ABOUT THE SPEAKERS
Beau Lotto - Neuroscientist, Artist
Beau Lotto is founder of Lottolab, a hybrid art studio and science lab. With glowing, interactive sculpture -- and old-fashioned peer-reviewed research--he's illuminating the mysteries of the brain's visual system.

Why you should listen

"Let there be perception," was evolution's proclamation, and so it was that all creatures, from honeybees to humans, came to see the world not as it is, but as was most useful. This uncomfortable place--where what an organism's brain sees diverges from what is actually out there--is what Beau Lotto and his team at Lottolab are exploring through their dazzling art-sci experiments and public illusions. Their Bee Matrix installation, for example, places a live bee in a transparent enclosure where gallerygoers may watch it seek nectar in a virtual meadow of luminous Plexiglas flowers. (Bees, Lotto will tell you, see colors much like we humans do.) The data captured isn't just discarded, either: it's put to good use in probing scientific papers, and sometimes in more exhibits.

At their home in London’s Science Museum, the lab holds "synesthetic workshops" where kids and adults make abstract paintings that computers interpret into music, and they host regular Lates--evenings of science, music and "mass experiments." Lotto is passionate about involving people from all walks of life in research on perception--both as subjects and as fellow researchers. One such program, called "i,scientist," in fact led to the publication of the first ever peer-reviewed scientific paper written by schoolchildren ("Blackawton Bees," December 2010). It starts, "Once upon a time ..."

These and Lotto's other conjurings are slowly, charmingly bending the science of perception--and our perceptions of what science can be.

More profile about the speaker
Beau Lotto | Speaker | TED.com
Amy O'Toole - Student
Amy O'Toole is a 12-year-old student who helped run a science experiment inspired by Beau Lotto's participative science approach. At age 10 she became one of the youngest people ever to publish a peer-reviewed science paper.

Why you should listen

Amy O'Toole is a 12-year-old student with a peer-reviewed scientific publication under her belt. She took part in a participative science program led by Beau Lotto , called "i, scientist," which inspired a science experiment by a group of 26 primary school students in Blackawton, Devon, UK. O'Toole was never interested in science before this project, but now intends to study the human mind and body. The project led to the publication of the first ever peer-reviewed scientific paper written by schoolchildren ("Blackawton Bees," Royal Society's Biology Letters, December 2010). It starts: "Once upon a time ... ."

More profile about the speaker
Amy O'Toole | Speaker | TED.com
TEDGlobal 2012

Beau Lotto + Amy O'Toole: Science is for everyone, kids included

Beau Lotto + Amy O'Toole: La science, c'est pour tout le monde, même les enfants.

Filmed:
1,504,898 views

Qu'est-ce que la science et le jeu ont en commun ? Le neuroscientifique Beau Lotto pense que tout le monde (les enfants aussi) devraient participer à la science et, à travers le processus de découverte, changer de perception. Il est assisté par Amy O'Toole, 12 ans, qui, avec 25 de ses camarades, le premier article révisé par leurs pairs, des élèves, sur le projet des Abeilles de Blackawton. Ça commence par : « Il était une fois... »
- Neuroscientist, Artist
Beau Lotto is founder of Lottolab, a hybrid art studio and science lab. With glowing, interactive sculpture -- and old-fashioned peer-reviewed research--he's illuminating the mysteries of the brain's visual system. Full bio - Student
Amy O'Toole is a 12-year-old student who helped run a science experiment inspired by Beau Lotto's participative science approach. At age 10 she became one of the youngest people ever to publish a peer-reviewed science paper. Full bio

