house
15
53260
3000
E entramos em uma casa
00:56
with a very special home video recording system.
16
56260
4000
com um sistema de gravação de vídeos caseiros muito especial.
01:07
(Video) Man: Okay.
17
67260
2000
(Vídeo) Homem: OK.
01:10
Deb Roy: This moment
18
70260
1000
Deb Roy: Este momento
01:11
and thousands of other moments special for us
19
71260
3000
e milhares de outros momentos especiais para nós,
01:14
were captured in our home
20
74260
2000
foram captados em nossa casa
01:16
because in every room in the house,
21
76260
2000
porque em cada cômodo,
01:18
if you looked up, you'd see a camera and a microphone,
22
78260
3000
se você olhasse para cima, veria uma câmera e um microfone,
01:21
and if you looked down,
23
81260
2000
e se olhasse para baixo,
01:23
you'd get this bird's-eye view of the room.
24
83260
2000
teria uma visão panorâmica do cômodo.
01:25
Here's our living room,
25
85260
3000
Esta é nossa sala,
01:28
the baby bedroom,
26
88260
3000
o quarto do bebê,
01:31
kitchen, dining room
27
91260
2000
cozinha, sala de jantar
01:33
and the rest of the house.
28
93260
2000
e o resto da casa.
01:35
And all of these fed into a disc array
29
95260
3000
E tudo isto ia para uma série de discos
01:38
that was designed for a continuous capture.
30
98260
3000
desenvolvidos para uma captação ininterrupta.
01:41
So here we are flying through a day in our home
31
101260
3000
Aqui estamos sobrevoando um dia em nossa casa
01:44
as we move from sunlit morning
32
104260
3000
à medida em que passamos de uma manhã de sol
01:47
through incandescent evening
33
107260
2000
a uma noite incandescente
01:49
and, finally, lights out for the day.
34
109260
3000
e, finalmente, luzes apagadas.
01:53
Over the course of three years,
35
113260
3000
Ao longo de três anos,
01:56
we recorded eight to 10 hours a day,
36
116260
2000
gravamos de oito a dez horas por dia,
01:58
amassing roughly a quarter-million hours
37
118260
3000
coletando cerca de 250 mil horas
02:01
of multi-track audio and video.
38
121260
3000
de multi-faixas de áudio e vídeo.
02:04
So you're looking at a piece of what is by far
39
124260
2000
Então, vocês estão vendo o que é certamente
02:06
the largest home video collection ever made.
40
126260
2000
a maior coleção de vídeos caseiros já feita.
02:08
(Laughter)
41
128260
3000
(Risos)
02:11
And what this data represents
42
131260
2000
E o que esses dados representam
02:13
for our family at a personal level,
43
133260
4000
para nossa família, pessoalmente,
02:17
the impact has already been immense,
44
137260
2000
o impacto tem sido imenso,
02:19
and we're still learning its value.
45
139260
3000
e ainda estamos aprendendo seu valor.
02:22
Countless moments
46
142260
2000
Inúmeros momentos
02:24
of unsolicited natural moments, not posed moments,
47
144260
3000
de expressões naturais, não ensaiados,
02:27
are captured there,
48
147260
2000
foram captados lá,
02:29
and we're starting to learn how to discover them and find them.
49
149260
3000
e estamos aprendendo como descobri-los e encontrá-los.
02:32
But there's also a scientific reason that drove this project,
50
152260
3000
Mas também há uma razão científica para este projeto,
02:35
which was to use this natural longitudinal data
51
155260
4000
que era usar estes dados naturais e longitudinais
02:39
to understand the process
52
159260
2000
para entender o processo
02:41
of how a child learns language --
53
161260
2000
de como uma criança aprende linguagem -
02:43
that child being my son.
54
163260
2000
essa criança sendo meu filho.
02:45
And so with many privacy provisions put in place
55
165260
4000
Então, com várias cláusulas de privacidade
02:49
to protect everyone who was recorded in the data,
56
169260
3000
para proteger todos que foram gravados,
02:52
we made elements of the data available
57
172260
3000
nós disponibilizamos elementos dos dados
02:55
to my trusted research team at MIT
58
175260
3000
para a minha confiável equipe de pesquisadores no MIT,
02:58
so we could start teasing apart patterns
59
178260
3000
para que pudéssemos separar padrões
03:01
in this massive data set,
60
181260
3000
neste conjunto maciço de dados,
03:04
trying to understand the influence of social environments
61
184260
3000
tentando entender a influência de ambientes sociais
03:07
on language acquisition.
62
187260
2000
na aquisição da linguagem.
03:09
So we're looking here
63
189260
2000
Aqui, estamos vendo
03:11
at one of the first things we started to do.
64
191260
2000
uma das primeiras coisas que fizemos.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
193260
4000
Eu e minha esposa fazendo o café da manhã na cozinha.
03:17
and as we move through space and through time,
66
197260
3000
E à medida em que avançamos no espaço e no tempo,
03:20
a very everyday pattern of life in the kitchen.
67
200260
3000
há um padrão de vida bem cotidiano na cozinha.
03:23
In order to convert
68
203260
2000
Para converter
03:25
this opaque, 90,000 hours of video
69
205260
3000
este vídeo opaco de 90 mil horas
03:28
into something that we could start to see,
70
208260
2000
em algo que poderíamos começar a ver,
03:30
we use motion analysis to pull out,
71
210260
2000
usamos a análise de movimentos para selecionar,
03:32
as we move through space and through time,
72
212260
2000
à medida em que avançamos no espaço e no tempo,
03:34
what we call space-time worms.
