TED2011
Deb Roy: The birth of a word
Deb Roy: Die Geburt eines Wortes
Filmed:
Readability: 4.2
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.
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. Full bio
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
Imagine if you could record 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
available in a perfect memory store at your fingertips,
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 memorable moments and relive them,
4
12000
3000
und unvergessliche Momente finden und noch einmal durchleben,
00:30
or sift through traces of time
5
15000
3000
die Spuren der Zeit durchsuchen
00:33
and discover patterns in your own life
6
18000
2000
und Muster in Ihrem Leben entdecken
00:35
that previously had gone undiscovered.
7
20000
3000
die vorher unentdeckt geblieben waren.
00:38
Well that's exactly the journey
8
23000
2000
Nun, genau dies war die Reise,
00:40
that my family began
9
25000
2000
die für meine Familie
00:42
five and a half years ago.
10
27000
2000
vor fünfeinhalb Jahren begann.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
Dies ist meine Frau und Mitarbeiterin, Rupal.
00:47
And on this day, at this moment,
12
32000
2000
Und an dem Tag, in diesem Augenblick
00:49
we walked into the house with our first child,
13
34000
2000
kamen wir zum ersten Mal mit unserem Erstgeborenen nach Hause,
00:51
our beautiful baby boy.
14
36000
2000
unserem wundervollen Sohn.
00:53
And we walked into a house
15
38000
3000
Und wir traten in ein Haus ein
00:56
with a very special home video recording system.
16
41000
4000
mit einem sehr speziellen Video-Aufnahmesystem.
01:07
(Video) Man: Okay.
17
52000
2000
(Video) Man: Okay.
01:10
Deb Roy: This moment
18
55000
1000
Deb Roy: Diesen Augenblick
01:11
and thousands of other moments special for us
19
56000
3000
und tausend andere Momente, die uns viel bedeuten,
01:14
were captured in our home
20
59000
2000
wurden in unserem Haus aufgenommen,
01:16
because in every room in the house,
21
61000
2000
weil in jedem Raum des Hauses
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
oben an der Decke eine Kamera mit Mikrophon montiert war.
01:21
and if you looked down,
23
66000
2000
und von dort oben
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
war der ganze Raum aus der Vogelperspektive zu sehen.
01:25
Here's our living room,
25
70000
3000
Hier ist unser Wohnzimmer.
01:28
the baby bedroom,
26
73000
3000
das Kinderzimmer
01:31
kitchen, dining room
27
76000
2000
Küche, Esszimmer
01:33
and the rest of the house.
28
78000
2000
und der Rest des Hauses.
01:35
And all of these fed into a disc array
29
80000
3000
Alle zusammen spiesen einen CD-Wechsler
01:38
that was designed for a continuous capture.
30
83000
3000
der auf Daueraufnahme eingestellt war.
01:41
So here we are flying through a day in our home
31
86000
3000
Hier fliegt ein Tag in unserem Heim vorbei
01:44
as we move from sunlit morning
32
89000
3000
vom sonnigen Morgen
01:47
through incandescent evening
33
92000
2000
zum glühenden Abend
01:49
and, finally, lights out for the day.
34
94000
3000
und, zum Schluss, Lichterlöschen am Ende des Tages.
01:53
Over the course of three years,
35
98000
3000
Im Lauf von drei Jahren
01:56
we recorded eight to 10 hours a day,
36
101000
2000
nahmen wir täglich acht bis zehn Stunden auf,
01:58
amassing roughly a quarter-million hours
37
103000
3000
sammelten ungefähr eine Viertelmillion Stunden
02:01
of multi-track audio and video.
38
106000
3000
mehrspuriges Ton- und Bildmaterial.
02:04
So you're looking at a piece of what is by far
39
109000
2000
Sie sehen also ein Stück
02:06
the largest home video collection ever made.
40
111000
2000
der größten Heimvideosammlung.
02:08
(Laughter)
41
113000
3000
(Gelächter)
02:11
And what this data represents
42
116000
2000
Die Bedeutung dieser Daten
02:13
for our family at a personal level,
43
118000
4000
für uns persönlich als Familie
02:17
the impact has already been immense,
44
122000
2000
ist jetzt schon immens,
02:19
and we're still learning its value.
45
124000
3000
und wir finden immer noch heraus, wie wertvoll sie sind.
02:22
Countless moments
46
127000
2000
Unzählige Momente
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
dieser ungeplanten, ursprünglichen, nicht gestellten Augenblicke
02:27
are captured there,
48
132000
2000
wurden hier eingefangen,
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
und wir lernen immer noch, wie wir sie aufspüren und finden können.
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
Es gibt aber auch einen wissenschaftlichen Grund für dieses Projekt.
02:35
which was to use this natural longitudinal data
51
140000
4000
nämlich die Daten dieser natürlichen Langzeitstudie
02:39
to understand the process
52
144000
2000
zu verwenden, um den Prozess zu verstehen
02:41
of how a child learns language --
53
146000
2000
mit dem ein Kind seine Sprache lernt.
02:43
that child being my son.
54
148000
2000
dieses Kind, mein Sohn.
