ABOUT THE SPEAKER
Deb Roy - Cognitive scientist
Deb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs.

Why you should listen

Deb Roy directs the Cognitive Machines group at the MIT Media Lab, where he studies how children learn language, and designs machines that learn to communicate in human-like ways. To enable this work, he has pioneered new data-driven methods for analyzing and modeling human linguistic and social behavior. He has authored numerous scientific papers on artificial intelligence, cognitive modeling, human-machine interaction, data mining, and information visualization.

Deb Roy was the co-founder and serves as CEO of Bluefin Labs, a venture-backed technology company. Built upon deep machine learning principles developed in his research over the past 15 years, Bluefin has created a technology platform that analyzes social media commentary to measure real-time audience response to TV ads and shows.

Follow Deb Roy on Twitter>

Roy adds some relevant papers:

Deb Roy. (2009). New Horizons in the Study of Child Language Acquisition. Proceedings of Interspeech 2009. Brighton, England. bit.ly/fSP4Qh

Brandon C. Roy, Michael C. Frank and Deb Roy. (2009). Exploring word learning in a high-density longitudinal corpus. Proceedings of the 31st Annual Meeting of the Cognitive Science Society. Amsterdam, Netherlands. bit.ly/e1qxej

Plenty more papers on our research including technology and methodology can be found here, together with other research from my lab at MIT: bit.ly/h3paSQ

The work that I mentioned on relationships between television content and the social graph is being done at Bluefin Labs (www.bluefinlabs.com). Details of this work have not been published. The social structures we are finding (and that I highlighted in my TED talk) are indeed new. The social media communication channels that are leading to their formation did not even exist a few years ago, and Bluefin's technology platform for discovering these kinds of structures is the first of its kind. We'll certainly have more to say about all this as we continue to dig into this fascinating new kind of data, and as new social structures continue to evolve!

More profile about the speaker
Deb Roy | Speaker | TED.com
TED2011

Deb Roy: The birth of a word

Deb Roy: Die Geburt eines Wortes

Filmed:
2,809,941 views

Der MIT-Forscher Deb Roy wollte herausfinden, wie sein neugeborener Sohn die Sprache lernt - dafür stattete er sein Haus mit Videokameras aus, um (mit Ausnahmen) jeden Moment des Lebens seines Sohnes einzufangen. Danach parste er 90.000 Stunden Heimvideo, um zu beobachten, wie aus "gaaa" langsam "Wasser" wurde. Eine erstaunliche, datenreiche Forschungsarbeit mit weitreichenden Konsequenzen für unser Lernen.
- Cognitive scientist
Deb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs. Full bio

Double-click the English transcript below to play the video.