73
214260
3000
o que chamamos de vermes do espaço-tempo.
03:37
And this has become part of our toolkit
74
217260
3000
E isso se tornou parte das nossas ferramentas
03:40
for being able to look and see
75
220260
3000
para sermos capazes de olhar e ver
03:43
where the activities are in the data,
76
223260
2000
onde estão as atividades nos dados
03:45
and with it, trace the pattern of, in particular,
77
225260
3000
e, com isso, traçar um padrão
03:48
where my son moved throughout the home,
78
228260
2000
de onde meu filho se movia pela casa,
03:50
so that we could focus our transcription efforts,
79
230260
3000
para que pudéssemos focar nossos esforços de transcrição
03:53
all of the speech environment around my son --
80
233260
3000
em todo o ambiente de fala em volta do meu filho -
03:56
all of the words that he heard from myself, my wife, our nanny,
81
236260
3000
todas as palavras que ele ouviu de mim, minha esposa, nossa babá
03:59
and over time, the words he began to produce.
82
239260
3000
e, com o tempo, as palavras que ele começou a produzir.
04:02
So with that technology and that data
83
242260
3000
Então, com essa tecnologia e aqueles dados
04:05
and the ability to, with machine assistance,
84
245260
2000
e a habilidade de, com ajuda da máquina,
04:07
transcribe speech,
85
247260
2000
transcrever as falas,
04:09
we've now transcribed
86
249260
2000
nós já transcrevemos
04:11
well over seven million words of our home transcripts.
87
251260
3000
mais de sete milhões de palavras das nossas transcrições caseiras.
04:14
And with that, let me take you now
88
254260
2000
Com isso, deixem-me levá-los agora
04:16
for a first tour into the data.
89
256260
3000
para uma primeira turnê pelos dados.
04:19
So you've all, I'm sure,
90
259260
2000
Tenho certeza de que todos já viram
04:21
seen time-lapse videos
91
261260
2000
filmes com lapso de tempo,
04:23
where a flower will blossom as you accelerate time.
92
263260
3000
onde a flor desabrocha quando aceleramos o tempo.
04:26
I'd like you to now experience
93
266260
2000
Agora, eu gostaria que vocês presenciassem
04:28
the blossoming of a speech form.
94
268260
2000
o desabrochar de uma fala.
04:30
My son, soon after his first birthday,
95
270260
2000
Meu filho, logo após seu primeiro aniversário,
04:32
would say "gaga" to mean water.
96
272260
3000
dizia "gaga" significando "água".
04:35
And over the course of the next half-year,
97
275260
3000
E ao longo dos seis meses seguintes,
04:38
he slowly learned to approximate
98
278260
2000
ele lentamente aprendeu a aproximar-se
04:40
the proper adult form, "water."
99
280260
3000
da forma apropriada do adulto, "água".
04:43
So we're going to cruise through half a year
100
283260
2000
Então vamos atravessar meio ano
04:45
in about 40 seconds.
101
285260
2000
em cerca de 40 segundos.
04:47
No video here,
102
287260
2000
Não há vídeo aqui,
04:49
so you can focus on the sound, the acoustics,
103
289260
3000
para que vocês foquem no som, na acústica,
04:52
of a new kind of trajectory:
104
292260
2000
de uma nova trajetória:
04:54
gaga to water.
105
294260
2000
gaga para água.
04:56
(Audio) Baby: Gagagagagaga
106
296260
12000
(Áudio) Bebê: 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
uada, gaga, gaga, gaga, gaga
05:22
wader guga guga
110
322260
4000
ága guga guga
05:26
water water water
111
326260
3000
água água água
05:29
water water water
112
329260
6000
água água água
05:35
water water
113
335260
4000
água água
05:39
water.
114
339260
2000
água.
05:41
DR: He sure nailed it, didn't he.
115
341260
2000
DR: Ele pegou direitinho, não é?
05:43
(Applause)
116
343260
7000
(Aplausos)
05:50
So he didn't just learn water.
117
350260
2000
Então ele não aprendeu só água.
05:52
Over the course of the 24 months,
118
352260
2000
Ao longo de 24 meses,
05:54
the first two years that we really focused on,
119
354260
3000
os dois primeiros anos, que realmente focamos,
05:57
this is a map of every word he learned in chronological order.
120
357260
4000
este é um mapa de cada palava que ele aprendeu em ordem cronológica.
06:01
And because we have full transcripts,
121
361260
3000
E como temos transcrições completas,
06:04
we've identified each of the 503 words
122
364260
2000
identificamos cada uma das 503 palavras
06:06
that he learned to produce by his second birthday.
123
366260
2000
que ele aprendeu a produzir até seu segundo aniversário.
06:08
He was an early talker.
124
368260
2000
Ele aprendeu a falar cedo.
06:10
And so we started to analyze why.
125
370260
3000
Então começamos a analisar o porquê.
06:13
Why were certain words born before others?
126
373260
3000
Por que algumas palavras apareceram antes de outras?
06:16
This is one of the first results
127
376260
2000
Este é um dos primeiros resultados
06:18
that came out of our study a little over a year ago
128
378260
2000
obtidos no nosso estudo há pouco mais de um ano
06:20
that really surprised us.
129
380260
2000
que realmente nos surpreendeu.