02:45
And so with many privacy provisions put in place
55
150000
4000
Mit vielen Vorkehrungen, um die Privatsphäre all derer zu gewähren
02:49
to protect everyone who was recorded in the data,
56
154000
3000
die in den Daten aufgenommen worden waren,
02:52
we made elements of the data available
57
157000
3000
stellten wir Teile der Daten unserem zuverlässigen
02:55
to my trusted research team at MIT
58
160000
3000
Forschungsteam am MIT zur Verfügung,
02:58
so we could start teasing apart patterns
59
163000
3000
um so Muster herauskitzeln zu können
03:01
in this massive data set,
60
166000
3000
aus dieser riesigen Datenmenge.
03:04
trying to understand the influence of social environments
61
169000
3000
Wir versuchten zu verstehen, wie das soziale Umfeld
03:07
on language acquisition.
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 started to do.
64
176000
2000
eines der ersten Dinge, mit denen wir anfingen.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
Meine Frau und ich kochen hier gerade das Frühstück.
03:17
and as we move through space and through time,
66
182000
3000
Während wir uns durch Raum und Zeit bewegen
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
in einem sehr alltäglichen Lebensmuster in der Küche.
03:23
In order to convert
68
188000
2000
Zur Übersetzung
03:25
this opaque, 90,000 hours of video
69
190000
3000
dieser 90.000 Stunden Video,
03:28
into something that we could start to see,
70
193000
2000
in eine Form, in der wir etwas sehen konnten,
03:30
we use motion analysis to pull out,
71
195000
2000
holten wir, während wir uns durch
03:32
as we move through space and through time,
72
197000
2000
Raum und Zeit bewegten, mit Bewegungsanalysen
03:34
what we call space-time worms.
73
199000
3000
so-genannte Raum-Zeit-Würmer heraus.
03:37
And this has become part of our toolkit
74
202000
3000
Und dies wurde Teil unserer Werkzeugpalette
03:40
for being able to look and see
75
205000
3000
um herauszufinden,
03:43
where the activities are in the data,
76
208000
2000
wo etwas Wichtiges stattfand
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
und damit Muster erkennen zu können, insbesondere
03:48
where my son moved throughout the home,
78
213000
2000
wo sich mein Sohn im Haus bewegte,
03:50
so that we could focus our transcription efforts,
79
215000
3000
um so die Protokollarbeiten darauf fokussieren zu können,
03:53
all of the speech environment around my son --
80
218000
3000
in welchem Sprachumfeld sich mein Sohn befand -
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
mit all den Wörtern von mir, meiner Frau, unserem Kindermädchen
03:59
and over time, the words he began to produce.
82
224000
3000
und den Wörtern, die er mit der Zeit zu produzieren begann.
04:02
So with that technology and that data
83
227000
3000
Mit der Technologie und der Datenmenge,
04:05
and the ability to, with machine assistance,
84
230000
2000
sowie der Möglichkeit, mit Hilfe von Apparaten
04:07
transcribe speech,
85
232000
2000
Sprache zu transkibieren,
04:09
we've now transcribed
86
234000
2000
haben wir jetzt
04:11
well over seven million words of our home transcripts.
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 tour into the data.
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
seen time-lapse videos
91
246000
2000
Zeitraffervideos gesehen.
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
in der das Aufblühen einer Blume verschnellert wird.
04:26
I'd like you to now experience
93
251000
2000
Erleben Sie jetzt mit mir
04:28
the blossoming of a speech form.
94
253000
2000
das Aufblühen einer Sprechweise.
04:30
My son, soon after his first birthday,
95
255000
2000
Kurz nach seinem ersten Geburtstag sagte mein Sohn
04:32
would say "gaga" to mean water.
96
257000
3000
"gaga", wenn er Wasser meinte.
04:35
And over the course of the next half-year,
97
260000
3000
Im Laufe des nächsten halben Jahres
04:38
he slowly learned to approximate
98
263000
2000
lernte er langsam, sich anzunähern
04:40
the proper adult form, "water."
99
265000
3000
an die erwachsene Form "Wasser".
04:43
So we're going to cruise through half a year
100
268000
2000
Wir werden also in 40 Sekunden
04:45
in about 40 seconds.
101
270000
2000
durch ein halbes Jahr sausen.
04:47
No video here,
102
272000
2000
Kein Video hier,
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
damit Sie sich auf den Ton, die Akustik konzentrieren können.
04:52
of a new kind of trajectory:
104
277000
2000
einer neuen Art von Höhenflug
04:54
gaga to water.
105
279000
2000
von gaga zu Wasser.
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(Audio) Baby: Gagagagaga
05:08
Gaga gaga gaga
107
293000
4000
Gaga gaga gaga
05:12
guga guga guga
108
297000
5000
guga guga guga
05:17
wada gaga gaga guga gaga
109
302000
5000
wada gaga gaga guga gaga
05:22
wader guga guga
110
307000
4000
wadö guga guga
05:26
water water water
111
311000
3000
uata wata wata
05:29
water water water
112
314000
6000
wata wata wata
05:35
water water
113
320000
4000
water water
05:39
water.
114
324000
2000
water.
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
Dr: Er hat's getroffen, nicht wahr?
05:43
(Applause)
116
328000
7000
(Applaus)
05:50
So he didn't just learn water.
117
335000
2000
So lernte er nicht nur "Wasser"
05:52
Over the course of the 24 months,
118
337000
2000
im Lauf der 24 Monate,
05:54
the first two years that we really focused on,
119
339000
3000
den zwei ersten Lebensjahren, auf die wir uns wirklich konzentrierten.
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
Dies ist eine chronologische Karte aller Worte, die er lernte.