00:15
ImagineStellen Sie sich vor if you could recordAufzeichnung your life --
0
0
4000
Stellen Sie sich vor, Sie könnten Ihr Leben aufnehmen -
00:19
everything you said, everything you did,
1
4000
3000
alles was Sie sagen, alles was Sie tun
00:22
availableverfügbar in a perfectperfekt memoryErinnerung storeGeschäft at your fingertipsFingerspitzen,
2
7000
3000
steht Ihnen in einem perfekten Erinnerungsspeicher zur Verfügung
00:25
so you could go back
3
10000
2000
so dass Sie zurückgehen können
00:27
and find memorableUnvergesslich momentsMomente and reliveErleben Sie them,
4
12000
3000
und unvergessliche Momente finden und noch einmal durchleben,
00:30
or siftSichten throughdurch tracesSpuren of time
5
15000
3000
die Spuren der Zeit durchsuchen
00:33
and discoverentdecken patternsMuster in your ownbesitzen life
6
18000
2000
und Muster in Ihrem Leben entdecken
00:35
that previouslyvorher had goneWeg undiscoveredunentdeckte.
7
20000
3000
die vorher unentdeckt geblieben waren.
00:38
Well that's exactlygenau the journeyReise
8
23000
2000
Nun, genau dies war die Reise,
00:40
that my familyFamilie beganbegann
9
25000
2000
die für meine Familie
00:42
fivefünf and a halfHälfte yearsJahre agovor.
10
27000
2000
vor fünfeinhalb Jahren begann.
00:44
This is my wifeEhefrau and collaboratorMitarbeiter, RupalRupal.
11
29000
3000
Dies ist meine Frau und Mitarbeiterin, Rupal.
00:47
And on this day, at this momentMoment,
12
32000
2000
Und an dem Tag, in diesem Augenblick
00:49
we walkedging into the houseHaus with our first childKind,
13
34000
2000
kamen wir zum ersten Mal mit unserem Erstgeborenen nach Hause,
00:51
our beautifulschön babyBaby boyJunge.
14
36000
2000
unserem wundervollen Sohn.
00:53
And we walkedging into a houseHaus
15
38000
3000
Und wir traten in ein Haus ein
00:56
with a very specialbesondere home videoVideo recordingAufzeichnung systemSystem.
16
41000
4000
mit einem sehr speziellen Video-Aufnahmesystem.
01:07
(VideoVideo) Man: Okay.
17
52000
2000
(Video) Man: Okay.
01:10
DebDeb RoyRoy: This momentMoment
18
55000
1000
Deb Roy: Diesen Augenblick
01:11
and thousandsTausende of other momentsMomente specialbesondere for us
19
56000
3000
und tausend andere Momente, die uns viel bedeuten,
01:14
were capturedgefangen in our home
20
59000
2000
wurden in unserem Haus aufgenommen,
01:16
because in everyjeden roomZimmer in the houseHaus,
21
61000
2000
weil in jedem Raum des Hauses
01:18
if you lookedsah up, you'ddu würdest see a cameraKamera and a microphoneMikrofon,
22
63000
3000
oben an der Decke eine Kamera mit Mikrophon montiert war.
01:21
and if you lookedsah down,
23
66000
2000
und von dort oben
01:23
you'ddu würdest get this bird's-eyeVogelperspektive viewAussicht of the roomZimmer.
24
68000
2000
war der ganze Raum aus der Vogelperspektive zu sehen.
01:25
Here'sHier ist our livingLeben roomZimmer,
25
70000
3000
Hier ist unser Wohnzimmer.
01:28
the babyBaby bedroomSchlafzimmer,
26
73000
3000
das Kinderzimmer
01:31
kitchenKüche, diningRestaurants und Bars roomZimmer
27
76000
2000
Küche, Esszimmer
01:33
and the restsich ausruhen of the houseHaus.
28
78000
2000
und der Rest des Hauses.
01:35
And all of these fedgefüttert into a discScheibe arrayArray
29
80000
3000
Alle zusammen spiesen einen CD-Wechsler
01:38
that was designedentworfen for a continuouskontinuierlich captureErfassung.
30
83000
3000
der auf Daueraufnahme eingestellt war.
01:41
So here we are flyingfliegend throughdurch a day in our home
31
86000
3000
Hier fliegt ein Tag in unserem Heim vorbei
01:44
as we moveBewegung from sunlitsonnenbeschienenen morningMorgen
32
89000
3000
vom sonnigen Morgen
01:47
throughdurch incandescentGlühlampen eveningAbend
33
92000
2000
zum glühenden Abend
01:49
and, finallyendlich, lightsBeleuchtung out for the day.
34
94000
3000
und, zum Schluss, Lichterlöschen am Ende des Tages.
01:53
Over the courseKurs of threedrei yearsJahre,
35
98000
3000
Im Lauf von drei Jahren
01:56
we recordedverzeichnet eightacht to 10 hoursStd. a day,
36
101000
2000
nahmen wir täglich acht bis zehn Stunden auf,
01:58
amassingAnhäufung roughlygrob a quarter-millionViertel-million hoursStd.
37
103000
3000
sammelten ungefähr eine Viertelmillion Stunden
02:01
of multi-trackMulti-track audioAudio- and videoVideo.
38
106000
3000
mehrspuriges Ton- und Bildmaterial.
02:04
So you're looking at a pieceStück of what is by farweit
39
109000
2000
Sie sehen also ein Stück
02:06
the largestgrößten home videoVideo collectionSammlung ever madegemacht.
40
111000
2000
der größten Heimvideosammlung.
02:08
(LaughterLachen)
41
113000
3000
(Gelächter)
02:11
And what this dataDaten representsrepräsentiert
42
116000
2000
Die Bedeutung dieser Daten
02:13
for our familyFamilie at a personalpersönlich levelEbene,
43
118000
4000
für uns persönlich als Familie
02:17
the impactEinfluss has alreadybereits been immenseimmens,
44
122000
2000
ist jetzt schon immens,
02:19
and we're still learningLernen its valueWert.
45
124000
3000
und wir finden immer noch heraus, wie wertvoll sie sind.
02:22
CountlessUnzählige momentsMomente
46
127000
2000
Unzählige Momente
02:24
of unsolicitedunerwünschte naturalnatürlich momentsMomente, not posedgestellt momentsMomente,
47
129000
3000
dieser ungeplanten, ursprünglichen, nicht gestellten Augenblicke
02:27
are capturedgefangen there,
48
132000
2000
wurden hier eingefangen,
02:29
and we're startingbeginnend to learnlernen how to discoverentdecken them and find them.
49
134000
3000
und wir lernen immer noch, wie wir sie aufspüren und finden können.
02:32
But there's alsoebenfalls a scientificwissenschaftlich reasonGrund that drovefuhr this projectProjekt,
50
137000
3000
Es gibt aber auch einen wissenschaftlichen Grund für dieses Projekt.
02:35
whichwelche was to use this naturalnatürlich longitudinallängs- dataDaten
51
140000
4000
nämlich die Daten dieser natürlichen Langzeitstudie
02:39
to understandverstehen the processverarbeiten
52
144000
2000
zu verwenden, um den Prozess zu verstehen
02:41
of how a childKind learnslernt languageSprache --
53
146000
2000
mit dem ein Kind seine Sprache lernt.
02:43
that childKind beingSein my sonSohn.
54
148000
2000
dieses Kind, mein Sohn.
02:45
And so with manyviele privacyDatenschutz provisionsBestimmungen put in placeOrt
55
150000
4000
Mit vielen Vorkehrungen, um die Privatsphäre all derer zu gewähren
02:49
to protectschützen everyonejeder who was recordedverzeichnet in the dataDaten,
56
154000
3000
die in den Daten aufgenommen worden waren,
02:52
we madegemacht elementsElemente of the dataDaten availableverfügbar
57
157000
3000
stellten wir Teile der Daten unserem zuverlässigen
02:55
to my trustedVertrauenswürdige researchForschung teamMannschaft at MITMIT
58
160000
3000
Forschungsteam am MIT zur Verfügung,
02:58
so we could startAnfang teasingnecken apartein Teil patternsMuster
59
163000
3000
um so Muster herauskitzeln zu können
03:01
in this massivemassiv dataDaten setSet,
60
166000
3000
aus dieser riesigen Datenmenge.
03:04
tryingversuchen to understandverstehen the influenceEinfluss of socialSozial environmentsUmgebungen
61
169000
3000
Wir versuchten zu verstehen, wie das soziale Umfeld
03:07
on languageSprache acquisitionErwerb.
62
172000
2000
Spracherwerb beeinflusst,
03:09
So we're looking here
63
174000
2000
Dies hier ist ein Blick auf
03:11
at one of the first things we startedhat angefangen to do.
64
176000
2000
eines der ersten Dinge, mit denen wir anfingen.
03:13
This is my wifeEhefrau and I cookingKochen breakfastFrühstück in the kitchenKüche,
65
178000
4000
Meine Frau und ich kochen hier gerade das Frühstück.
03:17
and as we moveBewegung throughdurch spacePlatz and throughdurch time,
66
182000
3000
Während wir uns durch Raum und Zeit bewegen
03:20
a very everydayjeden Tag patternMuster of life in the kitchenKüche.
67
185000
3000
in einem sehr alltäglichen Lebensmuster in der Küche.
03:23
In orderAuftrag to convertkonvertieren
68
188000
2000
Zur Übersetzung
03:25
this opaqueundurchsichtig, 90,000 hoursStd. of videoVideo
69
190000
3000
dieser 90.000 Stunden Video,
03:28
into something that we could startAnfang to see,
70
193000
2000
in eine Form, in der wir etwas sehen konnten,
03:30
we use motionBewegung analysisAnalyse to pullziehen out,
71
195000
2000
holten wir, während wir uns durch
03:32
as we moveBewegung throughdurch spacePlatz and throughdurch time,
72
197000
2000
Raum und Zeit bewegten, mit Bewegungsanalysen
03:34
what we call space-timeRaum-Zeit- wormsWürmer.
73
199000
3000
so-genannte Raum-Zeit-Würmer heraus.
03:37
And this has becomewerden partTeil of our toolkitToolkit
74
202000
3000
Und dies wurde Teil unserer Werkzeugpalette
03:40
for beingSein ablefähig to look and see
75
205000
3000
um herauszufinden,
03:43
where the activitiesAktivitäten are in the dataDaten,
76
208000
2000
wo etwas Wichtiges stattfand