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

00:17
BeauBeau LottoLotto: So, this gameJeu is very simplesimple.
0
1487
2169
Beau Lotto : Alors, ce jeu est très simple.
00:19
All you have to do is readlis what you see. Right?
1
3656
4047
Tout ce que vous avez à faire, c'est lire ce que vous voyez. D'accord ?
00:23
So, I'm going to countcompter to you, so we don't all do it togetherensemble.
2
7703
3201
Donc, je vais compter pour vous, pour que nous ne le fassions pas tous en même temps.
00:26
Okay, one, two, threeTrois.AudiencePublic: Can you readlis this?
3
10904
2499
Ok, un, deux, trois. Public : Pouvez-vous lire ça ?
00:29
BLBL: AmazingIncroyable. What about this one? One, two, threeTrois.AudiencePublic: You are not readingen train de lire this.
4
13403
4379
BL: Fantastique. Et ça ? Un, deux, trois.
Public : Vous ne lisez pas ça.
00:33
BLBL: All right. One, two, threeTrois. (LaughterRires)
5
17782
5316
BL : Très bien. Un, deux, trois.
(Rires)
00:38
If you were PortuguesePortugais, right? How about this one? One, two, threeTrois.
6
23098
4797
Si vous étiez portugais, n'est-ce pas ? Et ça ? Un, deux, trois.
00:43
AudiencePublic: What are you readingen train de lire?
7
27895
1978
Public : Que lisez-vous ?
00:45
BLBL: What are you readingen train de lire? There are no wordsmots there.
8
29873
3458
BL : Que lisez-vous ? Il n'y a pas de mots ici.
00:49
I said, readlis what you're seeingvoyant. Right?
9
33331
2537
J'ai dit, « Lisez ce que vous voyez ».
00:51
It literallyLittéralement saysdit, "WatWat arAR ouunité d’organisation reaREA in?" (LaughterRires) Right?
10
35868
3850
C'est écrit, « Qu li e v us ? » (Rires), n'est-ce pas ?
00:55
That's what you should have said. Right? Why is this?
11
39718
3828
C'est ce que vous auriez dû dire. Non ? Et pourquoi ?
00:59
It's because perceptionla perception is groundedà la terre in our experienceexpérience.
12
43546
3536
C'est parce que la perception se fonde sur notre vécu.
01:02
Right? The braincerveau takes meaninglesssans signification informationinformation
13
47082
2897
Le cerveau prend des informations qui n'ont pas de sens
01:05
and makesfait du meaningsens out of it, whichlequel meansveux dire we never see
14
49979
2959
et en extrait la signification, ce qui veut dire que nous ne voyons jamais
01:08
what's there, we never see informationinformation,
15
52938
2256
ce qui est là ; nous ne voyons jamais les informations,
01:11
we only ever see what was usefulutile to see in the pastpassé.
16
55194
3275
nous ne voyons que ce qui était utile dans le passé.
01:14
All right? WhichQui meansveux dire, when it comesvient to perceptionla perception,
17
58469
2736
D'accord ? Ce qui veut dire, qu'en ce qui concerne la perception,
01:17
we're all like this froggrenouille.
18
61205
6795
nous sommes tous comme cette grenouille.
01:23
(LaughterRires)
19
68000
912
(Rires)
01:24
Right? It's gettingobtenir informationinformation. It's generatinggénérateur behaviorcomportement
20
68912
3395
Elle reçoit des informations. Le comportement qui s'ensuit
01:28
that's usefulutile. (LaughterRires)
21
72307
4468
est quelque chose d'utile.
(Rires)
01:32
(LaughterRires)
22
76775
7032
(Rires)
01:39
(VideoVidéo) Man: OwOmment! OwOmment! (LaughterRires) (ApplauseApplaudissements)
23
83807
5982
(Vidéo) Homme: Ah! Ah! (Rires) (Applaudissements)
01:45
BLBL: And sometimesparfois, when things don't go our way,
24
89789
2712
BL : Et parfois, quand les choses ne tournent pas comme on veut,
01:48
we get a little bitbit annoyedagacé, right?
25
92501
2259
ça nous énerve un peu, pas vrai?
01:50
But we're talkingparlant about perceptionla perception here, right?
26
94760
2730
Mais ici nous parlons de perception.
01:53
And perceptionla perception underpinsunderpins everything we think, we know,
27
97490
4365
Et la perception sous-tend tout ce que nous pensons, tout ce que nous savons,
01:57
we believe, our hopesespère, our dreamsrêves, the clothesvêtements we wearporter,
28
101855
2871
tout ce que nous croyons ; nos espoirs, nos rêves, les vêtements que nous portons,
02:00
fallingchute in love, everything beginscommence with perceptionla perception.
29
104726
3743
tomber amoureux, tout commence avec la perception.
02:04
Now if perceptionla perception is groundedà la terre in our historyhistoire, it meansveux dire
30
108469
2945
Alors, si la perception prend sa source dans notre histoire, cela signifie
02:07
we're only ever respondingrépondant accordingselon to what we'venous avons doneterminé before.
31
111414
3459
que nous ne réagissons qu'à ce que nous avons déjà fait auparavant.
02:10
But actuallyréellement, it's a tremendousénorme problemproblème,
32
114873
3076
Mais en fait, c'est un énorme problème,
02:13
because how can we ever see differentlydifféremment?
33
117949
3617
car comment pourrons-nous un jour voir les choses autrement ?
02:17
Now, I want to tell you a storyrécit about seeingvoyant differentlydifféremment,
34
121566
4063
Alors, je veux vous raconter une histoire sur différentes visions,
02:21
and all newNouveau perceptionsperceptions begincommencer in the sameMême way.
35
125629
3988
et sur comment toute nouvelle perception commence de la même façon.
02:25
They begincommencer with a questionquestion.
36
129617
2582
Cela commence par une question.
02:28
The problemproblème with questionsdes questions is they createcréer uncertaintyincertitude.
37
132199
3238
Le problème avec les questions, c'est qu’elles créent des incertitudes.
02:31
Now, uncertaintyincertitude is a very badmal thing. It's evolutionarilyévolutionnaires
38
135437
2729
Alors, l'incertitude est une très mauvaise chose. Du point de vue de l'évolution,
02:34
a badmal thing. If you're not sure that's a predatorPredator, it's too lateen retard.
39
138166
3601
c’est quelque chose de mauvais. Si vous n'êtes pas sûr que ce soit un prédateur, c'est trop tard.
02:37
Okay? (LaughterRires)
40
141767
1360
N'est-ce pas ?
(Rires)
02:39
Even seasicknessmal de mer is a consequenceconséquence of uncertaintyincertitude.
41
143127
3160
Même le mal de mer est une conséquence de l'incertitude,
02:42
Right? If you go down belowau dessous de on a boatbateau, your innerinterne earsoreilles
42
146287
2252
pas vrai ? Si vous allez sous un bateau, votre oreille interne
02:44
are you tellingrécit you you're movingen mouvement. Your eyesles yeux, because
43
148539
2176
vous dit que vous bougez. Vos yeux, parce qu'ils
02:46
it's movingen mouvement in registerregistre with the boatbateau, say I'm standingpermanent still.
44
150715
2316
bougent à l'unisson avec le bateau, vous disent que vous êtes immobile.
02:48
Your braincerveau cannotne peux pas dealtraiter with the uncertaintyincertitude of that informationinformation, and it getsobtient illmauvais.
45
153031
4655
Votre cerveau ne peut pas gérer l'incertitude de cette information et ça le rend malade.
02:53
The questionquestion "why?" is one of the mostles plus dangerousdangereux things you can do,
46
157686
3929
La question « pourquoi ? » est l'une des choses les plus dangereuses que vous pouvez faire,
02:57
because it takes you into uncertaintyincertitude.
47
161615
2992
parce qu'elle vous entraine dans l'incertitude.
03:00