06:01
And because we have full transcripts,
121
346000
3000
Und weil wir komplette Transkripte haben
06:04
we've identified each of the 503 words
122
349000
2000
können wir jedes der 503 Wörter identifizieren,
06:06
that he learned to produce by his second birthday.
123
351000
2000
die er bis zu seinem zweiten Geburtstag sprechen gelernt hatte.
06:08
He was an early talker.
124
353000
2000
Er sprach sehr früh.
06:10
And so we started to analyze why.
125
355000
3000
Darum fingen wir an zu analysieren, warum.
06:13
Why were certain words born before others?
126
358000
3000
Warum wurden bestimmte Wörter vor andern geboren?
06:16
This is one of the first results
127
361000
2000
Dies ist eines der ersten Fazits,
06:18
that came out of our study a little over a year ago
128
363000
2000
das vor etwas mehr als einem Jahr herauskam,
06:20
that really surprised us.
129
365000
2000
das uns wirklich überraschte:
06:22
The way to interpret this apparently simple graph
130
367000
3000
Diese einfache Grafik ist folgendermaßen zu interpretieren:
06:25
is, on the vertical is an indication
131
370000
2000
vertikal ist angegeben,
06:27
of how complex caregiver utterances are
132
372000
3000
wie komplex die Sprache der Bezugsperson ist
06:30
based on the length of utterances.
133
375000
2000
basierend auf der Länge der Sätze.
06:32
And the [horizontal] axis is time.
134
377000
3000
Die vertikale Achse ist also Zeit.
06:35
And all of the data,
135
380000
2000
Und all die Daten
06:37
we aligned based on the following idea:
136
382000
3000
glichen wir ab unter der folgenden Konzept:
06:40
Every time my son would learn a word,
137
385000
3000
jedes Mal, wenn mein Sohn ein Wort lernte,
06:43
we would trace back and look at all of the language he heard
138
388000
3000
gingen wir zurück und erfassten die gehörte Sprache,
06:46
that contained that word.
139
391000
2000
in der das Wort vorkam.
06:48
And we would plot the relative length of the utterances.
140
393000
4000
Dann zeichneten wir die relative Satzlänge auf.
06:52
And what we found was this curious phenomena,
141
397000
3000
Und was wir herausfanden war dieses eigenartige Phänomen,
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
dass die Satzlänge der Bezugsperson systematisch auf ein Minimum sank,
06:58
making language as simple as possible,
143
403000
3000
die Sprache so einfach wie möglich machte,
07:01
and then slowly ascend back up in complexity.
144
406000
3000
und danach langsam wieder in Komplexität gewann.
07:04
And the amazing thing was
145
409000
2000
Das Faszinierendste daran war,
07:06
that bounce, that dip,
146
411000
2000
dass dieser Taucher, diese Senke
07:08
lined up almost precisely
147
413000
2000
fast perfekt übereinstimmte mit dem Moment,
07:10
with when each word was born --
148
415000
2000
in dem jedes Wort geboren wurde.
07:12
word after word, systematically.
149
417000
2000
Worf für Wort, ganz gezielt.
07:14
So it appears that all three primary caregivers --
150
419000
2000
Es scheint also, dass alle drei Bezugspersonen -
07:16
myself, my wife and our nanny --
151
421000
3000
ich, meine Frau und unser Kindermädchen -
07:19
were systematically and, I would think, subconsciously
152
424000
3000
systematisch und ich glaube unbewusst -
07:22
restructuring our language
153
427000
2000
unsere Sprache anpassen
07:24
to meet him at the birth of a word
154
429000
3000
um ihm während der Geburt eines Wortes gerecht zu werden
07:27
and bring him gently into more complex language.
155
432000
4000
und ihn sanft zu komplexerer Sprache zu bringen.
07:31
And the implications of this -- there are many,
156
436000
2000
Die Schlussfolgerungen daraus - es gibt viele,
07:33
but one I just want to point out,
157
438000
2000
aber ich will nur diese eine hervorheben,
07:35
is that there must be amazing feedback loops.
158
440000
3000
ist, dass es unglaubliche Rückmelde-Schlaufen geben muss.
07:38
Of course, my son is learning
159
443000
2000
Natürlich lernt mein Sohn
07:40
from his linguistic environment,
160
445000
2000
von seinem sprachlichen Umfeld,
07:42
but the environment is learning from him.
161
447000
3000
aber das Umfeld lernt von ihm.
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
Dieses Umfeld, Menschen, sind in diesen engen Reaktionsschlaufen
07:48
and creating a kind of scaffolding
163
453000
2000
und erstellen eine Art Gerüst
07:50
that has not been noticed until now.
164
455000
3000
das bis jetzt noch nicht beobachtet wurde.
07:54
But that's looking at the speech context.
165
459000
2000
Aber das ist der Blick auf den sprachlichen Kontext.
07:56
What about the visual context?
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 dollhouse cutaway of our house.
168
465000
2000
stellen Sie sich unser Haus ohne Dach vor, wie ein Puppenhaus.
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
Wir nahmen diese runden Fischaugen-Kameras
08:05
and we've done some optical correction,
170
470000
2000
und führten optische Korrekturen aus,
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
die wir zu einem dreidimensionalen Leben erwecken können.
08:11
So welcome to my home.
172
476000
2000
Also, willkommen in meinem Haus.