03:45
and with it, traceSpur the patternMuster of, in particularinsbesondere,
77
210000
3000
und damit Muster erkennen zu können, insbesondere
03:48
where my sonSohn movedbewegt throughoutwährend the home,
78
213000
2000
wo sich mein Sohn im Haus bewegte,
03:50
so that we could focusFokus our transcriptionTranskription effortsBemühungen,
79
215000
3000
um so die Protokollarbeiten darauf fokussieren zu können,
03:53
all of the speechRede environmentUmwelt around my sonSohn --
80
218000
3000
in welchem Sprachumfeld sich mein Sohn befand -
03:56
all of the wordsWörter that he heardgehört from myselfmich selber, my wifeEhefrau, our nannyKindermädchen,
81
221000
3000
mit all den Wörtern von mir, meiner Frau, unserem Kindermädchen
03:59
and over time, the wordsWörter he beganbegann to produceproduzieren.
82
224000
3000
und den Wörtern, die er mit der Zeit zu produzieren begann.
04:02
So with that technologyTechnologie and that dataDaten
83
227000
3000
Mit der Technologie und der Datenmenge,
04:05
and the abilityFähigkeit to, with machineMaschine assistanceHilfe,
84
230000
2000
sowie der Möglichkeit, mit Hilfe von Apparaten
04:07
transcribetranskribieren speechRede,
85
232000
2000
Sprache zu transkibieren,
04:09
we'vewir haben now transcribedtranskribiert
86
234000
2000
haben wir jetzt
04:11
well over sevenSieben millionMillion wordsWörter of our home transcriptsTranskripte.
87
236000
3000
mehr als 7 Millionen Wörter protokolliert.
04:14
And with that, let me take you now
88
239000
2000
Damit kann ich Sie jetzt mitnehmen
04:16
for a first tourTour into the dataDaten.
89
241000
3000
auf eine erste Tour in die Daten.
04:19
So you've all, I'm sure,
90
244000
2000
Sie haben sicher alle schon
04:21
seengesehen time-lapseZeitraffer videosVideos
91
246000
2000
Zeitraffervideos gesehen.
04:23
where a flowerBlume will blossomBlüte as you acceleratebeschleunigen time.
92
248000
3000
in der das Aufblühen einer Blume verschnellert wird.
04:26
I'd like you to now experienceErfahrung
93
251000
2000
Erleben Sie jetzt mit mir
04:28
the blossomingBlüte of a speechRede formbilden.
94
253000
2000
das Aufblühen einer Sprechweise.
04:30
My sonSohn, soonbald after his first birthdayGeburtstag,
95
255000
2000
Kurz nach seinem ersten Geburtstag sagte mein Sohn
04:32
would say "gagaGaga" to mean waterWasser.
96
257000
3000
"gaga", wenn er Wasser meinte.
04:35
And over the courseKurs of the nextNächster half-yearHalbjahres-,
97
260000
3000
Im Laufe des nächsten halben Jahres
04:38
he slowlylangsam learnedgelernt to approximateungefähre
98
263000
2000
lernte er langsam, sich anzunähern
04:40
the properordnungsgemäße adultErwachsene formbilden, "waterWasser."
99
265000
3000
an die erwachsene Form "Wasser".
04:43
So we're going to cruiseKreuzfahrt throughdurch halfHälfte a yearJahr
100
268000
2000
Wir werden also in 40 Sekunden
04:45
in about 40 secondsSekunden.
101
270000
2000
durch ein halbes Jahr sausen.
04:47
No videoVideo here,
102
272000
2000
Kein Video hier,
04:49
so you can focusFokus on the soundklingen, the acousticsAkustik,
103
274000
3000
damit Sie sich auf den Ton, die Akustik konzentrieren können.
04:52
of a newneu kindArt of trajectoryFlugbahn:
104
277000
2000
einer neuen Art von Höhenflug
04:54
gagaGaga to waterWasser.
105
279000
2000
von gaga zu Wasser.
04:56
(AudioAudio) BabyBaby: GagagagagagaGagagagagaga
106
281000
12000
(Audio) Baby: Gagagagaga
05:08
GagaGaga gagaGaga gagaGaga
107
293000
4000
Gaga gaga gaga
05:12
gugaGuga gugaGuga gugaGuga
108
297000
5000
guga guga guga
05:17
wadaWADA gagaGaga gagaGaga gugaGuga gagaGaga
109
302000
5000
wada gaga gaga guga gaga
05:22
waderWathose gugaGuga gugaGuga
110
307000
4000
wadö guga guga
05:26
waterWasser waterWasser waterWasser
111
311000
3000
uata wata wata
05:29
waterWasser waterWasser waterWasser
112
314000
6000
wata wata wata
05:35
waterWasser waterWasser
113
320000
4000
water water
05:39
waterWasser.
114
324000
2000
water.
05:41
DRDR: He sure nailedgenagelt it, didn't he.
115
326000
2000
Dr: Er hat's getroffen, nicht wahr?
05:43
(ApplauseApplaus)
116
328000
7000
(Applaus)
05:50
So he didn't just learnlernen waterWasser.
117
335000
2000
So lernte er nicht nur "Wasser"
05:52
Over the courseKurs of the 24 monthsMonate,
118
337000
2000
im Lauf der 24 Monate,
05:54
the first two yearsJahre that we really focusedfokussiert on,
119
339000
3000
den zwei ersten Lebensjahren, auf die wir uns wirklich konzentrierten.
05:57
this is a mapKarte of everyjeden wordWort he learnedgelernt in chronologicalchronologische orderAuftrag.
120
342000
4000
Dies ist eine chronologische Karte aller Worte, die er lernte.
06:01
And because we have fullvoll transcriptsTranskripte,
121
346000
3000
Und weil wir komplette Transkripte haben
06:04
we'vewir haben identifiedidentifiziert eachjede einzelne of the 503 wordsWörter
122
349000
2000
können wir jedes der 503 Wörter identifizieren,
06:06
that he learnedgelernt to produceproduzieren by his secondzweite birthdayGeburtstag.
123
351000
2000
die er bis zu seinem zweiten Geburtstag sprechen gelernt hatte.
06:08
He was an earlyfrüh talkerTalker.
124
353000
2000
Er sprach sehr früh.
06:10
And so we startedhat angefangen to analyzeanalysieren why.
125
355000
3000
Darum fingen wir an zu analysieren, warum.
06:13
Why were certainsicher wordsWörter borngeboren before othersAndere?
126
358000
3000
Warum wurden bestimmte Wörter vor andern geboren?
06:16
This is one of the first resultsErgebnisse
127
361000
2000
Dies ist eines der ersten Fazits,
06:18
that camekam out of our studyStudie a little over a yearJahr agovor
128
363000
2000
das vor etwas mehr als einem Jahr herauskam,
06:20
that really surprisedüberrascht us.
129
365000
2000
das uns wirklich überraschte:
06:22
The way to interpretinterpretieren this apparentlyanscheinend simpleeinfach graphGraph
130
367000
3000
Diese einfache Grafik ist folgendermaßen zu interpretieren:
06:25
is, on the verticalvertikal is an indicationIndikation
131
370000
2000
vertikal ist angegeben,
06:27
of how complexKomplex caregiverPflegeperson utterancesÄußerungen are
132
372000
3000
wie komplex die Sprache der Bezugsperson ist
06:30
basedbasierend on the lengthLänge of utterancesÄußerungen.
133
375000
2000
basierend auf der Länge der Sätze.
06:32
And the [horizontalhorizontal] axisAchse is time.
134
377000
3000
Die vertikale Achse ist also Zeit.
06:35
And all of the dataDaten,
135
380000
2000
Und all die Daten
06:37
we alignedausgerichtet basedbasierend on the followinges folgen ideaIdee:
136
382000
3000
glichen wir ab unter der folgenden Konzept:
06:40
EveryJedes time my sonSohn would learnlernen a wordWort,
137
385000
3000
jedes Mal, wenn mein Sohn ein Wort lernte,
06:43
we would traceSpur back and look at all of the languageSprache he heardgehört
138
388000
3000
gingen wir zurück und erfassten die gehörte Sprache,
06:46
that containedenthalten that wordWort.
139
391000
2000
in der das Wort vorkam.
06:48
And we would plotHandlung the relativerelativ lengthLänge of the utterancesÄußerungen.
140
393000
4000
Dann zeichneten wir die relative Satzlänge auf.
06:52
And what we foundgefunden was this curiousneugierig phenomenaPhänomene,
141
397000
3000
Und was wir herausfanden war dieses eigenartige Phänomen,
06:55
that caregiverPflegeperson speechRede would systematicallysystematisch dipDIP to a minimumMinimum,
142
400000
3000
dass die Satzlänge der Bezugsperson systematisch auf ein Minimum sank,
06:58
makingHerstellung languageSprache as simpleeinfach as possiblemöglich,
143
403000
3000
die Sprache so einfach wie möglich machte,
07:01
and then slowlylangsam ascendaufsteigen back up in complexityKomplexität.
144
406000
3000
und danach langsam wieder in Komplexität gewann.
07:04
And the amazingtolle thing was
145
409000
2000
Das Faszinierendste daran war,
07:06
that bounceBounce, that dipDIP,
146
411000
2000
dass dieser Taucher, diese Senke
07:08
linedliniert up almostfast preciselygenau
147
413000
2000
fast perfekt übereinstimmte mit dem Moment,
07:10
with when eachjede einzelne wordWort was borngeboren --
148
415000
2000
in dem jedes Wort geboren wurde.
07:12
wordWort after wordWort, systematicallysystematisch.
149
417000
2000
Worf für Wort, ganz gezielt.
07:14
So it appearserscheint that all threedrei primaryprimär caregiversBetreuungspersonen --
150
419000
2000
Es scheint also, dass alle drei Bezugspersonen -
07:16
myselfmich selber, my wifeEhefrau and our nannyKindermädchen --
151
421000
3000
ich, meine Frau und unser Kindermädchen -
07:19
were systematicallysystematisch and, I would think, subconsciouslyunbewusst
152
424000
3000
systematisch und ich glaube unbewusst -
07:22
restructuringUmstrukturierung our languageSprache
153
427000
2000
unsere Sprache anpassen
07:24
to meetTreffen him at the birthGeburt of a wordWort
154
429000
3000