And yetencore, the ironyironie is, the only way we can ever
48
164607
2879
Et pourtant, l'ironie est que la seule façon de
03:03
do anything newNouveau is to stepétape into that spaceespace.
49
167486
3536
faire quelque chose de nouveau, c'est de rentrer dans cet espace.
03:06
So how can we ever do anything newNouveau? Well fortunatelyHeureusement,
50
171022
3224
Alors comment pouvons-nous, un jour, faire quelque chose de nouveau ? Alors, heureusement,
03:10
evolutionévolution has givendonné us an answerrépondre, right?
51
174246
3584
l'évolution nous a donné une réponse, pas vrai ?
03:13
And it enablespermet us to addressadresse even the mostles plus difficultdifficile
52
177830
3595
Et cela nous permet de faire face même aux questions
03:17
of questionsdes questions. The bestmeilleur questionsdes questions are the onesceux that createcréer the mostles plus uncertaintyincertitude.
53
181425
4679
les plus difficiles.
03:22
They're the onesceux that questionquestion the things we think to be truevrai alreadydéjà. Right?
54
186104
3956
Ce sont celles qui remettent en cause les choses que nous pensons déjà être vraies.
03:25
It's easyfacile to askdemander questionsdes questions about how did life begincommencer,
55
190060
1989
C'est facile de poser des questions sur la façon dont la vie commence,
03:27
or what extendss'étend beyondau-delà the universeunivers, but to questionquestion what you think to be truevrai alreadydéjà
56
192049
3308
ou sur ce qui s'étend au-delà de l'univers, mais de questionner ce que vous pensez être vrai,
03:31
is really steppingpas à pas into that spaceespace.
57
195357
3001
c'est vraiment pénétrer dans cet espace.
03:34
So what is evolution'sEvolution answerrépondre to the problemproblème of uncertaintyincertitude?
58
198358
4810
Alors quelle est la réponse de l'évolution au problème de l'incertitude ?
03:39
It's playjouer.
59
203168
1773
C'est le jeu.
03:40
Now playjouer is not simplysimplement a processprocessus. ExpertsExperts in playjouer will tell you
60
204941
4193
Alors le jeu n'est pas seulement un processus. Les spécialistes du jeu vous diront
03:45
that actuallyréellement it's a way of beingétant.
61
209134
2615
que c'est en fait une manière d'être.
03:47
PlayJouer is one of the only humanHumain endeavorsefforts where uncertaintyincertitude
62
211749
2891
Le jeu est le seul effort humain où l'incertitude
03:50
is actuallyréellement celebratedcélèbre. UncertaintyIncertitude is what makesfait du playjouer funamusement.
63
214640
4326
est vraiment célébrée. L'incertitude est ce qui rend le jeu amusant.
03:54
Right? It's adaptableadaptable to changechangement. Right? It openss'ouvre possibilitypossibilité,
64
218966
4275
Pas vrai ? C'est adaptable au changement, n'est-ce pas ? Ça ouvre des possibilités,
03:59
and it's cooperativecoopérative. It's actuallyréellement how we do our socialsocial bondingcollage,
65
223241
4109
et c'est de la coopération. C'est en fait notre façon de créer des liens sociaux,
04:03
and it's intrinsicallyintrinsèquement motivatedmotivés. What that meansveux dire
66
227350
1726
et c'est intrinsèquement motivé. Ce qui signifie
04:04
is that we playjouer to playjouer. PlayJouer is its ownposséder rewardrécompense.
67
229076
4606
que nous jouons pour jouer. Le jeu est sa propre récompense.
04:09
Now if you look at these fivecinq waysfaçons of beingétant,
68
233682
3891
Alors si vous regardez ces cinq manières d'être,
04:13
these are the exactexact sameMême waysfaçons of beingétant you need
69
237573
2721
ce sont exactement les mêmes dont vous avez besoin
04:16
in ordercommande to be a good scientistscientifique.
70
240294
2036
pour être un bon scientifique.
04:18
ScienceScience is not defineddéfini by the methodméthode sectionsection of a paperpapier.
71
242330
3027
La science n'est pas définie par la partie "méthode" d'un article.
04:21
It's actuallyréellement a way of beingétant, whichlequel is here, and this is truevrai
72
245357
3140
C'est en fait une façon d'être, qui est ici, et c'est vrai
04:24
for anything that is creativeCréatif.
73
248497
2653
de tout ce qui est créatif.
04:27
So if you addajouter rulesrègles to playjouer, you have a gameJeu.
74
251150
4203
Donc si vous ajoutez des règles à un jeu, vous obtenez un jeu à règles.
04:31
That's actuallyréellement what an experimentexpérience is.
75
255353
2790
C'est exactement ce qu'est une expérimentation.
04:34
So armedarmé with these two ideasidées,
76
258143
1919
Donc armé de ces deux idées,
04:35
that sciencescience is a way of beingétant and experimentsexpériences are playjouer,
77
260062
4322
qui sont que la science est une façon d'être et que les expérimentations sont un jeu,
04:40
we askeda demandé, can anyonen'importe qui becomedevenir a scientistscientifique?
78
264384
3453
on s'est demandé, est-ce que tout le monde peut devenir un scientifique ?
04:43
And who better to askdemander than 25 eight-huit- to 10-year-old-Age childrenles enfants?
79
267837
3500
Et à qui demander de mieux qu'à 25 enfants âgés de 8 à 10 ans ?
04:47
Because they're expertsexperts in playjouer. So I tooka pris my beeabeille arenaarène
80
271337
3507
Parce que ce sont des spécialistes en jeu. Donc j'ai emmené ma ruche
04:50
down to a smallpetit schoolécole in DevonDevon, and the aimobjectif of this
81
274844
3547
dans une petite école du Devon, et le but de ça,
04:54
was to not just get the kidsdes gamins to see sciencescience differentlydifféremment,
82
278391
4244
ce n'était pas seulement d'amener les enfants à voir la science différemment,
04:58
but, throughpar the processprocessus of sciencescience, to see themselvesse differentlydifféremment. Right?
83
282635
4598
mais de se voir différemment, à travers la science.
05:03
The first stepétape was to askdemander a questionquestion.
84
287233
3408
La première étape était de poser une question.
05:06
Now, I should say that we didn't get fundingfinancement for this studyétude
85
290641
2880
Alors, je dois dire que nous n'avons pas eu de fonds pour cette étude
05:09
because the scientistsscientifiques said smallpetit childrenles enfants couldn'tne pouvait pas make
86
293521
3330
parce que les scientifiques disaient que les enfants ne pouvaient pas
05:12
a usefulutile contributioncontribution to sciencescience, and the teachersenseignants said kidsdes gamins couldn'tne pouvait pas do it.
87
296851
4302
contribuer à la science, et les enseignants disaient que les enfants ne pourraient pas le faire.
05:17
So we did it anywayen tous cas. Right? Of coursecours.
88
301153
3734
Alors nous l'avons fait quand même. Pas vrai ? Bien sûr.
05:20
So, here are some of the questionsdes questions. I put them in smallpetit printimpression
89
304887
2819
Alors, voici quelques-unes des questions. Je les ai mises en minuscules
05:23
so you wouldn'tne serait pas botherpas la peine readingen train de lire it. PointPoint is that fivecinq of the questionsdes questions that the kidsdes gamins camevenu up with
90
307706
4440
pour que vous ne vous embêtiez pas à les lire. Le fait est que cinq des questions posées par les enfants
05:28
were actuallyréellement the basisbase of sciencescience publicationpublication the last fivecinq to 15 yearsannées. Right?
91
312146
4618