08:13
This is a moment,
173
478000
2000
Dies ist ein Augenblick
08:15
one moment captured across multiple cameras.
174
480000
3000
eingefangen über mehrere Kameraeinstellungen.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
Das Ziel war, den ultimativen Datenspeicher zu kreieren,
08:21
where you can go back and interactively fly around
176
486000
3000
in dem man zurückgehen und interaktiv herumfliegen
08:24
and then breathe video-life into this system.
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 accelerated view of 30 minutes,
179
494000
3000
Ihnen einen Zeitraffer von 30 Minuten zu zeigen,
08:32
again, of just life in the living room.
180
497000
2000
wieder, aus dem Alltag im Wohnzimmer.
08:34
That's me and my son on the floor.
181
499000
3000
Das bin ich mit meinem Sohn am Boden.
08:37
And there's video analytics
182
502000
2000
Und hier ist die Videoanalyse,
08:39
that are tracking our movements.
183
504000
2000
in der unsere Bewegungen verfolgt werden.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
Mein Sohn hinterlässt rote Farbe, ich hinterlasse grüne Farbe.
08:44
We're now on the couch,
185
509000
2000
Jetzt sind wir auf dem Sofa,
08:46
looking out through the window at cars passing by.
186
511000
3000
schauen aus dem Fenster den vorbeifahrenden Autos zu.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
Und zum Schluss spielt mein Sohn alleine in einer Gehhilfe.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
Jetzt stoppen wir den dreißig Minuten langen Film,
08:55
we turn time into the vertical axis,
189
520000
2000
wir verwandeln die Zeit in die vertikale Achse
08:57
and we open up for a view
190
522000
2000
und öffnen die Sicht
08:59
of these interaction traces we've just left behind.
191
524000
3000
auf die Interaktionsspuren, die wir hinterlassen haben.
09:02
And we see these amazing structures --
192
527000
3000
Und wir sehen diese verblüffenden Strukturen -
09:05
these little knots of two colors of thread
193
530000
3000
diese kleinen Verknüpfungen der zwei farbigen Fäden
09:08
we call "social hot spots."
194
533000
2000
nennen wir soziale Lichtpunkte.
09:10
The spiral thread
195
535000
2000
Diese spiralförmigen Gewinde
09:12
we call a "solo hot spot."
196
537000
2000
nennen wir einen Einzel-Lichtpunkt.
09:14
And we think that these affect the way language is learned.
197
539000
3000
Wir glauben, dass diese beeinflussen, wie Sprache gelernt wird.
09:17
What we'd like to do
198
542000
2000
Wir möchten gerne
09:19
is start understanding
199
544000
2000
zu verstehen beginnen,
09:21
the interaction between these patterns
200
546000
2000
wie diese zwei Muster zusammenspielen
09:23
and the language that my son is exposed to
201
548000
2000
mit der Sprache, der mein Sohn ausgesetzt ist
09:25
to see if we can predict
202
550000
2000
um zu sehen, ob wir voraussagen können
09:27
how the structure of when words are heard
203
552000
2000
wie die Struktur im Moment, in dem Wörter gehört werden,
09:29
affects when they're learned --
204
554000
2000
einen Einfluss darauf hat, wann sie gelernt werden -
09:31
so in other words, the relationship
205
556000
2000
In anderen Worten die Beziehung
09:33
between words and what they're about in the world.
206
558000
4000
zwischen Wörtern und dem, wofür sie in der Welt stehen.
09:37
So here's how we're approaching this.
207
562000
2000
So gehen wir die Sache an.
09:39
In this video,
208
564000
2000
In diesem Film
09:41
again, my son is being traced out.
209
566000
2000
ist mein Sohn wieder ausgezeichnet.
09:43
He's leaving red ink behind.
210
568000
2000
Er hinterlässt eine rote Spur.
09:45
And there's our nanny by the door.
211
570000
2000
Und hier ist unser Kindermädchen bei der Tür.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(Video) Kindermädchen: Willst du Wasser? (Baby: Aaaa.)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
Kindermädchen: Also gut. (Baby: Aaaa)
09:53
DR: She offers water,
214
578000
2000
DR. Sie bietet ihm Wasser an,
09:55
and off go the two worms
215
580000
2000
und los gehen die beiden Würmer
09:57
over to the kitchen to get water.
216
582000
2000
hinüber in die Küche, um Wasser zu holen.
09:59
And what we've done is use the word "water"
217
584000
2000
Und was wir gemacht haben ist, das Wort "Wasser" zu benützen
10:01
to tag that moment, that bit of activity.
218
586000
2000
um diesen Moment zu markieren, dieses kleine Stück Handlung.
10:03
And now we take the power of data
219
588000
2000
Und jetzt nehmen wir die Macht der Daten
10:05
and take every time my son
220
590000
3000
und nehmen jeden Augenblick, in dem mein Sohn
10:08
ever heard the word water
221
593000
2000
jemals das Wort Wasser hörte,
10:10
and the context he saw it in,
222
595000
2000
und den Zusammenhang, in dem er es sah,
10:12
and we use it to penetrate through the video
223
597000
3000
und verwenden es, um das Video zu durchforsten
10:15
and find every activity trace
224
600000
3000
und jede Spur einer Handlung zu finden,
10:18
that co-occurred with an instance of water.
225
603000
3000
die gleichzeitig im Zusammenhang mit Wasser stattfand.
10:21
And what this data leaves in its wake
226
606000
2000
Und was die Daten hinterlassen
10:23
is a landscape.