06:22
The way to interpret this apparently simple graph
130
382260
3000
A maneira de interpretar este gráfico aparentemente simples
06:25
is, on the vertical is an indication
131
385260
2000
é na vertical, e é uma indicação
06:27
of how complex caregiver utterances are
132
387260
3000
do quão complexo é o discurso de quem cuida
06:30
based on the length of utterances.
133
390260
2000
baseado na extensão do discurso.
06:32
And the [horizontal] axis is time.
134
392260
3000
E o eixo vertical é tempo.
06:35
And all of the data,
135
395260
2000
E todos os dados,
06:37
we aligned based on the following idea:
136
397260
3000
nós alinhamos baseado na seguinte ideia:
06:40
Every time my son would learn a word,
137
400260
3000
Toda vez que meu filho aprendia uma palavra,
06:43
we would trace back and look at all of the language he heard
138
403260
3000
nós rastreávamos e víamos toda a linguagem que ele escutou
06:46
that contained that word.
139
406260
2000
que continha a palavra.
06:48
And we would plot the relative length of the utterances.
140
408260
4000
E traçávamos o comprimento relativo de cada discurso.
06:52
And what we found was this curious phenomena,
141
412260
3000
E o que encontramos foram estes fenômenos curiosos,
06:55
that caregiver speech would systematically dip to a minimum,
142
415260
3000
a fala de quem cuidava dele sistematicamente caía a um mínimo,
06:58
making language as simple as possible,
143
418260
3000
fazendo linguagem da maneira mais simples possível,
07:01
and then slowly ascend back up in complexity.
144
421260
3000
e então lentamente ascendendo de volta em complexidade.
07:04
And the amazing thing was
145
424260
2000
E o incrível foi que
07:06
that bounce, that dip,
146
426260
2000
este decréscimo, esta caída,
07:08
lined up almost precisely
147
428260
2000
se alinhou quase precisamente
07:10
with when each word was born --
148
430260
2000
com quando cada palavra nasceu -
07:12
word after word, systematically.
149
432260
2000
palavra após palavra, sistematicamente.
07:14
So it appears that all three primary caregivers --
150
434260
2000
Então parece que as três pessoas que tomavam conta -
07:16
myself, my wife and our nanny --
151
436260
3000
eu, minha esposa e nossa babá -
07:19
were systematically and, I would think, subconsciously
152
439260
3000
estávamos sistematicamente e, eu pensaria, subconscientemente
07:22
restructuring our language
153
442260
2000
reestruturando nossa linguagem
07:24
to meet him at the birth of a word
154
444260
3000
para encontrá-lo no nascimento da palavra
07:27
and bring him gently into more complex language.
155
447260
4000
e trazê-lo gentilmente para uma linguagem mais complexa.
07:31
And the implications of this -- there are many,
156
451260
2000
E as implicações disso - existem muitas,
07:33
but one I just want to point out,
157
453260
2000
mas eu gostaria de destacar uma,
07:35
is that there must be amazing feedback loops.
158
455260
3000
é que devem haver incríveis círculos de retorno.
07:38
Of course, my son is learning
159
458260
2000
É claro, meu filho está aprendendo
07:40
from his linguistic environment,
160
460260
2000
com este ambiente linguístico,
07:42
but the environment is learning from him.
161
462260
3000
mas o ambiente está aprendendo com ele.
07:45
That environment, people, are in these tight feedback loops
162
465260
3000
Esse ambiente, pessoas, estão nesses ajustados círculos de retorno
07:48
and creating a kind of scaffolding
163
468260
2000
e criando uma espécie de andaime
07:50
that has not been noticed until now.
164
470260
3000
que não tinha sido notado até agora.
07:54
But that's looking at the speech context.
165
474260
2000
Mas isso é olhando para o contexto do discurso.
07:56
What about the visual context?
166
476260
2000
Mas e o contexto visual?
07:58
We're not looking at --
167
478260
2000
Não estamos olhando para ele -
08:00
think of this as a dollhouse cutaway of our house.
168
480260
2000
pense nisto como uma casa de bonecas, réplica de nossa casa.
08:02
We've taken those circular fish-eye lens cameras,
169
482260
3000
Nós pegamos as câmeras olho-de-peixe,
08:05
and we've done some optical correction,
170
485260
2000
e fizemos algumas correções óticas,
08:07
and then we can bring it into three-dimensional life.
171
487260
4000
e então podemos trazê-la para o mundo tridimensional.
08:11
So welcome to my home.
172
491260
2000
Então bem-vindos à minha casa.
08:13
This is a moment,
173
493260
2000
Este é um momento,
08:15
one moment captured across multiple cameras.
174
495260
3000
um momento captado por várias câmeras.
08:18
The reason we did this is to create the ultimate memory machine,
175
498260
3000
Nós fizemos isso para criar a máquina de memória definitiva,
08:21
where you can go back and interactively fly around
176
501260
3000
onde você pode voltar no tempo e interagir
08:24
and then breathe video-life into this system.
177
504260
3000
e então aspirar a vida do vídeo neste sistema.
08:27
What I'm going to do
178
507260
2000
O que eu vou fazer
08:29
is give you an accelerated view of 30 minutes,
179
509260
3000
será mostrar-lhes uma visão acelerada de 30 minutos,
08:32
again, of just life in the living room.
180
512260
2000
de novo, de vida na sala de estar.
08:34
That's me and my son on the floor.