um ihm während der Geburt eines Wortes gerecht zu werden
07:27
and bringbringen him gentlysanft into more complexKomplex languageSprache.
155
432000
4000
und ihn sanft zu komplexerer Sprache zu bringen.
07:31
And the implicationsImplikationen of this -- there are manyviele,
156
436000
2000
Die Schlussfolgerungen daraus - es gibt viele,
07:33
but one I just want to pointPunkt out,
157
438000
2000
aber ich will nur diese eine hervorheben,
07:35
is that there mustsollen be amazingtolle feedbackFeedback loopsSchleifen.
158
440000
3000
ist, dass es unglaubliche Rückmelde-Schlaufen geben muss.
07:38
Of courseKurs, my sonSohn is learningLernen
159
443000
2000
Natürlich lernt mein Sohn
07:40
from his linguisticsprachlich environmentUmwelt,
160
445000
2000
von seinem sprachlichen Umfeld,
07:42
but the environmentUmwelt is learningLernen from him.
161
447000
3000
aber das Umfeld lernt von ihm.
07:45
That environmentUmwelt, people, are in these tightfest feedbackFeedback loopsSchleifen
162
450000
3000
Dieses Umfeld, Menschen, sind in diesen engen Reaktionsschlaufen
07:48
and creatingErstellen a kindArt of scaffoldingGerüst
163
453000
2000
und erstellen eine Art Gerüst
07:50
that has not been noticedbemerkt untilbis now.
164
455000
3000
das bis jetzt noch nicht beobachtet wurde.
07:54
But that's looking at the speechRede contextKontext.
165
459000
2000
Aber das ist der Blick auf den sprachlichen Kontext.
07:56
What about the visualvisuell contextKontext?
166
461000
2000
Wie ist es mit dem visuellen Kontext?
07:58
We're not looking at --
167
463000
2000
Wir betrachten nicht --
08:00
think of this as a dollhousePuppenhaus cutawayCutaway of our houseHaus.
168
465000
2000
stellen Sie sich unser Haus ohne Dach vor, wie ein Puppenhaus.
08:02
We'veWir haben takengenommen those circularkreisförmig fish-eyeFisch-Auge lensLinse camerasKameras,
169
467000
3000
Wir nahmen diese runden Fischaugen-Kameras
08:05
and we'vewir haben doneerledigt some opticaloptische correctionKorrektur,
170
470000
2000
und führten optische Korrekturen aus,
08:07
and then we can bringbringen it into three-dimensionaldreidimensional life.
171
472000
4000
die wir zu einem dreidimensionalen Leben erwecken können.
08:11
So welcomeherzlich willkommen to my home.
172
476000
2000
Also, willkommen in meinem Haus.
08:13
This is a momentMoment,
173
478000
2000
Dies ist ein Augenblick
08:15
one momentMoment capturedgefangen acrossüber multiplemehrere camerasKameras.
174
480000
3000
eingefangen über mehrere Kameraeinstellungen.
08:18
The reasonGrund we did this is to createerstellen the ultimateLetztendlich memoryErinnerung machineMaschine,
175
483000
3000
Das Ziel war, den ultimativen Datenspeicher zu kreieren,
08:21
where you can go back and interactivelyinteraktiv flyFliege around
176
486000
3000
in dem man zurückgehen und interaktiv herumfliegen
08:24
and then breatheatmen video-lifeVideo-Leben into this systemSystem.
177
489000
3000
und dem System Video-Leben einhauchen kann
08:27
What I'm going to do
178
492000
2000
Was ich jetzt machen werde ist,
08:29
is give you an acceleratedbeschleunigt viewAussicht of 30 minutesProtokoll,
179
494000
3000
Ihnen einen Zeitraffer von 30 Minuten zu zeigen,
08:32
again, of just life in the livingLeben roomZimmer.
180
497000
2000
wieder, aus dem Alltag im Wohnzimmer.
08:34
That's me and my sonSohn on the floorStock.
181
499000
3000
Das bin ich mit meinem Sohn am Boden.
08:37
And there's videoVideo analyticsAnalytics
182
502000
2000
Und hier ist die Videoanalyse,
08:39
that are trackingVerfolgung our movementsBewegungen.
183
504000
2000
in der unsere Bewegungen verfolgt werden.
08:41
My sonSohn is leavingVerlassen redrot inkTinte. I am leavingVerlassen greenGrün inkTinte.
184
506000
3000
Mein Sohn hinterlässt rote Farbe, ich hinterlasse grüne Farbe.
08:44
We're now on the couchCouch,
185
509000
2000
Jetzt sind wir auf dem Sofa,
08:46
looking out throughdurch the windowFenster at carsAutos passingVorbeigehen by.
186
511000
3000
schauen aus dem Fenster den vorbeifahrenden Autos zu.
08:49
And finallyendlich, my sonSohn playingspielen in a walkingGehen toySpielzeug by himselfselbst.
187
514000
3000
Und zum Schluss spielt mein Sohn alleine in einer Gehhilfe.
08:52
Now we freezeeinfrieren the actionAktion, 30 minutesProtokoll,
188
517000
3000
Jetzt stoppen wir den dreißig Minuten langen Film,
08:55
we turnWende time into the verticalvertikal axisAchse,
189
520000
2000
wir verwandeln die Zeit in die vertikale Achse
08:57
and we openöffnen up for a viewAussicht
190
522000
2000
und öffnen die Sicht
08:59
of these interactionInteraktion tracesSpuren we'vewir haben just left behindhinter.
191
524000
3000
auf die Interaktionsspuren, die wir hinterlassen haben.
09:02
And we see these amazingtolle structuresStrukturen --
192
527000
3000
Und wir sehen diese verblüffenden Strukturen -
09:05
these little knotsKnoten of two colorsFarben of threadFaden
193
530000
3000
diese kleinen Verknüpfungen der zwei farbigen Fäden
09:08
we call "socialSozial hotheiß spotsFlecken."
194
533000
2000
nennen wir soziale Lichtpunkte.
09:10
The spiralSpiral- threadFaden
195
535000
2000
Diese spiralförmigen Gewinde
09:12
we call a "soloSolo hotheiß spotStelle."
196
537000
2000
nennen wir einen Einzel-Lichtpunkt.
09:14
And we think that these affectbeeinflussen the way languageSprache is learnedgelernt.
197
539000
3000
Wir glauben, dass diese beeinflussen, wie Sprache gelernt wird.
09:17
What we'dheiraten like to do
198
542000
2000
Wir möchten gerne
09:19
is startAnfang understandingVerstehen
199
544000
2000
zu verstehen beginnen,
09:21
the interactionInteraktion betweenzwischen these patternsMuster
200
546000
2000
wie diese zwei Muster zusammenspielen
09:23
and the languageSprache that my sonSohn is exposedausgesetzt to
201
548000
2000
mit der Sprache, der mein Sohn ausgesetzt ist
09:25
to see if we can predictvorhersagen
202
550000
2000
um zu sehen, ob wir voraussagen können
09:27
how the structureStruktur of when wordsWörter are heardgehört
203
552000
2000
wie die Struktur im Moment, in dem Wörter gehört werden,
09:29
affectsbeeinflusst when they're learnedgelernt --
204
554000
2000
einen Einfluss darauf hat, wann sie gelernt werden -
09:31
so in other wordsWörter, the relationshipBeziehung
205
556000
2000
In anderen Worten die Beziehung
09:33
betweenzwischen wordsWörter and what they're about in the worldWelt.
206
558000
4000
zwischen Wörtern und dem, wofür sie in der Welt stehen.
09:37
So here'shier ist how we're approachingAnnäherung an this.
207
562000
2000
So gehen wir die Sache an.
09:39
In this videoVideo,
208
564000
2000
In diesem Film
09:41
again, my sonSohn is beingSein tracedverfolgt out.
209
566000
2000
ist mein Sohn wieder ausgezeichnet.
09:43
He's leavingVerlassen redrot inkTinte behindhinter.
210
568000
2000
Er hinterlässt eine rote Spur.
09:45
And there's our nannyKindermädchen by the doorTür.
211
570000
2000
Und hier ist unser Kindermädchen bei der Tür.
09:47
(VideoVideo) NannyKindermädchen: You want waterWasser? (BabyBaby: AaaaAaaa.)
212
572000
3000
(Video) Kindermädchen: Willst du Wasser? (Baby: Aaaa.)
09:50
NannyKindermädchen: All right. (BabyBaby: AaaaAaaa.)
213
575000
3000
Kindermädchen: Also gut. (Baby: Aaaa)
09:53
DRDR: She offersbietet an waterWasser,
214
578000
2000
DR. Sie bietet ihm Wasser an,
09:55
and off go the two wormsWürmer
215
580000
2000
und los gehen die beiden Würmer
09:57
over to the kitchenKüche to get waterWasser.
216
582000
2000
hinüber in die Küche, um Wasser zu holen.
09:59
And what we'vewir haben doneerledigt is use the wordWort "waterWasser"
217
584000
2000
Und was wir gemacht haben ist, das Wort "Wasser" zu benützen
10:01
to tagTag that momentMoment, that bitBit of activityAktivität.
218
586000
2000
um diesen Moment zu markieren, dieses kleine Stück Handlung.
10:03
And now we take the powerLeistung of dataDaten
219
588000
2000
Und jetzt nehmen wir die Macht der Daten
10:05
and take everyjeden time my sonSohn
220
590000
3000
und nehmen jeden Augenblick, in dem mein Sohn
10:08
ever heardgehört the wordWort waterWasser
221
593000
2000
jemals das Wort Wasser hörte,
10:10
and the contextKontext he saw it in,
222
595000
2000
und den Zusammenhang, in dem er es sah,
10:12
and we use it to penetratedurchdringen throughdurch the videoVideo
223
597000
3000
und verwenden es, um das Video zu durchforsten
10:15
and find everyjeden activityAktivität traceSpur
224
600000
3000
und jede Spur einer Handlung zu finden,
10:18
that co-occurredCo ist aufgetreten with an instanceBeispiel of waterWasser.
225
603000
3000
die gleichzeitig im Zusammenhang mit Wasser stattfand.
10:21
And what this dataDaten leavesBlätter in its wakeaufwachen
226
606000
2000
Und was die Daten hinterlassen
10:23
is a landscapeLandschaft.
227
608000
2000
ist eine Landschaft,
10:25