étaient en fait les bases des publications scientifiques des cinq à quinze dernières années.
05:32
So they were askingdemandant questionsdes questions that were significantimportant
92
316764
2660
Donc ils ont posé des questions qui étaient importantes
05:35
to expertexpert scientistsscientifiques.
93
319424
2130
pour les experts scientifiques.
05:37
Now here, I want to sharepartager the stageétape with someoneQuelqu'un quiteassez specialspécial. Right?
94
321554
4134
Alors maintenant, je voudrais partager la scène avec quelqu'un de très spécial.
05:41
She was one of the youngJeune people who was involvedimpliqué in this studyétude,
95
325688
2612
C'était une des jeunes filles impliquées dans cette étude,
05:44
and she's now one of the youngestle plus jeune publishedpublié scientistsscientifiques
96
328300
2334
et elle est maintenant l'une des plus jeunes scientifiques au monde,
05:46
in the worldmonde. Right? She will now, onceune fois que she comesvient ontosur stageétape,
97
330634
3883
à être publié. D'accord ? Maintenant, une fois qu'elle sera montée sur scène, elle va
05:50
will be the youngestle plus jeune personla personne to ever speakparler at TEDTED. Right?
98
334517
3698
devenir la plus jeune personne à parler à TED.
05:54
Now, sciencescience and askingdemandant questionsdes questions is about couragecourage.
99
338215
2875
Alors, la science et questionner, ça à avoir avec le courage.
05:56
Now she is the personificationpersonnification of couragecourage, because she's
100
341090
3200
Alors, elle est le courage personnifié, parce qu'elle
06:00
going to standsupporter up here and talk to you all.
101
344290
1387
va se tenir ici and parler devant vous tous.
06:01
So AmyAmy, would you please come up? (ApplauseApplaudissements)
102
345677
5254
Donc, Amy, peux-tu monter s'il-te-plaît ?
(Applaudissements)
06:06
(ApplauseApplaudissements)
103
350931
7185
(Applaudissements)
06:14
So Amy'sAmy going to help me tell the storyrécit of what we call
104
358116
2519
Donc, Amy va m'aider à raconter l'histoire de ce que l'on appelle
06:16
the BlackawtonBlackawton BeesAbeilles ProjectProjet, and first she's going to tell you
105
360635
2666
le Projet Abeilles de Blackawton, et d'abord elle va vous dire
06:19
the questionquestion that they camevenu up with. So go aheaddevant, AmyAmy.
106
363301
2545
la question qu'ils se sont posée. Allez vas-y, Amy.
06:21
AmyAmy O'TooleO ' Toole: Thank you, BeauBeau. We thought
107
365846
1719
Amy O'Toole: Merci, Beau. Nous avons pensé
06:23
that it was easyfacile to see the linklien betweenentre humanshumains and apessinges
108
367565
3401
qu'il était simple de voir le lien entre les humains et les primates
06:26
in the way that we think, because we look alikeressemblent.
109
370966
3024
dans notre façon de penser, parce que nous nous ressemblons.
06:29
But we wondereddemandé if there's a possiblepossible linklien
110
373990
2689
Mais nous nous sommes demandé s'il y avait un lien possible
06:32
with other animalsanimaux. It'dIl serait be amazingincroyable if humanshumains and beesabeilles
111
376679
4704
avec d'autres animaux. Ce serait incroyable si les humains et les abeilles
06:37
thought similarsimilaire, sincedepuis they seemsembler so differentdifférent from us.
112
381383
4113
pensaient de la même façon, dans la mesure où elles semblent si différentes de nous.
06:41
So we askeda demandé if humanshumains and beesabeilles mightpourrait solverésoudre
113
385496
3053
Donc nous avons posé la question si les humains et les abeilles pouvaient résoudre
06:44
complexcomplexe problemsproblèmes in the sameMême way.
114
388549
2407
des problèmes complexes de la même façon.
06:46
Really, we wanted to know if beesabeilles can alsoaussi adaptadapter
115
390956
3287
Nous voulions vraiment savoir si les abeilles pouvaient aussi s'adapter
06:50
themselvesse to newNouveau situationssituations usingen utilisant previouslyprécédemment learnedappris rulesrègles
116
394243
3707
à de nouvelles situations en utilisant des règles et conditions apprises auparavant
06:53
and conditionsconditions. So what if beesabeilles can think like us?
117
397950
4214
Et si les abeilles pensaient comme nous ?
06:58
Well, it'dça ferait be amazingincroyable, sincedepuis we're talkingparlant about an insectinsecte
118
402164
2552
Eh bien, ce serait incroyable, dans la mesure où nous parlons d'un insecte
07:00
with only one millionmillion braincerveau cellscellules.
119
404716
2525
avec seulement un million de cellules du cerveau.
07:03
But it actuallyréellement makesfait du a lot of sensesens they should,
120
407241
2142
Mais en fait, c'est parfaitement compréhensible qu'elles le puissent
07:05
because beesabeilles, like us, can recognizereconnaître a good flowerfleur
121
409383
3277
parce que les abeilles, comme nous, peuvent reconnaître une bonne fleur
07:08
regardlessindépendamment of the time of day, the lightlumière, the weatherMétéo,
122
412660
3613
quel que soit l'heure du jour, la lumière, le temps,
07:12
or from any angleangle they approachapproche it from. (ApplauseApplaudissements)
123
416273
5742
ou l'angle sous lequel elles l'approchent.
(Applaudissements)
07:17
BLBL: So the nextprochain stepétape was to designconception an experimentexpérience,
124
422015
3782
BL : Donc l'étape suivante était de concevoir une expérimentation,
07:21
whichlequel is a gameJeu. So the kidsdes gamins wentest allé off and they designedconçu
125
425797
3302
sous forme de jeu. Donc, les enfants se sont lancés et ils ont conçu
07:24
this experimentexpérience, and so -- well, gameJeu -- and so,
126
429099
3301
cette expérimentation, et donc -- bon, le jeu -- et donc
07:28
AmyAmy, can you tell us what the gameJeu was,
127
432400
1466
Amy, pouvez-vous nous dire ce qu'était le jeu,
07:29
and the puzzlepuzzle that you setensemble the beesabeilles?
128
433866
2143
et l'énigme que vous avez fait pour les abeilles?
07:31
AOAO: The puzzlepuzzle we camevenu up with was an if-thenSi-alors ruleRègle.
129
436009
3023
AO: L'énigme que nous avons fait était une règle du "si-donc".
07:34
We askeda demandé the beesabeilles to learnapprendre not just to go to a certaincertain colorCouleur,
130
439032
3645
Nous avons demandé aux abeilles non seulement d'apprendre à aller vers une certaine couleur,
07:38
but to a certaincertain colorCouleur flowerfleur only
131
442677
2668
mais seulement vers une fleur d'une certaine couleur
07:41
when it's in a certaincertain patternmodèle.
132
445345
1632
quand elle était dans un schéma précis.
07:42
They were only rewardedrécompensé if they wentest allé to the yellowjaune flowersfleurs
133
446977
3259
Elles étaient récompensées seulement si elles allaient vers des fleurs jaunes
07:46
if the yellowjaune flowersfleurs were surroundedentouré by the bluebleu,
134
450236
3060
si les fleurs jaunes étaient entourées de bleu
07:49
or if the bluebleu flowersfleurs were surroundedentouré by the yellowjaune.
135
453296
3268
ou si les fleurs bleues étaient entourées des jaunes.
07:52
Now there's a numbernombre of differentdifférent rulesrègles the beesabeilles can learnapprendre
136
456564
2585
Alors il y a un certain nombre de règles que les abeilles peuvent apprendre
07:55