227
608000
2000
ist eine Landschaft,
10:25
We call these wordscapes.
228
610000
2000
wir nennen sie Wortlandschaft.
10:27
This is the wordscape for the word water,
229
612000
2000
Dies ist die Wortlanschaft für das Wort Wasser.
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
Und Sie können sehen, dass die größte Aktivität in der Küche stattfindet.
10:31
That's where those big peaks are over to the left.
231
616000
3000
Das sind hier diese hohen Spitzen auf der linken Seite.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
Und nur um zu vergleichen, können wir dies mit jedem Wort machen,
10:37
We can take the word "bye"
233
622000
2000
Wir können das Wort "bald" nehmen
10:39
as in "good bye."
234
624000
2000
wie es in "bis bald" vorkommt.
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
Wir sind jetzt eingezoomt über dem Hauseingang.
10:43
And we look, and we find, as you would expect,
236
628000
3000
Und wir beobachten wie erwartet
10:46
a contrast in the landscape
237
631000
2000
eine Veränderung der Wortlandschaft,
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
in der das Wort "bald" in einer viel strukturierteren Weise stattfindet.
10:51
So we're using these structures
239
636000
2000
Wir brauchen also diese Strukturen
10:53
to start predicting
240
638000
2000
um anzufangen, Voraussagen zu treffen
10:55
the order of language acquisition,
241
640000
3000
in welcher Reihenfolge Sprache erworben wird,
10:58
and that's ongoing work now.
242
643000
2000
daran arbeiten wir im Moment.
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
In meinem Labor am MIT, in das wir jetzt gucken,
11:03
this is at the media lab.
244
648000
2000
dies ist am Medienlabor.
11:05
This has become my favorite way
245
650000
2000
Dies wurde meine bevorzugte Art
11:07
of videographing just about any space.
246
652000
2000
jeden erdenklichen Bereich auf Film zu bannen.
11:09
Three of the key people in this project,
247
654000
2000
Drei der wichtigsten Personen in diesem Projekt
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
Philip DeCamp, Rony Kubat und Brandon Roy sind hier zu sehen.
11:14
Philip has been a close collaborator
249
659000
2000
Philip war ein enger Mitarbeiter
11:16
on all the visualizations you're seeing.
250
661000
2000
in all den Visualisierungen, die Sie gesehen haben.
11:18
And Michael Fleischman
251
663000
3000
Und Michael Fleischman
11:21
was another Ph.D. student in my lab
252
666000
2000
war ein weiterer Doktorant in meinem Labor,
11:23
who worked with me on this home video analysis,
253
668000
3000
der mit mir an dieser Heimvideoanalyse arbeitete,
11:26
and he made the following observation:
254
671000
3000
und er machte folgende Beobachtung:
11:29
that "just the way that we're analyzing
255
674000
2000
"Die Art, mit der wir analysieren
11:31
how language connects to events
256
676000
3000
wie sich Sprache an Ereignisse koppelt,
11:34
which provide common ground for language,
257
679000
2000
die die gemeinsame Basis für Sprache schafft
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
können wir auch losgelöst von deinem Haus
11:40
and we can apply it to the world of public media."
259
685000
3000
aif die Welt der Medien anwenden, Deb."
11:43
And so our effort took an unexpected turn.
260
688000
3000
Und so erfuhren unsere Anstrengungen eine unerwartete Wende.
11:46
Think of mass media
261
691000
2000
Stellen Sie sich die ganzen Massenmedien vor
11:48
as providing common ground
262
693000
2000
die eine gemeinsame Basis bilden
11:50
and you have the recipe
263
695000
2000
und Sie haben das Rezept,
11:52
for taking this idea to a whole new place.
264
697000
3000
um dieses Konzept in eine ganz andere Richtung zu entwickeln.
11:55
We've started analyzing television content
265
700000
3000
Wir begannen, den Inhalt von Fernsehsendungen zu analysieren,
11:58
using the same principles --
266
703000
2000
indem wir die gleichen Prinzipien benützten -
12:00
analyzing event structure of a TV signal --
267
705000
3000
analysierten die Ereignisstruktur eines Fernsehsignals -
12:03
episodes of shows,
268
708000
2000
Folgen einer Fernsehsendung,
12:05
commercials,
269
710000
2000
Werbung,
12:07
all of the components that make up the event structure.
270
712000
3000
all die Komponenten, die zu einem Fernsehhprogramm gehören.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
Und zur Zeit sammeln und analysieren wir immer über Satellit
12:13
a good part of all the TV being watched in the United States.
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 instrument living rooms with microphones
273
721000
3000
Dazu muss man jetzt nicht Wohnzimmer mit Mikrophonen ausrüsten,
12:19
to get people's conversations,
274
724000
2000
um die Gespräche der Leute auf zu nehmen,
12:21
you just tune into publicly available social media feeds.
275
726000
3000
man klinkt sich nur in die öffentlich verfügbaren Kommunikationskanäle.
12:24
So we're pulling in
276
729000
2000
So erhalten wir
12:26
about three billion comments a month,
277
731000
2000
ungefähr drei Milliarden Kommentare pro Monat.
12:28
and then the magic happens.
278
733000
2000
Und jetzt beginnt das Wunder.