We call these wordscapeswordscapes.
228
610000
2000
wir nennen sie Wortlandschaft.
10:27
This is the wordscapeWortlandschaft for the wordWort waterWasser,
229
612000
2000
Dies ist die Wortlanschaft für das Wort Wasser.
10:29
and you can see mostdie meisten of the actionAktion is in the kitchenKüche.
230
614000
2000
Und Sie können sehen, dass die größte Aktivität in der Küche stattfindet.
10:31
That's where those biggroß peaksSpitzen are over to the left.
231
616000
3000
Das sind hier diese hohen Spitzen auf der linken Seite.
10:34
And just for contrastKontrast, we can do this with any wordWort.
232
619000
3000
Und nur um zu vergleichen, können wir dies mit jedem Wort machen,
10:37
We can take the wordWort "byeAuf Wiedersehen"
233
622000
2000
Wir können das Wort "bald" nehmen
10:39
as in "good byeAuf Wiedersehen."
234
624000
2000
wie es in "bis bald" vorkommt.
10:41
And we're now zoomedvergrößert in over the entranceEingang to the houseHaus.
235
626000
2000
Wir sind jetzt eingezoomt über dem Hauseingang.
10:43
And we look, and we find, as you would expecterwarten von,
236
628000
3000
Und wir beobachten wie erwartet
10:46
a contrastKontrast in the landscapeLandschaft
237
631000
2000
eine Veränderung der Wortlandschaft,
10:48
where the wordWort "byeAuf Wiedersehen" occurstritt ein much more in a structuredstrukturiert way.
238
633000
3000
in der das Wort "bald" in einer viel strukturierteren Weise stattfindet.
10:51
So we're usingmit these structuresStrukturen
239
636000
2000
Wir brauchen also diese Strukturen
10:53
to startAnfang predictingvorhersagen
240
638000
2000
um anzufangen, Voraussagen zu treffen
10:55
the orderAuftrag of languageSprache acquisitionErwerb,
241
640000
3000
in welcher Reihenfolge Sprache erworben wird,
10:58
and that's ongoinglaufend work now.
242
643000
2000
daran arbeiten wir im Moment.
11:00
In my labLabor, whichwelche we're peeringPeering into now, at MITMIT --
243
645000
3000
In meinem Labor am MIT, in das wir jetzt gucken,
11:03
this is at the mediaMedien labLabor.
244
648000
2000
dies ist am Medienlabor.
11:05
This has becomewerden my favoriteFavorit way
245
650000
2000
Dies wurde meine bevorzugte Art
11:07
of videographingbannen just about any spacePlatz.
246
652000
2000
jeden erdenklichen Bereich auf Film zu bannen.
11:09
ThreeDrei of the keySchlüssel people in this projectProjekt,
247
654000
2000
Drei der wichtigsten Personen in diesem Projekt
11:11
PhilipPhilip DeCampDeCamp, RonyRony KubatKubat and BrandonBrandon RoyRoy are picturedim Bild here.
248
656000
3000
Philip DeCamp, Rony Kubat und Brandon Roy sind hier zu sehen.
11:14
PhilipPhilip has been a closeschließen collaboratorMitarbeiter
249
659000
2000
Philip war ein enger Mitarbeiter
11:16
on all the visualizationsVisualisierungen you're seeingSehen.
250
661000
2000
in all den Visualisierungen, die Sie gesehen haben.
11:18
And MichaelMichael FleischmanFleischmann
251
663000
3000
Und Michael Fleischman
11:21
was anotherein anderer PhPH.D. studentSchüler in my labLabor
252
666000
2000
war ein weiterer Doktorant in meinem Labor,
11:23
who workedhat funktioniert with me on this home videoVideo analysisAnalyse,
253
668000
3000
der mit mir an dieser Heimvideoanalyse arbeitete,
11:26
and he madegemacht the followinges folgen observationÜberwachung:
254
671000
3000
und er machte folgende Beobachtung:
11:29
that "just the way that we're analyzingAnalyse
255
674000
2000
"Die Art, mit der wir analysieren
11:31
how languageSprache connectsverbindet to eventsVeranstaltungen
256
676000
3000
wie sich Sprache an Ereignisse koppelt,
11:34
whichwelche providezu Verfügung stellen commonverbreitet groundBoden for languageSprache,
257
679000
2000
die die gemeinsame Basis für Sprache schafft
11:36
that samegleich ideaIdee we can take out of your home, DebDeb,
258
681000
4000
können wir auch losgelöst von deinem Haus
11:40
and we can applysich bewerben it to the worldWelt of publicÖffentlichkeit mediaMedien."
259
685000
3000
aif die Welt der Medien anwenden, Deb."
11:43
And so our effortAnstrengung tookdauerte an unexpectedunerwartet turnWende.
260
688000
3000
Und so erfuhren unsere Anstrengungen eine unerwartete Wende.
11:46
Think of massMasse mediaMedien
261
691000
2000
Stellen Sie sich die ganzen Massenmedien vor
11:48
as providingBereitstellung commonverbreitet groundBoden
262
693000
2000
die eine gemeinsame Basis bilden
11:50
and you have the recipeRezept
263
695000
2000
und Sie haben das Rezept,
11:52
for takingunter this ideaIdee to a wholeganze newneu placeOrt.
264
697000
3000
um dieses Konzept in eine ganz andere Richtung zu entwickeln.
11:55
We'veWir haben startedhat angefangen analyzingAnalyse televisionFernsehen contentInhalt
265
700000
3000
Wir begannen, den Inhalt von Fernsehsendungen zu analysieren,
11:58
usingmit the samegleich principlesPrinzipien --
266
703000
2000
indem wir die gleichen Prinzipien benützten -
12:00
analyzingAnalyse eventEvent structureStruktur of a TVTV signalSignal --
267
705000
3000
analysierten die Ereignisstruktur eines Fernsehsignals -
12:03
episodesEpisoden of showszeigt an,
268
708000
2000
Folgen einer Fernsehsendung,
12:05
commercialsWerbung,
269
710000
2000
Werbung,
12:07
all of the componentsKomponenten that make up the eventEvent structureStruktur.
270
712000
3000
all die Komponenten, die zu einem Fernsehhprogramm gehören.
12:10
And we're now, with satelliteSatellit dishesGeschirr, pullingziehen and analyzingAnalyse
271
715000
3000
Und zur Zeit sammeln und analysieren wir immer über Satellit
12:13
a good partTeil of all the TVTV beingSein watchedangesehen in the UnitedVereinigte StatesStaaten.
272
718000
3000
einen guten Teil aller Fernsehprogramme, die in den USA geschaut werden.
12:16
And you don't have to now go and instrumentInstrument livingLeben roomsRäume with microphonesMikrofone
273
721000
3000
Dazu muss man jetzt nicht Wohnzimmer mit Mikrophonen ausrüsten,
12:19
to get people'sMenschen conversationsGespräche,
274
724000
2000
um die Gespräche der Leute auf zu nehmen,
12:21
you just tuneTune into publiclyöffentlich availableverfügbar socialSozial mediaMedien feedsEinspeisungen.
275
726000
3000
man klinkt sich nur in die öffentlich verfügbaren Kommunikationskanäle.
12:24
So we're pullingziehen in
276
729000
2000
So erhalten wir
12:26
about threedrei billionMilliarde commentsBemerkungen a monthMonat,
277
731000
2000
ungefähr drei Milliarden Kommentare pro Monat.
12:28
and then the magicMagie happensdas passiert.
278
733000
2000
Und jetzt beginnt das Wunder.
12:30
You have the eventEvent structureStruktur,
279
735000
2000
Sie haben die Struktur der Sendungen,
12:32
the commonverbreitet groundBoden that the wordsWörter are about,
280
737000
2000
die gemeinsame Basis, von der die Worte handeln,
12:34
comingKommen out of the televisionFernsehen feedsEinspeisungen;
281
739000
3000
die von den Sendern ausgestrahlt werden;
12:37
you've got the conversationsGespräche
282
742000
2000
Sie haben die Gespräche
12:39
that are about those topicsThemen;
283
744000
2000
über diese Themen;
12:41
and throughdurch semanticsemantisch analysisAnalyse --
284
746000
3000
und durch semantische Analysen -
12:44
and this is actuallytatsächlich realecht dataDaten you're looking at
285
749000
2000
und dies ist echtes Datenmaterial, das Sie hier sehen
12:46
from our dataDaten processingwird bearbeitet --
286
751000
2000
von unserer Datenverarbeitung -
12:48
eachjede einzelne yellowGelb lineLinie is showingzeigt a linkVerknüpfung beingSein madegemacht
287
753000
3000
jede gelbe Linie zeigt, wie eine Verbindung gemacht wurde
12:51
betweenzwischen a commentKommentar in the wildwild
288
756000
3000
zwischen einem Kommentar irgendwo da draußen
12:54
and a pieceStück of eventEvent structureStruktur comingKommen out of the televisionFernsehen signalSignal.
289
759000
3000
und einem Stück einer Fernsehsendung, die ausgestrahlt wurde.
12:57
And the samegleich ideaIdee now
290
762000
2000
Und die gleiche Idee
12:59
can be builtgebaut up.
291
764000
2000
kann nun aufgebaut werden.
13:01
And we get this wordscapeWortlandschaft,
292
766000
2000
Und wir bekommen diese Wortlandschaft,
13:03
exceptaußer now wordsWörter are not assembledgebaut in my livingLeben roomZimmer.
293
768000
3000
nur diesmal wurden nicht Wörtern in meinem Wohnzimmer gesammelt,
13:06
InsteadStattdessen, the contextKontext, the commonverbreitet groundBoden activitiesAktivitäten,
294
771000
4000
sondern jetzt, im Kontext der Aktivitäten auf öffentlichen Plattformen
13:10
are the contentInhalt on televisionFernsehen that's drivingFahren the conversationsGespräche.
295
775000
3000
geht es um den Inhalt von Fernsehsendungen, die die Gespräche antreiben.
13:13
And what we're seeingSehen here, these skyscrapersWolkenkratzer now,
296
778000
3000
Was wir hier sehen, diese Wolkenkratzer,
13:16