181
514260
3000
Eu e meu filho no chão.
08:37
And there's video analytics
182
517260
2000
E há a análise de vídeo
08:39
that are tracking our movements.
183
519260
2000
que está rastreando nossos movimentos.
08:41
My son is leaving red ink. I am leaving green ink.
184
521260
3000
Meu filho está deixando tinta vermelha, e eu tinta verde.
08:44
We're now on the couch,
185
524260
2000
Agora estamos no sofá,
08:46
looking out through the window at cars passing by.
186
526260
3000
olhando pela janela os carros passando.
08:49
And finally, my son playing in a walking toy by himself.
187
529260
3000
E finalmente, meu filho brincando num andador sozinho.
08:52
Now we freeze the action, 30 minutes,
188
532260
3000
Agora congelamos tudo, 30 minutos,
08:55
we turn time into the vertical axis,
189
535260
2000
transformamos o tempo em eixo vertical,
08:57
and we open up for a view
190
537260
2000
e abrimos para uma vista
08:59
of these interaction traces we've just left behind.
191
539260
3000
desses traços interativos que recém deixamos para trás.
09:02
And we see these amazing structures --
192
542260
3000
E nós vemos estas surpreendentes estruturas -
09:05
these little knots of two colors of thread
193
545260
3000
estes pequenos nós de duas cores de filamentos
09:08
we call "social hot spots."
194
548260
2000
que nós chamamos de pontos quentes sociais.
09:10
The spiral thread
195
550260
2000
O fio espiral
09:12
we call a "solo hot spot."
196
552260
2000
nós chamamos ponto quente único.
09:14
And we think that these affect the way language is learned.
197
554260
3000
E nós pensamos que isto afeta a maneira como a linguagem é aprendida.
09:17
What we'd like to do
198
557260
2000
O que nós gostariamos de fazer
09:19
is start understanding
199
559260
2000
é começar a entender
09:21
the interaction between these patterns
200
561260
2000
a interação entre estes padrões
09:23
and the language that my son is exposed to
201
563260
2000
e a linguagem a que o meu filho está exposto
09:25
to see if we can predict
202
565260
2000
para ver se nós podemos prever
09:27
how the structure of when words are heard
203
567260
2000
como a estrutura de quando as palavras são ouvidas
09:29
affects when they're learned --
204
569260
2000
afeta quando elas são aprendidas -
09:31
so in other words, the relationship
205
571260
2000
então em outras palavras, a relação
09:33
between words and what they're about in the world.
206
573260
4000
entre palavras e o que elas significam no mundo.
09:37
So here's how we're approaching this.
207
577260
2000
Então aqui está como estamos abordando isto.
09:39
In this video,
208
579260
2000
Neste vídeo,
09:41
again, my son is being traced out.
209
581260
2000
de novo, meu filho está sendo seguido
09:43
He's leaving red ink behind.
210
583260
2000
Ele está deixando tinta vermelha para trás.
09:45
And there's our nanny by the door.
211
585260
2000
E nossa babá está na porta.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
587260
3000
(Vídeo) Babá. Você quer água? ( Bebê. Aaaa)
09:50
Nanny: All right. (Baby: Aaaa.)
213
590260
3000
Babá. Tudo Bem. (Bebê. Aaaa)
09:53
DR: She offers water,
214
593260
2000
DR. Ela oferece água,
09:55
and off go the two worms
215
595260
2000
e lá vão os dois vermes
09:57
over to the kitchen to get water.
216
597260
2000
até a cozinha para apanhar água.
09:59
And what we've done is use the word "water"
217
599260
2000
E o que nós fizemos foi usar a palavra "água".
10:01
to tag that moment, that bit of activity.
218
601260
2000
para assinalar aquele momento, aquele ponto de atividade.
10:03
And now we take the power of data
219
603260
2000
E agora nós pegamos o poder dos dados
10:05
and take every time my son
220
605260
3000
e pegamos todos os momentos em que meu filho
10:08
ever heard the word water
221
608260
2000
ouviu a palavra água
10:10
and the context he saw it in,
222
610260
2000
e o contexto no qual ele a viu
10:12
and we use it to penetrate through the video
223
612260
3000
e nós os usamos para penetrar através do vídeo
10:15
and find every activity trace
224
615260
3000
e encontrar cada traço de atividade
10:18
that co-occurred with an instance of water.
225
618260
3000
que ocorreu juntamente com um exemplo de água.
10:21
And what this data leaves in its wake
226
621260
2000
E o que esta informação deixa em sua esteira
10:23
is a landscape.
227
623260
2000
é uma paisagem.
10:25
We call these wordscapes.
228
625260
2000
Nós a chamamos de paisagens de palavras.
10:27
This is the wordscape for the word water,
229
627260
2000
Esta é a paisagem de palavra para a palavra água
10:29
and you can see most of the action is in the kitchen.
230
629260
2000
e vocês podem ver que grande parte da ação é na cozinha.
10:31
That's where those big peaks are over to the left.
231
631260
3000
É lá onde aqueles grandes picos estão à esquerda.
10:34
And just for contrast, we can do this with any word.
232
634260
3000
E apenas para contrastar, podemos fazer isto com qualquer palavra.
10:37
We can take the word "bye"
233
637260
2000
Nós podemos pegar a palavra "até"
10:39
as in "good bye."
234
639260
2000
como em "até logo".
10:41
And we're now zoomed in over the entrance to the house.