12:30
You have the event structure,
279
735000
2000
Sie haben die Struktur der Sendungen,
12:32
the common ground that the words are about,
280
737000
2000
die gemeinsame Basis, von der die Worte handeln,
12:34
coming out of the television feeds;
281
739000
3000
die von den Sendern ausgestrahlt werden;
12:37
you've got the conversations
282
742000
2000
Sie haben die Gespräche
12:39
that are about those topics;
283
744000
2000
über diese Themen;
12:41
and through semantic analysis --
284
746000
3000
und durch semantische Analysen -
12:44
and this is actually real data you're looking at
285
749000
2000
und dies ist echtes Datenmaterial, das Sie hier sehen
12:46
from our data processing --
286
751000
2000
von unserer Datenverarbeitung -
12:48
each yellow line is showing a link being made
287
753000
3000
jede gelbe Linie zeigt, wie eine Verbindung gemacht wurde
12:51
between a comment in the wild
288
756000
3000
zwischen einem Kommentar irgendwo da draußen
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
und einem Stück einer Fernsehsendung, die ausgestrahlt wurde.
12:57
And the same idea now
290
762000
2000
Und die gleiche Idee
12:59
can be built up.
291
764000
2000
kann nun aufgebaut werden.
13:01
And we get this wordscape,
292
766000
2000
Und wir bekommen diese Wortlandschaft,
13:03
except now words are not assembled in my living room.
293
768000
3000
nur diesmal wurden nicht Wörtern in meinem Wohnzimmer gesammelt,
13:06
Instead, the context, the common ground activities,
294
771000
4000
sondern jetzt, im Kontext der Aktivitäten auf öffentlichen Plattformen
13:10
are the content on television that's driving the conversations.
295
775000
3000
geht es um den Inhalt von Fernsehsendungen, die die Gespräche antreiben.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
Was wir hier sehen, diese Wolkenkratzer,
13:16
are commentary
297
781000
2000
sind Kommentare,
13:18
that are linked to content on television.
298
783000
2000
die im Zusammenhang mit dem Inhalt der Fernsehsendungen sind.
13:20
Same concept,
299
785000
2000
Gleiches Konzept,
13:22
but looking at communication dynamics
300
787000
2000
aber mit Blick auf die Kommunikationsdynamik
13:24
in a very different sphere.
301
789000
2000
in einem ganz anderen Einflussbereich.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
Und im Wesentlichen, anstatt zum Beispiel
13:28
measuring content based on how many people are watching,
303
793000
3000
zu messen, wie viele Leute sich einen bestimmten Inhalt ansehen,
13:31
this gives us the basic data
304
796000
2000
erhalten wir hier die Grunddaten an denen wir studieren
13:33
for looking at engagement properties of content.
305
798000
3000
können, welcher Inhalt welche Teilnahmewirkung hat
13:36
And just like we can look at feedback cycles
306
801000
3000
und so wie wir die Rückmeldeschlaufen
13:39
and dynamics in a family,
307
804000
3000
und Dynamik in einer Familie beobachten können,
13:42
we can now open up the same concepts
308
807000
3000
können wir jetzt das gleiche Konzept öffnen
13:45
and look at much larger groups of people.
309
810000
3000
und auf eine viel grössere Gruppe Menschen anwenden.
13:48
This is a subset of data from our database --
310
813000
3000
Dies hier ist ein Teilsatz unserer Daten -
13:51
just 50,000 out of several million --
311
816000
3000
nur 50.000 von mehreren Millionen -
13:54
and the social graph that connects them
312
819000
2000
und das soziale Diagramm, das sie
13:56
through publicly available sources.
313
821000
3000
über öffentliche Quellen verbindet.
13:59
And if you put them on one plain,
314
824000
2000
Und wenn Sie diese jetzt in eine Ebene legen,
14:01
a second plain is where the content lives.
315
826000
3000
und in einer anderen Ebene den Inhalt,
14:04
So we have the programs
316
829000
3000
dann haben wir die Programme
14:07
and the sporting events
317
832000
2000
und die Sportveranstaltungen
14:09
and the commercials,
318
834000
2000
und die Werbung,
14:11
and all of the link structures that tie them together
319
836000
2000
und all die Verbindungsstrukturen, die sie zusammenketten,
14:13
make a content graph.
320
838000
2000
ergeben eine Inhaltsgrafik.
14:15
And then the important third dimension.
321
840000
4000
Und dann die wichtige dritte Dimension.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
Jede dieser Linien, die Sie hier sehen,
14:21
is an actual connection made
323
846000
2000
bezeichnet eine effektiv zu Stande gekommene Verbindung
14:23
between something someone said
324
848000
3000
zwischen etwas, das jemand sagte
14:26
and a piece of content.
325
851000
2000
und einem Ausschnitt aus einer Sendung.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
Und hier sind wieder mehrere Zehnmillionen Verbindungen
14:31
that give us the connective tissue of social graphs
327
856000
3000
die dieses Geflecht eines sozialen Netzes ergeben
14:34
and how they relate to content.
328
859000
3000
und aufzeigen, wie sie mit dem Inhalt der Sendungen korrelieren.
14:37
And we can now start to probe the structure
329
862000
2000
Wir können jetzt diese Struktur erforschen
14:39
in interesting ways.
330
864000
2000
auf verschiedene, interressante Weise.