are commentaryKommentar
297
781000
2000
sind Kommentare,
13:18
that are linkedverknüpft to contentInhalt on televisionFernsehen.
298
783000
2000
die im Zusammenhang mit dem Inhalt der Fernsehsendungen sind.
13:20
SameGleichen conceptKonzept,
299
785000
2000
Gleiches Konzept,
13:22
but looking at communicationKommunikation dynamicsDynamik
300
787000
2000
aber mit Blick auf die Kommunikationsdynamik
13:24
in a very differentanders sphereKugel.
301
789000
2000
in einem ganz anderen Einflussbereich.
13:26
And so fundamentallygrundlegend, ratherlieber than, for exampleBeispiel,
302
791000
2000
Und im Wesentlichen, anstatt zum Beispiel
13:28
measuringMessung contentInhalt basedbasierend on how manyviele people are watchingAufpassen,
303
793000
3000
zu messen, wie viele Leute sich einen bestimmten Inhalt ansehen,
13:31
this givesgibt us the basicBasic dataDaten
304
796000
2000
erhalten wir hier die Grunddaten an denen wir studieren
13:33
for looking at engagementEngagement propertiesEigenschaften of contentInhalt.
305
798000
3000
können, welcher Inhalt welche Teilnahmewirkung hat
13:36
And just like we can look at feedbackFeedback cyclesFahrräder
306
801000
3000
und so wie wir die Rückmeldeschlaufen
13:39
and dynamicsDynamik in a familyFamilie,
307
804000
3000
und Dynamik in einer Familie beobachten können,
13:42
we can now openöffnen up the samegleich conceptsKonzepte
308
807000
3000
können wir jetzt das gleiche Konzept öffnen
13:45
and look at much largergrößer groupsGruppen of people.
309
810000
3000
und auf eine viel grössere Gruppe Menschen anwenden.
13:48
This is a subsetTeilmenge of dataDaten from our databaseDatenbank --
310
813000
3000
Dies hier ist ein Teilsatz unserer Daten -
13:51
just 50,000 out of severalmehrere millionMillion --
311
816000
3000
nur 50.000 von mehreren Millionen -
13:54
and the socialSozial graphGraph that connectsverbindet them
312
819000
2000
und das soziale Diagramm, das sie
13:56
throughdurch publiclyöffentlich availableverfügbar sourcesQuellen.
313
821000
3000
über öffentliche Quellen verbindet.
13:59
And if you put them on one plaineinfach,
314
824000
2000
Und wenn Sie diese jetzt in eine Ebene legen,
14:01
a secondzweite plaineinfach is where the contentInhalt livesLeben.
315
826000
3000
und in einer anderen Ebene den Inhalt,
14:04
So we have the programsProgramme
316
829000
3000
dann haben wir die Programme
14:07
and the sportingSport eventsVeranstaltungen
317
832000
2000
und die Sportveranstaltungen
14:09
and the commercialsWerbung,
318
834000
2000
und die Werbung,
14:11
and all of the linkVerknüpfung structuresStrukturen that tieKrawatte them togetherzusammen
319
836000
2000
und all die Verbindungsstrukturen, die sie zusammenketten,
14:13
make a contentInhalt graphGraph.
320
838000
2000
ergeben eine Inhaltsgrafik.
14:15
And then the importantwichtig thirddritte dimensionDimension.
321
840000
4000
Und dann die wichtige dritte Dimension.
14:19
EachJedes of the linksLinks that you're seeingSehen renderedgerendert here
322
844000
2000
Jede dieser Linien, die Sie hier sehen,
14:21
is an actualtatsächlich connectionVerbindung madegemacht
323
846000
2000
bezeichnet eine effektiv zu Stande gekommene Verbindung
14:23
betweenzwischen something someonejemand said
324
848000
3000
zwischen etwas, das jemand sagte
14:26
and a pieceStück of contentInhalt.
325
851000
2000
und einem Ausschnitt aus einer Sendung.
14:28
And there are, again, now tenszehn of millionsMillionen of these linksLinks
326
853000
3000
Und hier sind wieder mehrere Zehnmillionen Verbindungen
14:31
that give us the connectiveverbindend tissueGewebe of socialSozial graphsDiagramme
327
856000
3000
die dieses Geflecht eines sozialen Netzes ergeben
14:34
and how they relatesich beziehen to contentInhalt.
328
859000
3000
und aufzeigen, wie sie mit dem Inhalt der Sendungen korrelieren.
14:37
And we can now startAnfang to probeSonde the structureStruktur
329
862000
2000
Wir können jetzt diese Struktur erforschen
14:39
in interestinginteressant waysWege.
330
864000
2000
auf verschiedene, interressante Weise.
14:41
So if we, for exampleBeispiel, traceSpur the pathPfad
331
866000
3000
Wenn wir zum Beispiel den Weg verfolgen,
14:44
of one pieceStück of contentInhalt
332
869000
2000
den ein Stück Information zurücklegt,
14:46
that drivesfährt someonejemand to commentKommentar on it,
333
871000
2000
das jemanden dazu bringt, einen Kommentar abzugeben,
14:48
and then we followFolgen where that commentKommentar goesgeht,
334
873000
3000
und wenn wir den Weg dieses Kommentars weiterfolgen,
14:51
and then look at the entireganz socialSozial graphGraph that becomeswird activatedaktiviert
335
876000
3000
und die ganze soziale Struktur beobachten, die aktiviert wird,
14:54
and then traceSpur back to see the relationshipBeziehung
336
879000
3000
und danach wieder zurückkehren, um die Beziehung zu erkennen
14:57
betweenzwischen that socialSozial graphGraph and contentInhalt,
337
882000
2000
zwischen der sozialen Struktur und der Information
14:59
a very interestinginteressant structureStruktur becomeswird visiblesichtbar.
338
884000
2000
wird eine sehr interressante Struktur sichtbar.
15:01
We call this a co-viewingAnzeigen von Co cliqueClique,
339
886000
2000
Wir nennen dies eine mit-sehende Klique,
15:03
a virtualvirtuell livingLeben roomZimmer if you will.
340
888000
3000
ein virtuelles Wohnzimmer sozusagen.
15:06
And there are fascinatingfaszinierend dynamicsDynamik at playspielen.
341
891000
2000
Und da ist eine faszinierende Dynamik im Spiel.
15:08
It's not one way.
342
893000
2000
Das ist keine Einbahnstrasse.
15:10
A pieceStück of contentInhalt, an eventEvent, causesUrsachen someonejemand to talk.
343
895000
3000
Eine Information, ein Ereignis bringt jemandem zum Reden.
15:13
They talk to other people.
344
898000
2000
Sie reden mit anderen Leuten.
15:15
That drivesfährt tune-inMelodie-in behaviorVerhalten back into massMasse mediaMedien,
345
900000
3000
Dies bringt die Leute, die zuhören, zurück zu den Massenmedien
15:18
and you have these cyclesFahrräder
346
903000
2000
und es entstehen Kreisläufe
15:20
that driveFahrt the overallinsgesamt behaviorVerhalten.
347
905000
2000
die das Gesamtverhalten lenken.
15:22
AnotherEin weiterer exampleBeispiel -- very differentanders --
348
907000
2000
Ein anderes Beispiel - ganz anders-
15:24
anotherein anderer actualtatsächlich personPerson in our databaseDatenbank --
349
909000
3000
eine echte Person in unserer Datei -
15:27
and we're findingErgebnis at leastam wenigsten hundredsHunderte, if not thousandsTausende, of these.
350
912000
3000
und wir finden mindestens hunderte, wenn nicht tausende davon.
15:30
We'veWir haben givengegeben this personPerson a nameName.
351
915000
2000
Wir haben dieser Person einen Namen gegeben.
15:32
This is a pro-amateurpro-amateur, or pro-amPro-Uhr mediaMedien criticKritiker
352
917000
3000
Dies ist ein halbprofessioneller - ein "Pro-Am", ein Medienkritiker,
15:35
who has this highhoch fan-outFan-out ratePreis.
353
920000
3000
dessen Suchverhalten sich weit ausdehnt.
15:38
So a lot of people are followinges folgen this personPerson -- very influentialeinflussreiche --
354
923000
3000
Nun verfolgen viele Leute die Kommentare diser Person - sie ist einflussreich -
15:41
and they have a propensityNeigung to talk about what's on TVTV.
355
926000
2000
sie neigen dazu, über Dinge zu reden, die im Fernsehen waren.
15:43
So this personPerson is a keySchlüssel linkVerknüpfung
356
928000
3000
So wird diese Person eine Hauptverbindung
15:46
in connectingVerbindung massMasse mediaMedien and socialSozial mediaMedien togetherzusammen.
357
931000
3000
zwischen den Massenmedien und den sozialen Netzwerken.
15:49
One last exampleBeispiel from this dataDaten:
358
934000
3000
Ein letztes Beispiel aus diesen Daten:
15:52
SometimesManchmal it's actuallytatsächlich a pieceStück of contentInhalt that is specialbesondere.
359
937000
3000
Manchmal ist tatsächlich der Inhalt etwas Besonderes.
15:55
So if we go and look at this pieceStück of contentInhalt,
360
940000
4000
Wenn wir uns jetzt diesen Ausschnitt betrachten,
15:59
PresidentPräsident Obama'sObama StateZustand of the UnionUnion addressAdresse
361
944000
3000
die Rede von Präsident Obama zur Lage der Nation,
16:02
from just a fewwenige weeksWochen agovor,
362
947000
2000
erst einige Wochen her,
16:04
and look at what we find in this samegleich dataDaten setSet,
363
949000
3000
und verfolgen, was wir im gleichen Datenset
16:07
at the samegleich scaleRahmen,
364
952000
3000
in der gleichen Auflösung finden,
16:10
the engagementEngagement propertiesEigenschaften of this pieceStück of contentInhalt
365
955000
2000
entdecken wir die Beteiligung zu diesem Thema
16:12
are trulywirklich remarkablebemerkenswert.
366
957000
2000
die wirklich bemerkenswert ist.