235
641260
2000
E nós agora estamos dando um zoom na entrada da casa.
10:43
And we look, and we find, as you would expect,
236
643260
3000
E olhamos, e encontramos, como poderiam esperar,
10:46
a contrast in the landscape
237
646260
2000
um contraste na paisagem
10:48
where the word "bye" occurs much more in a structured way.
238
648260
3000
onde a palavra "até" ocorre de uma maneira muito mais estruturada.
10:51
So we're using these structures
239
651260
2000
Então nós estamos usando estas estruturas
10:53
to start predicting
240
653260
2000
para começar a prever
10:55
the order of language acquisition,
241
655260
3000
a ordem de aquisição da linguagem
10:58
and that's ongoing work now.
242
658260
2000
e é no que estamos trabalhando agora.
11:00
In my lab, which we're peering into now, at MIT --
243
660260
3000
No meu laboratório, onde estamos pesquisando, no MIT --
11:03
this is at the media lab.
244
663260
2000
este é o laboratório de comunicação.
11:05
This has become my favorite way
245
665260
2000
Isto se tornou a minha maneira favorita
11:07
of videographing just about any space.
246
667260
2000
de videografar sobre qualquer espaço.
11:09
Three of the key people in this project,
247
669260
2000
Três das principais pessoas neste projeto
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
671260
3000
Philip DeCamp, Rony Kubat e Brandon Roy estão nesta fotografia.
11:14
Philip has been a close collaborator
249
674260
2000
Philip tem sido um colaborador muito próximo
11:16
on all the visualizations you're seeing.
250
676260
2000
em todas as visualizações que vocês viram.
11:18
And Michael Fleischman
251
678260
3000
E Michael Fleischman
11:21
was another Ph.D. student in my lab
252
681260
2000
era outro estudante de PH.D. no meu laboratório
11:23
who worked with me on this home video analysis,
253
683260
3000
que trabalhou comigo na análise deste vídeo caseiro
11:26
and he made the following observation:
254
686260
3000
e ele fez a seguinte observação:
11:29
that "just the way that we're analyzing
255
689260
2000
que "a maneira pela qual nós estamos analisando
11:31
how language connects to events
256
691260
3000
como a linguagem se conecta com eventos
11:34
which provide common ground for language,
257
694260
2000
os quais fornecem um campo comum para a linguagem,
11:36
that same idea we can take out of your home, Deb,
258
696260
4000
essa mesma idéia podemos pegar fora da nossa casa, Deb,
11:40
and we can apply it to the world of public media."
259
700260
3000
e podemos aplicá-la ao mundo da comunicação pública.".
11:43
And so our effort took an unexpected turn.
260
703260
3000
E então nosso esforço deu uma virada inesperada.
11:46
Think of mass media
261
706260
2000
Pensem na comunicação de massa
11:48
as providing common ground
262
708260
2000
como fornecendo um campo comum
11:50
and you have the recipe
263
710260
2000
e vocês têm a receita
11:52
for taking this idea to a whole new place.
264
712260
3000
para levar esta idéia a um novo contexto.
11:55
We've started analyzing television content
265
715260
3000
Nós começamos a analisar o conteúdo televisivo
11:58
using the same principles --
266
718260
2000
usando o mesmo princípio -
12:00
analyzing event structure of a TV signal --
267
720260
3000
analizando a estrutura de um evento de um sinal de TV -
12:03
episodes of shows,
268
723260
2000
episódios de shows,
12:05
commercials,
269
725260
2000
comerciais,
12:07
all of the components that make up the event structure.
270
727260
3000
todos os componentes que fazem a estrutura do evento.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
730260
3000
E estamos agora, com discos de satélites, captando e analisando
12:13
a good part of all the TV being watched in the United States.
272
733260
3000
uma boa parte de toda a TV que é vista nos Estados Unidos.
12:16
And you don't have to now go and instrument living rooms with microphones
273
736260
3000
E vocês não tem mais que instalar microfones em todas as salas de estar
12:19
to get people's conversations,
274
739260
2000
para captar a conversa das pessoas,
12:21
you just tune into publicly available social media feeds.
275
741260
3000
basta sintonizarem no conteúdo público de comunicação social disponível.
12:24
So we're pulling in
276
744260
2000
Então estamos recebendo
12:26
about three billion comments a month,
277
746260
2000
cerca de três bilhões de comentários por mês.
12:28
and then the magic happens.
278
748260
2000
E então a magia acontece.
12:30
You have the event structure,
279
750260
2000
Vocês têm a estutura do evento,
12:32
the common ground that the words are about,
280
752260
2000
o campo comum das palavras,
12:34
coming out of the television feeds;
281
754260
3000
vindos dos programas de televisão,
12:37
you've got the conversations
282
757260
2000
vocês têm as conversas
12:39
that are about those topics;
283
759260
2000
que são sobre aqueles tópicos;
12:41
and through semantic analysis --
284
761260
3000
e através da análise semântica --
12:44
and this is actually real data you're looking at
285
764260
2000
e essas são informações reais que vocês estão vendo
12:46
from our data processing --
286
766260
2000
do nosso processador de informações --
12:48
each yellow line is showing a link being made
287
768260
3000
cada linha amarela está mostrando um elo sendo feito
12:51
between a comment in the wild
288
771260
3000
entre um comentário no ar
12:54
and a piece of event structure coming out of the television signal.