14:41
So if we, for example, trace the path
331
866000
3000
Wenn wir zum Beispiel den Weg verfolgen,
14:44
of one piece of content
332
869000
2000
den ein Stück Information zurücklegt,
14:46
that drives someone to comment on it,
333
871000
2000
das jemanden dazu bringt, einen Kommentar abzugeben,
14:48
and then we follow where that comment goes,
334
873000
3000
und wenn wir den Weg dieses Kommentars weiterfolgen,
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
und die ganze soziale Struktur beobachten, die aktiviert wird,
14:54
and then trace back to see the relationship
336
879000
3000
und danach wieder zurückkehren, um die Beziehung zu erkennen
14:57
between that social graph and content,
337
882000
2000
zwischen der sozialen Struktur und der Information
14:59
a very interesting structure becomes visible.
338
884000
2000
wird eine sehr interressante Struktur sichtbar.
15:01
We call this a co-viewing clique,
339
886000
2000
Wir nennen dies eine mit-sehende Klique,
15:03
a virtual living room if you will.
340
888000
3000
ein virtuelles Wohnzimmer sozusagen.
15:06
And there are fascinating dynamics at play.
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 piece of content, an event, causes someone 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 drives tune-in behavior back into mass media,
345
900000
3000
Dies bringt die Leute, die zuhören, zurück zu den Massenmedien
15:18
and you have these cycles
346
903000
2000
und es entstehen Kreisläufe
15:20
that drive the overall behavior.
347
905000
2000
die das Gesamtverhalten lenken.
15:22
Another example -- very different --
348
907000
2000
Ein anderes Beispiel - ganz anders-
15:24
another actual person in our database --
349
909000
3000
eine echte Person in unserer Datei -
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
und wir finden mindestens hunderte, wenn nicht tausende davon.
15:30
We've given this person a name.
351
915000
2000
Wir haben dieser Person einen Namen gegeben.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
Dies ist ein halbprofessioneller - ein "Pro-Am", ein Medienkritiker,
15:35
who has this high fan-out rate.
353
920000
3000
dessen Suchverhalten sich weit ausdehnt.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
Nun verfolgen viele Leute die Kommentare diser Person - sie ist einflussreich -
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
sie neigen dazu, über Dinge zu reden, die im Fernsehen waren.
15:43
So this person is a key link
356
928000
3000
So wird diese Person eine Hauptverbindung
15:46
in connecting mass media and social media together.
357
931000
3000
zwischen den Massenmedien und den sozialen Netzwerken.
15:49
One last example from this data:
358
934000
3000
Ein letztes Beispiel aus diesen Daten:
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
Manchmal ist tatsächlich der Inhalt etwas Besonderes.
15:55
So if we go and look at this piece of content,
360
940000
4000
Wenn wir uns jetzt diesen Ausschnitt betrachten,
15:59
President Obama's State of the Union address
361
944000
3000
die Rede von Präsident Obama zur Lage der Nation,
16:02
from just a few weeks ago,
362
947000
2000
erst einige Wochen her,
16:04
and look at what we find in this same data set,
363
949000
3000
und verfolgen, was wir im gleichen Datenset
16:07
at the same scale,
364
952000
3000
in der gleichen Auflösung finden,
16:10
the engagement properties of this piece of content
365
955000
2000
entdecken wir die Beteiligung zu diesem Thema
16:12
are truly remarkable.
366
957000
2000
die wirklich bemerkenswert ist.
16:14
A nation exploding in conversation
367
959000
2000
Eine Nation bricht in Gespräche aus,
16:16
in real time
368
961000
2000
in Echtzeit
16:18
in response to what's on the broadcast.
369
963000
3000
reagiert sie auf das, was gesendet wurde.
16:21
And of course, through all of these lines
370
966000
2000
Und selbstverständlich geht durch jede dieser Linie
16:23
are flowing unstructured language.
371
968000
2000
eine Flut unstrukturierter Sprache.
16:25
We can X-ray
372
970000
2000
Wir können dies durchleuchten
16:27
and get a real-time pulse of a nation,
373
972000
2000
und sind am Echtzeit-Puls einer Nation,
16:29
real-time sense
374
974000
2000
erhalten einen Eindruck in Echtzeit
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
wie verschiedene Netzwerke in sozialen Strukturen darauf reagieren,
16:34
being activated by content.
376
979000
3000
aktiviert durch den Inhalt.
16:37
So, to summarize, the idea is this:
377
982000
3000
Um also die Idee zusammen zu fassen:
16:40
As our world becomes increasingly instrumented
378
985000
3000
während unsere Welt zunehmend verkabelt wird,
16:43
and we have the capabilities
379
988000
2000
und wir die Möglichkeit haben
16:45
to collect and connect the dots
380
990000
2000
die Punkte zu sammeln und zu verbinden
16:47
between what people are saying
381
992000
2000
zwischen dem, was Menschen sagen
16:49
and the context they're saying it in,
382
994000
2000
und dem Kontext, in dem sie es sagen,
16:51
what's emerging is an ability
383
996000
2000
erhalten wir die Fähigkeit
16:53
to see new social structures and dynamics
384
998000
3000
neue Sozialstrukturen und Dynamiken zu sehen
16:56
that have previously not been seen.
385
1001000
2000
die vorher verborgen blieben.
16:58
It's like building a microscope or telescope
386
1003000
2000
Als würden wir ein Mikroskop oder Teleskop bauen
17:00
and revealing new structures
387
1005000
2000
und neue Strukturen aufdecken
17:02
about our own behavior around communication.