16:14
A nationNation explodingexplodierend in conversationKonversation
367
959000
2000
Eine Nation bricht in Gespräche aus,
16:16
in realecht time
368
961000
2000
in Echtzeit
16:18
in responseAntwort to what's on the broadcastÜbertragung.
369
963000
3000
reagiert sie auf das, was gesendet wurde.
16:21
And of courseKurs, throughdurch all of these linesLinien
370
966000
2000
Und selbstverständlich geht durch jede dieser Linie
16:23
are flowingfließend unstructuredunstrukturierte languageSprache.
371
968000
2000
eine Flut unstrukturierter Sprache.
16:25
We can X-rayX-ray
372
970000
2000
Wir können dies durchleuchten
16:27
and get a real-timeEchtzeit pulseImpuls of a nationNation,
373
972000
2000
und sind am Echtzeit-Puls einer Nation,
16:29
real-timeEchtzeit senseSinn
374
974000
2000
erhalten einen Eindruck in Echtzeit
16:31
of the socialSozial reactionsReaktionen in the differentanders circuitsSchaltungen in the socialSozial graphGraph
375
976000
3000
wie verschiedene Netzwerke in sozialen Strukturen darauf reagieren,
16:34
beingSein activatedaktiviert by contentInhalt.
376
979000
3000
aktiviert durch den Inhalt.
16:37
So, to summarizezusammenfassen, the ideaIdee is this:
377
982000
3000
Um also die Idee zusammen zu fassen:
16:40
As our worldWelt becomeswird increasinglyzunehmend instrumentedinstrumentiert
378
985000
3000
während unsere Welt zunehmend verkabelt wird,
16:43
and we have the capabilitiesFähigkeiten
379
988000
2000
und wir die Möglichkeit haben
16:45
to collectsammeln and connectverbinden the dotsPunkte
380
990000
2000
die Punkte zu sammeln und zu verbinden
16:47
betweenzwischen what people are sayingSprichwort
381
992000
2000
zwischen dem, was Menschen sagen
16:49
and the contextKontext they're sayingSprichwort it in,
382
994000
2000
und dem Kontext, in dem sie es sagen,
16:51
what's emergingentstehenden is an abilityFähigkeit
383
996000
2000
erhalten wir die Fähigkeit
16:53
to see newneu socialSozial structuresStrukturen and dynamicsDynamik
384
998000
3000
neue Sozialstrukturen und Dynamiken zu sehen
16:56
that have previouslyvorher not been seengesehen.
385
1001000
2000
die vorher verborgen blieben.
16:58
It's like buildingGebäude a microscopeMikroskop or telescopeFernrohr
386
1003000
2000
Als würden wir ein Mikroskop oder Teleskop bauen
17:00
and revealingaufschlussreich newneu structuresStrukturen
387
1005000
2000
und neue Strukturen aufdecken
17:02
about our ownbesitzen behaviorVerhalten around communicationKommunikation.
388
1007000
3000
über unser eigenes Verhalten im Zusammenhang mit Kommunikation.
17:05
And I think the implicationsImplikationen here are profoundtiefsinnig,
389
1010000
3000
Und ich glaube, die Implikationen sind profund,
17:08
whetherob it's for scienceWissenschaft,
390
1013000
2000
ob für die Wissenschaft,
17:10
for commerceHandel, for governmentRegierung,
391
1015000
2000
die Wirtschaft, die öffentliche Hand
17:12
or perhapsvielleicht mostdie meisten of all,
392
1017000
2000
oder vielleicht am Wichtigsten,
17:14
for us as individualsIndividuen.
393
1019000
3000
für uns als Individuen.
17:17
And so just to returnRückkehr to my sonSohn,
394
1022000
3000
Und um nun wieder zu meinem Sohn zurückzukommen;
17:20
when I was preparingVorbereitung this talk, he was looking over my shoulderSchulter,
395
1025000
3000
während ich diesen Vortrag vorbereitete, schaute er mir über die Schulter,
17:23
and I showedzeigte him the clipsClips I was going to showShow to you todayheute,
396
1028000
2000
und ich zeigte ihm die Videoclips, die ich zu zeigen plante,
17:25
and I askedaufgefordert him for permissionGenehmigung -- grantedgewährt.
397
1030000
3000
und fragte ihn um Erlaubnis -- erteilt.
17:28
And then I wentging on to reflectreflektieren,
398
1033000
2000
Ich fuhr weiter und reflektierte,
17:30
"Isn't it amazingtolle,
399
1035000
3000
"Ist es nicht total faszinierend,
17:33
this entireganz databaseDatenbank, all these recordingsAufnahmen,
400
1038000
3000
diese ganze Datensammlung, all diese Aufnahmen
17:36
I'm going to handHand off to you and to your sisterSchwester" --
401
1041000
2000
werde ich dir und deiner Schwester übergeben,"
17:38
who arrivedist eingetroffen two yearsJahre laterspäter --
402
1043000
3000
die zwei Jahre später zur Welt kam.
17:41
"and you guys are going to be ablefähig to go back and re-experienceneu erleben momentsMomente
403
1046000
3000
"Und ihr zwei könnt zurückgehen und die Momente wiedererleben
17:44
that you could never, with your biologicalbiologisch memoryErinnerung,
404
1049000
3000
wie ihr euch mit eurem biologischen Erinnerungsvermögen
17:47
possiblymöglicherweise remembermerken the way you can now?"
405
1052000
2000
wohl nie so gut daran erinnern könntet.
17:49
And he was quietruhig for a momentMoment.
406
1054000
2000
Und er schwieg für einen Moment.
17:51
And I thought, "What am I thinkingDenken?
407
1056000
2000
Und ich dachte: "was bilde ich mir ein?
17:53
He's fivefünf yearsJahre oldalt. He's not going to understandverstehen this."
408
1058000
2000
Er ist fünf Jahre alt. Er wird das nicht verstehen."
17:55
And just as I was havingmit that thought, he lookedsah up at me and said,
409
1060000
3000
Und während ich das dachte, schaute er zu mir herauf und sagte,
17:58
"So that when I growgrößer werden up,
410
1063000
2000
"Das heißt, wenn ich gross bin,
18:00
I can showShow this to my kidsKinder?"
411
1065000
2000
kann ich das meinen Kindern zeigen?"
18:02
And I thought, "WowWow, this is powerfulmächtig stuffSachen."
412
1067000
3000
Und ich dachte: "Großartig, dies ist ein starkes Ding."
18:05
So I want to leaveverlassen you
413
1070000
2000
Daher möchte ich Sie
18:07
with one last memorableUnvergesslich momentMoment
414
1072000
2000
mit einem letzten denkwürdigen Moment
18:09
from our familyFamilie.
415
1074000
3000
für unsere Familie entlassen.
18:12
This is the first time our sonSohn
416
1077000
2000
Dies ist das erste Mal, dass unser Sohn
18:14
tookdauerte more than two stepsSchritte at onceEinmal --
417
1079000
2000
mehr als zwei Schritte auf einmal machte -
18:16
capturedgefangen on filmFilm.
418
1081000
2000
eingefangen im Film.
18:18
And I really want you to focusFokus on something
419
1083000
3000
Und ich möchte Sie bitten, auf etwas zu achten
18:21
as I take you throughdurch.
420
1086000
2000
während wir das gemeinsam ansehen.
18:23
It's a clutteredüberladen environmentUmwelt; it's naturalnatürlich life.
421
1088000
2000
Es ist eine Unordnung, es ist das Leben.
18:25
My mother'sMutter in the kitchenKüche, cookingKochen,
422
1090000
2000
Meine Mutter ist in der Küche, sie kocht,
18:27
and, of all placessetzt, in the hallwayFlur,
423
1092000
2000
und ich bemerke, dass er ausgerechnet im Korridor
18:29
I realizerealisieren he's about to do it, about to take more than two stepsSchritte.
424
1094000
3000
im Begriff ist, zum ersten Mal mehr als zwei Schritte zu gehen.
18:32
And so you hearhören me encouragingermutigend him,
425
1097000
2000
Sie hören mich also, wie ich ihn ansporne,
18:34
realizingverwirklichen what's happeningHappening,
426
1099000
2000
als ich merke, was geschieht,
18:36
and then the magicMagie happensdas passiert.
427
1101000
2000
und dann passiert das Wunder.
18:38
Listen very carefullyvorsichtig.
428
1103000
2000
Hören Sie ganz genau hin.
18:40
About threedrei stepsSchritte in,
429
1105000
2000
Nach ungefähr drei Schritten wir ihm klar,
18:42
he realizesrealisiert something magicMagie is happeningHappening,
430
1107000
2000
dass etwas Besonderers passiert.
18:44
and the mostdie meisten amazingtolle feedbackFeedback loopSchleife of all kicksTritte in,
431
1109000
3000
Und die fantastischste Rückmelde-Schlaufe beginnt,
18:47
and he takes a breathAtem in,
432
1112000
2000
er nimmt einen tiefen Atemzug,
18:49
and he whispersflüstert "wowBeeindruckend"
433
1114000
2000
und flüstert "wow"
18:51
and instinctivelyinstinktiv I echoEcho back the samegleich.
434
1116000
4000
und ich wiederhole instinktiv, was er sagt.
18:56
And so let's flyFliege back in time
435
1121000
3000
Lassen Sie uns zurückfliegen in der Zeit
18:59
to that memorableUnvergesslich momentMoment.
436
1124000
2000
zu diesem grossen Augenblick
19:05
(VideoVideo) DRDR: Hey.
437
1130000
2000
(Video) DR: Hallo.
19:07
Come here.
438
1132000
2000
Komm her.
19:09
Can you do it?
439
1134000
3000
Schaffst du's?
19:13
Oh, boyJunge.
440
1138000
2000
Junge, Junge.
19:15
Can you do it?
441
1140000
3000
Kannst du's?
19:18
BabyBaby: Yeah.
442
1143000
2000
Baby: Ja.
19:20
DRDR: MaMa, he's walkingGehen.
443
1145000
3000
DR: Mama, er geht.
19:24
(LaughterLachen)
444
1149000
2000
(Gelächter)
19:26
(ApplauseApplaus)
445
1151000
2000
(Applaus)
19:28
DRDR: Thank you.
446
1153000
2000
DR: Danke
19:30
(ApplauseApplaus)
447
1155000
15000
Applaus
Translated by Susi Tuerler
Reviewed by Lex Asobo