289
774260
3000
e uma peça da estrutura de um evento vindo de um sinal de televisão.
12:57
And the same idea now
290
777260
2000
E a mesma idéia agora
12:59
can be built up.
291
779260
2000
pode ser construída.
13:01
And we get this wordscape,
292
781260
2000
E nós temos esta paisagem de palavra,
13:03
except now words are not assembled in my living room.
293
783260
3000
exceto que agora as palavras não são montadas na minha sala.
13:06
Instead, the context, the common ground activities,
294
786260
4000
Em vez disso, o contexto, o campo comum de atividades
13:10
are the content on television that's driving the conversations.
295
790260
3000
são o conteúdo na televisão que está dirigindo a conversa.
13:13
And what we're seeing here, these skyscrapers now,
296
793260
3000
E o que nós estamos vendo aqui, estes arranha-céus agora
13:16
are commentary
297
796260
2000
são comentários
13:18
that are linked to content on television.
298
798260
2000
que estão ligados ao conteúdo na televisão.
13:20
Same concept,
299
800260
2000
O mesmo conceito,
13:22
but looking at communication dynamics
300
802260
2000
mas olhando a dinâmica da comunicação
13:24
in a very different sphere.
301
804260
2000
em uma esfera diferente.
13:26
And so fundamentally, rather than, for example,
302
806260
2000
E então fundamentalmente, em vez de, por exemplo,
13:28
measuring content based on how many people are watching,
303
808260
3000
medir o conteúdo baseado na quantidade de pessoas que está assistindo,
13:31
this gives us the basic data
304
811260
2000
isto nos dá a informação básica
13:33
for looking at engagement properties of content.
305
813260
3000
para procurar propriedades de conexão do conteúdo .
13:36
And just like we can look at feedback cycles
306
816260
3000
E assim como podemos olhar os ciclos de retorno
13:39
and dynamics in a family,
307
819260
3000
e dinâmicas numa família,
13:42
we can now open up the same concepts
308
822260
3000
nós podemos agora abrir os mesmos conceitos
13:45
and look at much larger groups of people.
309
825260
3000
e olhar para grupos muito maiores de pessoas.
13:48
This is a subset of data from our database --
310
828260
3000
Isto é um subconjunto de dados da nossa base de dados -
13:51
just 50,000 out of several million --
311
831260
3000
apenas 50 mil de diversos milhões -
13:54
and the social graph that connects them
312
834260
2000
e o gráfico social que os conecta
13:56
through publicly available sources.
313
836260
3000
através de fontes públicas disponíveis.
13:59
And if you put them on one plain,
314
839260
2000
E se vocês os colocam em um plano,
14:01
a second plain is where the content lives.
315
841260
3000
um segundo plano é onde está o conteúdo.
14:04
So we have the programs
316
844260
3000
Então nós temos os programas
14:07
and the sporting events
317
847260
2000
e os eventos esportivos
14:09
and the commercials,
318
849260
2000
e os comerciais,
14:11
and all of the link structures that tie them together
319
851260
2000
e todas as estruturas que os conectam
14:13
make a content graph.
320
853260
2000
fazem um gráfico de conteúdo.
14:15
And then the important third dimension.
321
855260
4000
E então a importante terceira dimensão.
14:19
Each of the links that you're seeing rendered here
322
859260
2000
Cada uma das conexões que vocês vêem apresentadas aqui
14:21
is an actual connection made
323
861260
2000
é uma conexão real feita
14:23
between something someone said
324
863260
3000
entre alguma coisa que alguém disse
14:26
and a piece of content.
325
866260
2000
e uma parte de conteúdo.
14:28
And there are, again, now tens of millions of these links
326
868260
3000
E existem, de novo, agora dezenas de milhões dessas ligações
14:31
that give us the connective tissue of social graphs
327
871260
3000
que nos dão o tecido conectivo do gráfico social
14:34
and how they relate to content.
328
874260
3000
e como ele se relaciona ao conteúdo.
14:37
And we can now start to probe the structure
329
877260
2000
E agora podemos começar a examinar a estrutura
14:39
in interesting ways.
330
879260
2000
de maneiras interessantes.
14:41
So if we, for example, trace the path
331
881260
3000
Então se, por exemplo, delineamos o caminho
14:44
of one piece of content
332
884260
2000
de uma parte do conteúdo
14:46
that drives someone to comment on it,
333
886260
2000
que conduz alguém a comentá-lo,
14:48
and then we follow where that comment goes,
334
888260
3000
então nós seguimos onde aquele comentário vai,
14:51
and then look at the entire social graph that becomes activated
335
891260
3000
vemos o gráfico social completo que se ativa
14:54
and then trace back to see the relationship
336
894260
3000
e voltamos para ver a relação
14:57
between that social graph and content,
337
897260
2000
entre o gráfico social e o conteúdo,
14:59
a very interesting structure becomes visible.
338
899260
2000
uma estrutura muito interessante se torna visível.
15:01
We call this a co-viewing clique,
339
901260
2000
Nós chamamos isto uma co-visão fechada
15:03
a virtual living room if you will.
340
903260
3000
uma sala de estar virtual, se preferirem.
15:06
And there are fascinating dynamics at play.
341
906260
2000
E existem dinâmicas fascinantes em jogo.
15:08
It's not one way.
342
908260
2000
Não é um caminho único.
15:10
A piece of content, an event, causes someone to talk.
343
910260
3000
Uma parte do conteúdo, um evento, motiva pessoas a falar.