to solverésoudre this puzzlepuzzle. The interestingintéressant questionquestion is, whichlequel?
137
459149
3425
pour résoudre cette énigme. La question intéressante est : laquelle ?
07:58
What was really excitingpassionnant about this projectprojet was we,
138
462574
2780
Ce qui était vraiment excitant par rapport à ce projet, c'était que nous,
08:01
and BeauBeau, had no ideaidée whetherqu'il s'agisse it would work.
139
465354
2343
et Beau, n'avions aucune idée si cela allait fonctionner ou pas.
08:03
It was completelycomplètement newNouveau, and no one had doneterminé it before,
140
467697
2454
C'était complètement nouveau, et personne ne l'avait fait auparavant,
08:06
includingcomprenant adultsadultes. (LaughterRires)
141
470151
3723
même les adultes.
(Rires)
08:09
BLBL: IncludingY compris the teachersenseignants, and that was really harddifficile for the teachersenseignants.
142
473874
3464
BL : même les enseignants, et c'était vraiment dur pour les enseignants.
08:13
It's easyfacile for a scientistscientifique to go in and not have a clueindice what he's doing,
143
477338
2904
C'est facile pour un scientifique de se lancer et de ne pas savoir où il va,
08:16
because that's what we do in the lablaboratoire, but for a teacherprof
144
480242
2544
parce que c'est ce que nous faisons en laboratoire, mais pour un enseignant
08:18
not to know what's going to happense produire at the endfin of the day --
145
482786
1625
ne pas savoir ce qui va se passer à la fin de la journée --
08:20
so much of the creditcrédit goesva to DaveDave StrudwickStrudwick, who was
146
484411
2599
donc la plupart du mérite revient à Dave Strudwick, qui était
08:22
the collaboratorcollaborateur on this projectprojet. Okay?
147
487010
2209
le collaborateur sur ce projet. D'accord?
08:25
So I'm not going to go throughpar the wholeentier detailsdétails of the studyétude
148
489219
2732
Donc je ne vais pas énumérer tous les détails de la recherche
08:27
because actuallyréellement you can readlis about it, but the nextprochain stepétape
149
491951
2638
parce que vous pouvez en fait la lire, mais la prochaine étape
08:30
is observationobservation. So here are some of the studentsélèves
150
494589
3645
c'est l'observation. Donc voici quelques-uns des élèves
08:34
doing the observationsobservations. They're recordingenregistrement the dataLes données
151
498234
2768
en train de faire des observations. Ils enregistrent des données
08:36
of where the beesabeilles flymouche.
152
501002
5044
concernant le lieu où les abeilles volent.
08:41
(VideoVidéo) DaveDave StrudwickStrudwick: So what we're going to do —StudentStudent: 5C.
153
506046
2023
(Vidéo) Dave Strudwick: Donc ce que nous allons faire -
Elève : 5C.
08:43
DaveDave StrudwickStrudwick: Is she still going up here?StudentStudent: Yeah.
154
508069
3990
Dave Strudwick: Est-ce qu'elle continue là ?
Elève : Ouais.
08:47
DaveDave StrudwickStrudwick: So you keep trackPiste of eachchaque.StudentStudent: HenryHenry, can you help me here?
155
512059
3597
Dave Strudwick : Donc vous suivez chacune d'elle.
Elève : Henri, tu peux m'aider ici ?
08:51
BLBL: "Can you help me, HenryHenry?" What good scientistscientifique saysdit that, right?
156
515656
2904
BL: « Tu peux m'aider, Henry ? » Quel scientifique dit ça, n'est-ce pas ?
08:54
StudentStudent: There's two up there.
157
518560
4710
Elève : Il y en a deux là.
08:59
And threeTrois in here.
158
523270
2874
Et trois ici.
09:02
BLBL: Right? So we'venous avons got our observationsobservations. We'veNous avons got our dataLes données.
159
526144
2275
BL : D'accord ? Donc nous avons nos observations. Nous avons nos données.
09:04
They do the simplesimple mathematicsmathématiques, averagingavec une moyenne, etcetc., etcetc.
160
528419
3773
Ils font des mathématiques simples, ils font des moyennes, etc...
09:08
And now we want to sharepartager. That's the nextprochain stepétape.
161
532192
1931
Et maintenant, nous voulons partager ça. C'est la prochaine étape.
09:10
So we're going to writeécrire this up and try to submitsoumettre this
162
534123
1608
Donc nous allons écrire ça et essayer de le faire publier.
09:11
for publicationpublication. Right? So we have to writeécrire it up.
163
535731
2856
D'accord ? Nous devons donc l'écrire.
09:14
So we go, of coursecours, to the pubpub. All right? (LaughterRires)
164
538587
4513
Alors, nous allons bien sûr au pub. Pas vrai ?
(Rires)
09:19
The one on the left is minemien, okay? (LaughterRires)
165
543100
2284
Celui à gauche, c'est le mien, d'accord ?
(Rires)
09:21
Now, I tell them, a paperpapier has fourquatre differentdifférent sectionssections:
166
545384
2086
Alors, je leur dis, un article a quatre parties différentes :
09:23
an introductionintroduction, a methodsméthodes, a resultsrésultats, a discussiondiscussion.
167
547470
2807
une introduction, une partie méthode, une partie résultat et une partie discussion.
09:26
The introductionintroduction saysdit, what's the questionquestion and why?
168
550277
2604
Dans l'introduction on a: quelle est la question et pourquoi ?
09:28
MethodsMéthodes, what did you do? ResultsRésultats, what was the observationobservation?
169
552881
3119
dans la partie méthode: qu'avez-vous fait ? Dans les résultats: qu'avez-vous observé ?
09:31
And the discussiondiscussion is, who caresse soucie? Right?
170
556000
2143
Et dans la discussion, c'est... : on s'en fiche ? non ?
09:34
That's a sciencescience paperpapier, basicallyen gros. (LaughterRires)
171
558143
2459
C'est ça un article scientifique.
(Rires)
09:36
So the kidsdes gamins give me the wordsmots, right? I put it into a narrativerécit,
172
560602
4529
Donc les enfants me dictent les mots, d'accord ? Je les transcris en phrases,
09:41
whichlequel meansveux dire that this paperpapier is writtenécrit in kidspeakkidspeak.
173
565131
3247
ce qui veut dire que cet article est écrit dans un langage d'enfant.
09:44
It's not writtenécrit by me. It's writtenécrit by AmyAmy
174
568378
2528
Il n'est pas écrit par moi. Il est écrit par Amy
09:46
and the other studentsélèves in the classclasse. As a consequenceconséquence,
175
570906
3320
et les autres élèves de la classe.
Par conséquent,
09:50
this sciencescience paperpapier beginscommence, "OnceFois uponsur a time ... " (LaughterRires)
176
574226
6017
cet article scientifique commence par : « Il était une fois... »
(Rires)
09:56
The resultsrésultats sectionsection, it saysdit: "TrainingFormation phasephase de, the puzzlepuzzle ... duhduh duhduh duuuuuhhhduuuuuhhh." Right? (LaughterRires)
177
580243
5312
Pour la partie « résultats », ça donne : « phase d'entraînement, le puzzle... tin, tin, tinnnn. » D'accord? (Rires)
10:01
And the methodsméthodes, it saysdit, "Then we put the beesabeilles
178
585555
2196
Et la partie méthode dit : « Ensuite nous avons mis les abeilles
10:03
into the fridgeréfrigérateur (and madefabriqué beeabeille pietarte)," smileySmiley facevisage. Right? (LaughterRires)
179
587751
3317
dans le frigo et nous avons fait une tarte d'abeilles », smiley.
(Rires)
10:06
This is a sciencescience paperpapier. We're going to try to get it publishedpublié.
180
591068
3833
C'est un article scientifique. Nous allons essayer d'être publié.
10:10