388
1007000
3000
über unser eigenes Verhalten im Zusammenhang mit Kommunikation.
17:05
And I think the implications here are profound,
389
1010000
3000
Und ich glaube, die Implikationen sind profund,
17:08
whether it's for science,
390
1013000
2000
ob für die Wissenschaft,
17:10
for commerce, for government,
391
1015000
2000
die Wirtschaft, die öffentliche Hand
17:12
or perhaps most of all,
392
1017000
2000
oder vielleicht am Wichtigsten,
17:14
for us as individuals.
393
1019000
3000
für uns als Individuen.
17:17
And so just to return to my son,
394
1022000
3000
Und um nun wieder zu meinem Sohn zurückzukommen;
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
während ich diesen Vortrag vorbereitete, schaute er mir über die Schulter,
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
und ich zeigte ihm die Videoclips, die ich zu zeigen plante,
17:25
and I asked him for permission -- granted.
397
1030000
3000
und fragte ihn um Erlaubnis -- erteilt.
17:28
And then I went on to reflect,
398
1033000
2000
Ich fuhr weiter und reflektierte,
17:30
"Isn't it amazing,
399
1035000
3000
"Ist es nicht total faszinierend,
17:33
this entire database, all these recordings,
400
1038000
3000
diese ganze Datensammlung, all diese Aufnahmen
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
werde ich dir und deiner Schwester übergeben,"
17:38
who arrived two years later --
402
1043000
3000
die zwei Jahre später zur Welt kam.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"Und ihr zwei könnt zurückgehen und die Momente wiedererleben
17:44
that you could never, with your biological memory,
404
1049000
3000
wie ihr euch mit eurem biologischen Erinnerungsvermögen
17:47
possibly remember the way you can now?"
405
1052000
2000
wohl nie so gut daran erinnern könntet.
17:49
And he was quiet for a moment.
406
1054000
2000
Und er schwieg für einen Moment.
17:51
And I thought, "What am I thinking?
407
1056000
2000
Und ich dachte: "was bilde ich mir ein?
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
Er ist fünf Jahre alt. Er wird das nicht verstehen."
17:55
And just as I was having that thought, he looked 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 grow up,
410
1063000
2000
"Das heißt, wenn ich gross bin,
18:00
I can show this to my kids?"
411
1065000
2000
kann ich das meinen Kindern zeigen?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
Und ich dachte: "Großartig, dies ist ein starkes Ding."
18:05
So I want to leave you
413
1070000
2000
Daher möchte ich Sie
18:07
with one last memorable moment
414
1072000
2000
mit einem letzten denkwürdigen Moment
18:09
from our family.
415
1074000
3000
für unsere Familie entlassen.
18:12
This is the first time our son
416
1077000
2000
Dies ist das erste Mal, dass unser Sohn
18:14
took more than two steps at once --
417
1079000
2000
mehr als zwei Schritte auf einmal machte -
18:16
captured on film.
418
1081000
2000
eingefangen im Film.
18:18
And I really want you to focus on something
419
1083000
3000
Und ich möchte Sie bitten, auf etwas zu achten
18:21
as I take you through.
420
1086000
2000
während wir das gemeinsam ansehen.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
Es ist eine Unordnung, es ist das Leben.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
Meine Mutter ist in der Küche, sie kocht,
18:27
and, of all places, in the hallway,
423
1092000
2000
und ich bemerke, dass er ausgerechnet im Korridor
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
im Begriff ist, zum ersten Mal mehr als zwei Schritte zu gehen.
18:32
And so you hear me encouraging him,
425
1097000
2000
Sie hören mich also, wie ich ihn ansporne,
18:34
realizing what's happening,
426
1099000
2000
als ich merke, was geschieht,
18:36
and then the magic happens.
427
1101000
2000
und dann passiert das Wunder.
18:38
Listen very carefully.
428
1103000
2000
Hören Sie ganz genau hin.
18:40
About three steps in,
429
1105000
2000
Nach ungefähr drei Schritten wir ihm klar,
18:42
he realizes something magic is happening,
430
1107000
2000
dass etwas Besonderers passiert.
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
Und die fantastischste Rückmelde-Schlaufe beginnt,
18:47
and he takes a breath in,
432
1112000
2000
er nimmt einen tiefen Atemzug,
18:49
and he whispers "wow"
433
1114000
2000
und flüstert "wow"
18:51
and instinctively I echo back the same.
434
1116000
4000
und ich wiederhole instinktiv, was er sagt.
18:56
And so let's fly back in time
435
1121000
3000
Lassen Sie uns zurückfliegen in der Zeit
18:59
to that memorable moment.
436
1124000
2000
zu diesem grossen Augenblick
19:05
(Video) DR: 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, boy.
440
1138000
2000
Junge, Junge.
19:15
Can you do it?
441
1140000
3000
Kannst du's?
19:18
Baby: Yeah.
442
1143000
2000
Baby: Ja.
19:20
DR: Ma, he's walking.
443
1145000
3000
DR: Mama, er geht.
19:24
(Laughter)
444
1149000
2000
(Gelächter)
19:26
(Applause)
445
1151000
2000
(Applaus)
19:28
DR: Thank you.
446
1153000
2000
DR: Danke
19:30
(Applause)
447
1155000
15000
Applaus
ABOUT THE SPEAKER
Deb Roy - Cognitive scientistDeb 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!
Deb Roy | Speaker | TED.com