15:13
They talk to other people.
344
913260
2000
Eles falam com outras pessoas.
15:15
That drives tune-in behavior back into mass media,
345
915260
3000
Isso conduz a um comportamento sintonizado de retorno aos meios de massa,
15:18
and you have these cycles
346
918260
2000
e vocês têm estes ciclos
15:20
that drive the overall behavior.
347
920260
2000
que conduzem ao comportamento global.
15:22
Another example -- very different --
348
922260
2000
Outro exemplo - bem diferente --
15:24
another actual person in our database --
349
924260
3000
outra pessoa real em nossa base de dados --
15:27
and we're finding at least hundreds, if not thousands, of these.
350
927260
3000
e estamos encontrando pelo menos centenas, se não milhares delas.
15:30
We've given this person a name.
351
930260
2000
E demos um nome a esta pessoa.
15:32
This is a pro-amateur, or pro-am media critic
352
932260
3000
Esta é uma pró-amadora, ou pro-am, crítica de mídia
15:35
who has this high fan-out rate.
353
935260
3000
que tem esta elevada taxa de assistência.
15:38
So a lot of people are following this person -- very influential --
354
938260
3000
Então muita gente está seguindo esta pessoa - muito influente -
15:41
and they have a propensity to talk about what's on TV.
355
941260
2000
e elas têm a propensão de falar sobre o que acontece na TV.
15:43
So this person is a key link
356
943260
3000
Então esta pessoa é um elo chave
15:46
in connecting mass media and social media together.
357
946260
3000
na conexão dos meios de massa e dos meios sociais juntos.
15:49
One last example from this data:
358
949260
3000
Um último exemplo destes dados.
15:52
Sometimes it's actually a piece of content that is special.
359
952260
3000
Às vezes, é na verdade, um segmento de conteúdo que é especial.
15:55
So if we go and look at this piece of content,
360
955260
4000
Então se olharmos este segmento de conteúdo,
15:59
President Obama's State of the Union address
361
959260
3000
discurso do Presidente Obama na sessão de abertura do Congresso
16:02
from just a few weeks ago,
362
962260
2000
há algumas semanas,
16:04
and look at what we find in this same data set,
363
964260
3000
e olharmos o que encontramos neste mesmo conjunto de dados,
16:07
at the same scale,
364
967260
3000
na mesma escala,
16:10
the engagement properties of this piece of content
365
970260
2000
as propriedades de conexão deste segmento de conteúdo
16:12
are truly remarkable.
366
972260
2000
são verdadeiramente notáveis.
16:14
A nation exploding in conversation
367
974260
2000
A nação explodindo em conversações
16:16
in real time
368
976260
2000
em tempo real
16:18
in response to what's on the broadcast.
369
978260
3000
em resposta ao que acontece na transmissão.
16:21
And of course, through all of these lines
370
981260
2000
E sem dúvida, através de todas estas linhas
16:23
are flowing unstructured language.
371
983260
2000
estão fluindo linguagens não estruturadas.
16:25
We can X-ray
372
985260
2000
Podemos radiografar
16:27
and get a real-time pulse of a nation,
373
987260
2000
e conseguir em tempo real a pulsação de uma nação,
16:29
real-time sense
374
989260
2000
percepção em tempo real
16:31
of the social reactions in the different circuits in the social graph
375
991260
3000
das reações sociais nos diferentes circuitos no gráfico social
16:34
being activated by content.
376
994260
3000
sendo ativadas pelo conteúdo.
16:37
So, to summarize, the idea is this:
377
997260
3000
Resumindo, a ideia é esta:
16:40
As our world becomes increasingly instrumented
378
1000260
3000
À medida que o nosso mundo se torna mais instrumentalizado
16:43
and we have the capabilities
379
1003260
2000
e nós temos as capacidades
16:45
to collect and connect the dots
380
1005260
2000
de coletar e conectar os pontos
16:47
between what people are saying
381
1007260
2000
entre o que as pessoas estão dizendo
16:49
and the context they're saying it in,
382
1009260
2000
e o contexto no qual elas o estão dizendo,
16:51
what's emerging is an ability
383
1011260
2000
o que emerge é uma habilidade
16:53
to see new social structures and dynamics
384
1013260
3000
de ver novas estuturas sociais e dinâmicas
16:56
that have previously not been seen.
385
1016260
2000
que ainda não tinham sido vistas.
16:58
It's like building a microscope or telescope
386
1018260
2000
É como construir um microscópio ou telescópio
17:00
and revealing new structures
387
1020260
2000
e revelar novas estruturas
17:02
about our own behavior around communication.
388
1022260
3000
sobre o nosso próprio comportamento em torno da comunicação.
17:05
And I think the implications here are profound,
389
1025260
3000
E eu penso que as implicações aqui são profundas,
17:08
whether it's for science,
390
1028260
2000
quer sejam para a ciência,
17:10
for commerce, for government,
391
1030260
2000
para o comércio, para o governo,
17:12
or perhaps most of all,
392
1032260
2000
ou talvez acima de tudo,
17:14
for us as individuals.
393
1034260
3000
para nós como indivíduos.
17:17
And so just to return to my son,
394
1037260
3000
E então apenas para voltar ao meu filho,
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1040260
3000
enquanto eu preparava esta apresentação, ele olhava sobre o meu ombro,
17:23
and I showed him the clips I was going to show to you today,
396
1043260
2000
e eu mostrei a ele os clips que iria apresentar a vocês hoje,
17:25
and I asked him for permission -- granted.