So here'svoici the titleTitre pagepage. We have a numbernombre of authorsauteurs there.
181
594901
2834
Donc voici la page de présentation. Nous avons un certain nombre d'auteurs ici.
10:13
All the onesceux in boldaudacieux are eighthuit to 10 yearsannées oldvieux.
182
597735
2851
Tous ceux en gras ont entre huit et dix ans.
10:16
The first authorauteur is BlackawtonBlackawton PrimaryPrimaire SchoolÉcole, because
183
600586
2050
Le premier auteur est l'Ecole Primaire de Blackawton, parce que
10:18
if it were ever referencedréférencé, it would be "BlackawtonBlackawton etet alAl,"
184
602636
3246
s'il est un jour référencé, ce serait « Blackawton et al »,
10:21
and not one individualindividuel. So we submitsoumettre it to a publicpublic accessaccès journaljournal,
185
605882
3057
et pas seulement un individu. Donc on l'envoie à un journal grand public,
10:24
and it saysdit this. It said manybeaucoup things, but it said this.
186
608939
3332
and voici ce que ça dit. Ça disait beaucoup de choses, mais ça disait surtout ça.
10:28
"I'm afraidpeur the paperpapier failséchoue our initialinitiale qualityqualité controlcontrôle checksvérifie in severalnombreuses differentdifférent waysfaçons." (LaughterRires)
187
612271
3919
« Je crains que votre article n'ait pas rempli plusieurs de nos critères de qualité. »
(Rires)
10:32
In other wordsmots, it startsdéparts off "onceune fois que uponsur a time,"
188
616190
2560
En d'autres termes, ça commence par « Il était une fois, »
10:34
the figureschiffres are in crayoncolorie, etcetc. (LaughterRires)
189
618750
2526
les données sont au pastel, etc...
(Rires)
10:37
So we said, we'llbien get it reviewedrévisé. So I sentenvoyé it to DaleDale PurvesPurves,
190
621276
4353
Donc on s'est dit que on allait le faire réviser. Alors, je l'ai envoyé à Dale Purves,
10:41
who is at the NationalNational AcademyAcadémie of ScienceScience, one of the leadingde premier plan neuroscientistsneuroscientifiques in the worldmonde,
191
625629
3533
qui est, à l'Académie Nationale des Sciences, un des neuroscientifiques les plus renommés du monde,
10:45
and he saysdit, "This is the mostles plus originaloriginal sciencescience paperpapier I have ever readlis" — (LaughterRires) —
192
629162
3449
et il a dit : « C’est l'article scientifique le plus original que j'ai jamais lu » -- (Rires) --
10:48
"and it certainlycertainement deservesmérite widelarge exposureexposition."
193
632611
2097
« et il mérite une large couverture. »
10:50
LarryLarry MaloneyMaloney, expertexpert in visionvision, saysdit, "The paperpapier is magnificentmagnifique.
194
634708
4271
Larry Maloney, un expert en vision, a dit: « Cet article est magnifique.
10:54
The work would be publishablepubliable if doneterminé by adultsadultes."
195
638979
3366
Ce travail serait susceptible d'être publié s'il était fait par des adultes. »
10:58
So what did we do? We sendenvoyer it back to the editoréditeur.
196
642345
1979
Alors qu'avons-nous fait ? Nous l'avons renvoyé à l'éditeur.
11:00
They say no.
197
644324
1589
Ils ont dit Non.
11:01
So we askeda demandé LarryLarry and NatalieNatalie HempelHempel to writeécrire
198
645913
2454
Donc nous avons demandé à Larry et Natalie Hempel d'écrire
11:04
a commentarycommentaire situatingsituer the findingsrésultats for scientistsscientifiques, right,
199
648367
4007
un commentaire pour resituer les trouvailles pour les scientifiques, d'accord,
11:08
puttingen mettant in the referencesles références, and we submitsoumettre it to BiologyBiologie LettersLettres.
200
652374
4128
inclure les sources et nous l'avons envoyé à Biology Letters.
11:12
And there, it was reviewedrévisé by fivecinq independentindépendant refereesarbitres,
201
656502
3327
Et là, il a été relu par cinq juges indépendants,
11:15
and it was publishedpublié. Okay? (ApplauseApplaudissements)
202
659829
4421
et il a été publié. Ok ?
(Applaudissements)
11:20
(ApplauseApplaudissements)
203
664250
6000
(Applaudissements)
11:26
It tooka pris fourquatre monthsmois to do the sciencescience,
204
670250
3021
Ça a pris quatre mois pour le côté scientifique,
11:29
two yearsannées to get it publishedpublié. (LaughterRires)
205
673271
3228
deux ans pour se faire publier.
(Rires)
11:32
TypicalTypique sciencescience, actuallyréellement, right? So this makesfait du AmyAmy and
206
676499
4835
Typiquement scientifique, pas vrai ? Donc ce qui fait d'Amy
11:37
her friendscopains the youngestle plus jeune publishedpublié scientistsscientifiques in the worldmonde.
207
681334
2433
et ses amis, les plus jeunes scientifiques à être publiés dans le monde.
11:39
What was the feedbackretour d'information like?
208
683767
2016
Quelle a été la réaction ?
11:41
Well, it was publishedpublié two daysjournées before ChristmasChristmas,
209
685783
2885
Eh bien, ça a été publié deux jours avant Noël,
11:44
downloadedtéléchargé 30,000 timesfois in the first day, right?
210
688668
4003
téléchargé 30000 fois le premier jour, hein ?
11:48
It was the Editors'Editors' ChoiceChoix in ScienceScience, whichlequel is a topHaut sciencescience magazinemagazine.
211
692671
4040
C'était le Choix Editorial dans Science, qui est un des meilleurs magazines scientifiques.
11:52
It's foreverpour toujours freelylibrement accessibleaccessible by BiologyBiologie LettersLettres.
212
696711
2542
C'est désormais accessible gratuitement sur Biology Letters.
11:55
It's the only paperpapier that will ever be freelylibrement accessibleaccessible by this journaljournal.
213
699253
3680
C'est le seul article qui sera toujours accessible gratuitement dans ce journal.
11:58
Last yearan, it was the second-mostdeuxième plus downloadedtéléchargé paperpapier
214
702933
2699
L'année dernière, c'était le deuxième article le plus téléchargé
12:01
by BiologyBiologie LettersLettres, and the feedbackretour d'information from not just scientistsscientifiques
215
705632
4104
par Biology Letters, et ce retour venait non seulement des scientifiques
12:05
and teachersenseignants but the publicpublic as well.
216
709736
2548
et des enseignants mais aussi du public.
12:08
And I'll just readlis one.
217
712284
1772
Et je vais juste vous lire une chose.
12:09
"I have readlis 'Blackawton« Blackawton Bees'Des abeilles recentlyrécemment. I don't have
218
714056
2490
« J'ai lu 'Les Abeilles de Blackawton' récemment. Je n'ai pas
12:12
wordsmots to explainExplique exactlyexactement how I am feelingsentiment right now.
219
716546
2313
de mots pour exprimer ce que je ressens en ce moment.
12:14
What you guys have doneterminé is realréal, truevrai and amazingincroyable.
220
718859
2479
ce que vous avez fait est réel, vrai et stupéfiant.
12:17
CuriosityCuriosité, interestintérêt, innocenceinnocence and zealzèle are the mostles plus basicde base
221
721338
3109
La curiosité, l'intérêt, l'innocence et le zèle sont les choses
12:20
and mostles plus importantimportant things to do sciencescience.
222
724447
1724
les plus basiques et importantes pour faire de la science.
12:22
Who elseautre can have these qualitiesqualités more than childrenles enfants?
223
726171
2478
Qui, plus que les enfants, peut avoir ses qualités ?
12:24
Please congratulateféliciter your children'senfants teaméquipe from my sidecôté."