▲Back to top

ABOUT THE SPEAKER
Deb Roy - Cognitive scientist
Deb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs.

Why you should listen

Deb Roy directs the Cognitive Machines group at the MIT Media Lab, where he studies how children learn language, and designs machines that learn to communicate in human-like ways. To enable this work, he has pioneered new data-driven methods for analyzing and modeling human linguistic and social behavior. He has authored numerous scientific papers on artificial intelligence, cognitive modeling, human-machine interaction, data mining, and information visualization.

Deb Roy was the co-founder and serves as CEO of Bluefin Labs, a venture-backed technology company. Built upon deep machine learning principles developed in his research over the past 15 years, Bluefin has created a technology platform that analyzes social media commentary to measure real-time audience response to TV ads and shows.

Follow Deb Roy on Twitter>

Roy adds some relevant papers:

Deb Roy. (2009). New Horizons in the Study of Child Language Acquisition. Proceedings of Interspeech 2009. Brighton, England. bit.ly/fSP4Qh

Brandon C. Roy, Michael C. Frank and Deb Roy. (2009). Exploring word learning in a high-density longitudinal corpus. Proceedings of the 31st Annual Meeting of the Cognitive Science Society. Amsterdam, Netherlands. bit.ly/e1qxej

Plenty more papers on our research including technology and methodology can be found here, together with other research from my lab at MIT: bit.ly/h3paSQ

The work that I mentioned on relationships between television content and the social graph is being done at Bluefin Labs (www.bluefinlabs.com). Details of this work have not been published. The social structures we are finding (and that I highlighted in my TED talk) are indeed new. The social media communication channels that are leading to their formation did not even exist a few years ago, and Bluefin's technology platform for discovering these kinds of structures is the first of its kind. We'll certainly have more to say about all this as we continue to dig into this fascinating new kind of data, and as new social structures continue to evolve!

More profile about the speaker
Deb Roy | Speaker | TED.com