397
1045260
3000
e eu pedi permissão a ele - a sério.
17:28
And then I went on to reflect,
398
1048260
2000
E então eu comecei a refletir,
17:30
"Isn't it amazing,
399
1050260
3000
"Não é fantástico,
17:33
this entire database, all these recordings,
400
1053260
3000
esta completa base de dados, todas estas gravações,
17:36
I'm going to hand off to you and to your sister" --
401
1056260
2000
vou entregar a você e a sua irmã,"
17:38
who arrived two years later --
402
1058260
3000
que chegou dois anos depois.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1061260
3000
"E vocês poderão voltar no tempo e re-experimentar momentos
17:44
that you could never, with your biological memory,
404
1064260
3000
que vocês nunca poderiam, com sua memória biológica,
17:47
possibly remember the way you can now?"
405
1067260
2000
possivelmente lembrar da maneira que agora podem".
17:49
And he was quiet for a moment.
406
1069260
2000
E ele ficou quieto por um momento.
17:51
And I thought, "What am I thinking?
407
1071260
2000
E eu pensei, "O que estou pensando?
17:53
He's five years old. He's not going to understand this."
408
1073260
2000
Ele tem cinco anos de idade. Não vai entender isto."
17:55
And just as I was having that thought, he looked up at me and said,
409
1075260
3000
E enquando eu estava tendo esse pensamento, ele olhou para mim e disse,
17:58
"So that when I grow up,
410
1078260
2000
"Então quando eu crescer,
18:00
I can show this to my kids?"
411
1080260
2000
posso mostrar isto para os meus filhos?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1082260
3000
E eu pensei. "Uau, isto é uma coisa poderosa."
18:05
So I want to leave you
413
1085260
2000
Então eu quero deixá-los
18:07
with one last memorable moment
414
1087260
2000
com um último momento memorável
18:09
from our family.
415
1089260
3000
da minha família.
18:12
This is the first time our son
416
1092260
2000
Esta é a primeira vez que o nosso filho
18:14
took more than two steps at once --
417
1094260
2000
deu mais que dois passos de uma vez -
18:16
captured on film.
418
1096260
2000
captados em filme.
18:18
And I really want you to focus on something
419
1098260
3000
E eu quero que vocês se fixem nisso
18:21
as I take you through.
420
1101260
2000
à medida que os conduzo.
18:23
It's a cluttered environment; it's natural life.
421
1103260
2000
É um ambiente desordenado, é vida real.
18:25
My mother's in the kitchen, cooking,
422
1105260
2000
Minha mãe na cozinha, cozinhando
18:27
and, of all places, in the hallway,
423
1107260
2000
e, de tantos lugares, no corredor,
18:29
I realize he's about to do it, about to take more than two steps.
424
1109260
3000
compreendi que ele estava pronto, a ponto de dar mais de dois passos.
18:32
And so you hear me encouraging him,
425
1112260
2000
E então vocês me ouvem encorajando-o,
18:34
realizing what's happening,
426
1114260
2000
compreendendo o que estava acontecendo,
18:36
and then the magic happens.
427
1116260
2000
e então a mágica acontece.
18:38
Listen very carefully.
428
1118260
2000
Ouçam com cuidado.
18:40
About three steps in,
429
1120260
2000
Por volta do terceiro passo,
18:42
he realizes something magic is happening,
430
1122260
2000
ele entende que alguma coisa mágica está acontecendo.
18:44
and the most amazing feedback loop of all kicks in,
431
1124260
3000
E o mais surpreendente círculo de resposta acontece,
18:47
and he takes a breath in,
432
1127260
2000
e ele inspira,
18:49
and he whispers "wow"
433
1129260
2000
e murmura "uau"
18:51
and instinctively I echo back the same.
434
1131260
4000
e instintivamente eu digo o mesmo.
18:56
And so let's fly back in time
435
1136260
3000
E então vamos voar de volta no tempo
18:59
to that memorable moment.
436
1139260
2000
àquele momento memorável.
19:05
(Video) DR: Hey.
437
1145260
2000
(Vídeo) DR. Ei.
19:07
Come here.
438
1147260
2000
Vem aqui.
19:09
Can you do it?
439
1149260
3000
Você pode fazer isto?
19:13
Oh, boy.
440
1153260
2000
Meu Deus.
19:15
Can you do it?
441
1155260
3000
Você pode fazer isto?
19:18
Baby: Yeah.
442
1158260
2000
Nenem: Sim.
19:20
DR: Ma, he's walking.
443
1160260
3000
DR. Mãe, ele está andando.
19:24
(Laughter)
444
1164260
2000
(Risos)
19:26
(Applause)
445
1166260
2000
(Aplausos)
19:28
DR: Thank you.
446
1168260
2000
DR. Muito obrigado.
19:30
(Applause)
447
1170260
15000
(Aplausos)
Sobre este site

Este site apresentará a você vídeos do YouTube que são úteis para o aprendizado do inglês. Você verá aulas de inglês ministradas por professores de primeira linha de todo o mundo. Clique duas vezes nas legendas em inglês exibidas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas rolarão em sincronia com a reprodução do vídeo. Se você tiver algum comentário ou solicitação, por favor, entre em contato conosco usando este formulário de contato.

https://forms.gle/WvT1wiN1qDtmnspy7