224
728649
3541
Je vous prie de féliciter les enfants de votre équipe de ma part. »
12:28
So I'd like to concludeconclure with a physicalphysique metaphormétaphore.
225
732190
3383
Donc j'aimerais conclure avec une métaphore physique.
12:31
Can I do it on you? (LaughterRires)
226
735573
2968
Je peux le faire sur vous ?
(Rires)
12:34
Oh yeah, yeah, yeah, come on. Yeah yeah. Okay.
227
738541
3093
Oh, ouais, ouais, ouais, allez. Ok.
12:37
Now, sciencescience is about takingprise risksrisques, so this is an incredibleincroyable riskrisque, right? (LaughterRires)
228
741634
5177
Alors, la science, c'est prendre des risques et ça, c'est un risque incroyable, n'est-ce pas ? (Rires)
12:42
For me, not for him. Right? Because we'venous avons only doneterminé this onceune fois que before. (LaughterRires)
229
746811
6098
Pour moi, pas pour lui, n'est-ce pas ? Parce que nous avons seulement fait ça une fois avant.
(Rires)
12:48
And you like technologyLa technologie, right?
230
752909
1576
Et vous aimez la technologie, n'est-ce pas ?
12:50
ShimonShimon SchockenSchocken: Right, but I like myselfmoi même.
231
754485
2176
Shimon Schocken : oui, mais je m'aime aussi.
12:52
BLBL: This is the epitomequintessence of technologyLa technologie. Right. Okay.
232
756661
2951
BL : C'est l'exemple même de la technologie. Oui. D'accord.
12:55
Now ... (LaughterRires)
233
759612
3608
Alors...
(Rires)
12:59
Okay. (LaughterRires)
234
763220
2880
D'accord.
(Rires)
13:02
Now, we're going to do a little demonstrationmanifestation, right?
235
766100
4084
Maintenant, nous allons faire une petite démonstration, d'accord ?
13:06
You have to closeFermer your eyesles yeux, and you have to pointpoint
236
770184
4019
Vous devez fermer les yeux, et vous devez montrer
13:10
where you hearentendre me clappingClapping. All right?
237
774203
3157
où vous m'entendez taper des mains. D'accord ?
13:13
(ClappingClapping)
238
777360
4398
(Applaudissement)
13:17
(ClappingClapping)
239
781758
3144
(Applaudissement)
13:20
Okay, how about if everyonetoutes les personnes over there shoutsCris. One, two, threeTrois?
240
784902
2903
Ok, et si tout le monde là-bas crie. Un, deux, trois ?
13:23
AudiencePublic: (ShoutsCris)
241
787805
2901
Public: (Cris)
13:26
(LaughterRires)
242
790706
4446
(Rires)
13:31
(ShoutsCris) (LaughterRires)
243
795152
3171
(Cris) (Rires)
13:34
BrilliantBrillant. Now, openouvrir your eyesles yeux. We'llNous allons do it one more time.
244
798323
3641
Fantastique. Maintenant, ouvrez les yeux. Nous allons le faire encore une fois.
13:37
EveryoneTout le monde over there shoutShout. (ShoutsCris)
245
801964
2802
Là-bas, criez. (Cris)
13:40
Where'sOù est the sounddu son comingvenir from? (LaughterRires) (ApplauseApplaudissements)
246
804766
5932
D'où vient le son ? (Rires)
(Applaudissements)
13:46
Thank you very much. (ApplauseApplaudissements)
247
810698
4230
Merci beaucoup.
(Applaudissements)
13:50
What's the pointpoint? The pointpoint is what sciencescience does for us.
248
814928
3713
Quel est l'intérêt ? L'intérêt, c'est ce que la science fait pour nous.
13:54
Right? We normallynormalement walkmarche throughpar life respondingrépondant,
249
818641
2406
Pas vrai. Normalement, nous traversons la vie en réponse à quelque chose,
13:56
but if we ever want to do anything differentdifférent, we have to
250
821047
2212
mais si nous voulons faire quelque chose de différent, nous devons
13:59
stepétape into uncertaintyincertitude. When he openedouvert his eyesles yeux,
251
823259
2689
mettre un pied dans l'incertitude. Quand il a ouvert les yeux,
14:01
he was ablecapable to see the worldmonde in a newNouveau way.
252
825948
2382
il a pu voir le monde de façon différente.
14:04
That's what sciencescience offersdes offres us. It offersdes offres the possibilitypossibilité
253
828330
3168
C'est ce que la science nous offre. Elle offre la possibilité
14:07
to stepétape on uncertaintyincertitude throughpar the processprocessus of playjouer, right?
254
831498
4016
de mettre un pied dans l'incertitude à travers le jeu.
14:11
Now, truevrai sciencescience educationéducation I think should be about
255
835514
3024
Maintenant, je pense que la vraie éducation aux sciences devrait consister à
14:14
givingdonnant people a voicevoix and enablingpermettant to expressExpress that voicevoix,
256
838538
3399
donner une voix aux gens et leur permettre d'exprimer cette opinion,
14:17
so I've askeda demandé AmyAmy to be the last voicevoix in this shortcourt storyrécit.
257
841937
4369
Donc j'ai demandé à Amy d'être la dernière voix dans cette courte histoire.
14:22
So, AmyAmy?
258
846306
3105
Alors, Amy ?
14:25
AOAO: This projectprojet was really excitingpassionnant for me,
259
849411
2553
AO : Ce projet était vraiment excitant pour moi,
14:27
because it broughtapporté the processprocessus of discoveryDécouverte to life,
260
851964
2671
parce qu'il a donné vie au processus de découverte,
14:30
and it showedmontré me that anyonen'importe qui, and I mean anyonen'importe qui,
261
854635
2911
et il m'a montré que tout le monde, et je dis bien tout le monde,
14:33
has the potentialpotentiel to discoverdécouvrir something newNouveau,
262
857546
2753
a le potentiel de découvrir quelque chose de nouveau,
14:36
and that a smallpetit questionquestion can leadconduire into a biggros discoveryDécouverte.
263
860299
4072
et qu'une petite question peut mener à une grande découverte.
14:40
ChangingChanger the way a personla personne thinkspense about something
264
864371
2652
Changer la façon dont une personne pense à propos de quelque chose
14:42
can be easyfacile or harddifficile. It all dependsdépend on the way the personla personne
265
867023
3712
peut être facile ou difficile. Tout dépend de la façon dont la personne
14:46
feelsse sent about changechangement.
266
870735
1488
ressent le changement.
14:48
But changingen changeant the way I thought about sciencescience was
267
872223
2452
Mais changer la façon dont je considérais la science, c'était
14:50
surprisinglyétonnamment easyfacile. OnceFois we playedjoué the gamesJeux
268
874675
2275
étonnamment facile. Dès que nous avons joué aux jeux
14:52
and then startedcommencé to think about the puzzlepuzzle,
269
876950
2418
et avons commencé à penser à l'énigme,
14:55
I then realizedréalisé that sciencescience isn't just a boringennuyeuse subjectassujettir,
270
879368
3857
j'ai alors réalisé que la science n'est pas seulement une matière ennuyeuse,
14:59
and that anyonen'importe qui can discoverdécouvrir something newNouveau.
271
883225
3194
et que tout le monde peut découvrir quelque chose de nouveau.
15:02
You just need an opportunityopportunité. My opportunityopportunité camevenu
272
886419
3200
Vous avez juste besoin d'une opportunité. Mon opportunité est arrivée
15:05
in the formforme of BeauBeau, and the BlackawtonBlackawton BeeAbeille ProjectProjet.
273
889619
2636
avec Beau, et le projet des Abeilles Blackawton.
15:08
Thank you.BLBL: Thank you very much. (ApplauseApplaudissements)
274
892255
4361
Merci.
BL : Merci beaucoup. (Applaudissements)
15:12
(ApplauseApplaudissements)
275
896616
7747
(Applaudissements)
Translated by Sirika YONG
Reviewed by Anna Cristiana Minoli

▲Back to top

ABOUT THE SPEAKERS
Beau Lotto - Neuroscientist, Artist
Beau Lotto is founder of Lottolab, a hybrid art studio and science lab. With glowing, interactive sculpture -- and old-fashioned peer-reviewed research--he's illuminating the mysteries of the brain's visual system.

Why you should listen

"Let there be perception," was evolution's proclamation, and so it was that all creatures, from honeybees to humans, came to see the world not as it is, but as was most useful. This uncomfortable place--where what an organism's brain sees diverges from what is actually out there--is what Beau Lotto and his team at Lottolab are exploring through their dazzling art-sci experiments and public illusions. Their Bee Matrix installation, for example, places a live bee in a transparent enclosure where gallerygoers may watch it seek nectar in a virtual meadow of luminous Plexiglas flowers. (Bees, Lotto will tell you, see colors much like we humans do.) The data captured isn't just discarded, either: it's put to good use in probing scientific papers, and sometimes in more exhibits.

At their home in London’s Science Museum, the lab holds "synesthetic workshops" where kids and adults make abstract paintings that computers interpret into music, and they host regular Lates--evenings of science, music and "mass experiments." Lotto is passionate about involving people from all walks of life in research on perception--both as subjects and as fellow researchers. One such program, called "i,scientist," in fact led to the publication of the first ever peer-reviewed scientific paper written by schoolchildren ("Blackawton Bees," December 2010). It starts, "Once upon a time ..."

These and Lotto's other conjurings are slowly, charmingly bending the science of perception--and our perceptions of what science can be.

More profile about the speaker
Beau Lotto | Speaker | TED.com
Amy O'Toole - Student
Amy O'Toole is a 12-year-old student who helped run a science experiment inspired by Beau Lotto's participative science approach. At age 10 she became one of the youngest people ever to publish a peer-reviewed science paper.

Why you should listen

Amy O'Toole is a 12-year-old student with a peer-reviewed scientific publication under her belt. She took part in a participative science program led by Beau Lotto , called "i, scientist," which inspired a science experiment by a group of 26 primary school students in Blackawton, Devon, UK. O'Toole was never interested in science before this project, but now intends to study the human mind and body. The project led to the publication of the first ever peer-reviewed scientific paper written by schoolchildren ("Blackawton Bees," Royal Society's Biology Letters, December 2010). It starts: "Once upon a time ... ."

More profile about the speaker
Amy O'Toole | Speaker | TED.com