TED2011
Deb Roy: The birth of a word
Ντεμπ Ρόυ: Η γέννηση μιας λέξης
Filmed:
Readability: 4.2
2,809,941 views
Ο ερευνητής του ΜΙΤ Ντεμπ Ρόυ ήθελε να κατανοήσει με ποιο τρόπο μάθαινε τη γλώσσα ο νεογέννητος γιος του -- εγκατέστησε λοιπόν βιντεοκάμερες στο σπίτι του για να συλλάβει κάθε στιγμή (με εξαιρέσεις) της ζωής του γιου του, και μετά ανέλυσε 90.000 ώρες βίντεο για να δει το "γκαααα" να μετατρέπεται σιγά σιγά σε "νερό." Εκπληκτική έρευνα, πλούσια σε δεδομένα με σημαντικές συνέπειες για τον τρόπο με τον οποίο μαθαίνουμε.
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
Φανταστείτε να μπορούσατε να καταγράψετε τη ζωή σας --
00:19
everything you said, everything you did,
1
4000
3000
οτιδήποτε λέγατε, οτιδήποτε κάνατε,
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
διαθέσιμο σε μία τέλεια αποθηκευτική μνήμη στη διάθεσή σας,
00:25
so you could go back
3
10000
2000
ώστε να μπορείτε να πάτε πίσω
00:27
and find memorable moments and relive them,
4
12000
3000
και να βρείτε αξιομνημόνευτες στιγμές και να τις ξαναζήσετε,
00:30
or sift through traces of time
5
15000
3000
ή να ψάξετε μέσα από ψήγματα του χρόνου
00:33
and discover patterns in your own life
6
18000
2000
και να ανακαλύψετε στοιχεία για τη ζωή σας
00:35
that previously had gone undiscovered.
7
20000
3000
που δεν είχατε παρατηρήσει παλαιότερα,
00:38
Well that's exactly the journey
8
23000
2000
Αυτό ακριβώς είναι το ταξίδι
00:40
that my family began
9
25000
2000
που ξεκίνησε η οικογένειά μου
00:42
five and a half years ago.
10
27000
2000
πριν από πεντέμισι χρόνια.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
Αυτή είναι η γυναίκα μου και συνεργάτης μου, Ρούπαλ.
00:47
And on this day, at this moment,
12
32000
2000
Και αυτή τη μέρα, αυτή τη στιγμή,
00:49
we walked into the house with our first child,
13
34000
2000
μπήκαμε στο σπίτι μας με το πρώτο μας παιδί,
00:51
our beautiful baby boy.
14
36000
2000
το πανέμορφο αγοράκι μας.
00:53
And we walked into a house
15
38000
3000
Και μπήκαμε σε ένα σπίτι
00:56
with a very special home video recording system.
16
41000
4000
εφοδιασμένο με ένα ειδικό σύστημα καταγραφής βίντεο.
01:07
(Video) Man: Okay.
17
52000
2000
(Βίντεο) Άνδρας: Εντάξει.
01:10
Deb Roy: This moment
18
55000
1000
Ντεμπ Ρόυ: Αυτή η στιγμή
01:11
and thousands of other moments special for us
19
56000
3000
και χιλιάδες άλλες στιγμές μοναδικές για εμάς,
01:14
were captured in our home
20
59000
2000
καταγράφηκαν στο σπίτι μας
01:16
because in every room in the house,
21
61000
2000
διότι σε κάθε δωμάτιο του σπιτιού,
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
αν κοιτούσατε ψηλά, θα βλέπατε μία κάμερα και ένα μικρόφωνο,
01:21
and if you looked down,
23
66000
2000
και αν κοιτούσατε χαμηλά,
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
θα βλέπατε αυτή την πανοραμική άποψη του δωματίου.
01:25
Here's our living room,
25
70000
3000
Εδώ είναι το σαλόνι μας,
01:28
the baby bedroom,
26
73000
3000
το δωμάτιο του μωρού,
01:31
kitchen, dining room
27
76000
2000
η κουζίνα, η τραπεζαρία,
01:33
and the rest of the house.
28
78000
2000
και το υπόλοιπο σπίτι.
01:35
And all of these fed into a disc array
29
80000
3000
Και όλες αυτές οι κάμερες τροφοδοτούσαν μία παράταξη δίσκων
01:38
that was designed for a continuous capture.
30
83000
3000
σχεδιασμένη για συνεχή καταγραφή.
01:41
So here we are flying through a day in our home
31
86000
3000
Εδώ λοιπόν βλέπουμε εν τάχει μία μέρα στο σπίτι μας
01:44
as we move from sunlit morning
32
89000
3000
καθώς πηγαίνουμε από το ηλιόλουστο πρωϊνό
01:47
through incandescent evening
33
92000
2000
στο βραδυνό φωτισμό
01:49
and, finally, lights out for the day.
34
94000
3000
και, τελικά, σβήνουμε τα φώτα τη νύχτα.
01:53
Over the course of three years,
35
98000
3000
Στη διάρκεια τριών ετών,
01:56
we recorded eight to 10 hours a day,
36
101000
2000
καταγράφαμε οκτώ με δέκα ώρες τη μέρα,
01:58
amassing roughly a quarter-million hours
37
103000
3000
συγκεντρώνοντας περίπου 250.000 ώρες
02:01
of multi-track audio and video.
38
106000
3000
ήχου και εικόνας.
02:04
So you're looking at a piece of what is by far
39
109000
2000
Βλέπετε λοιπόν ένα κομμάτι από αυτό που είναι με διαφορά
02:06
the largest home video collection ever made.
40
111000
2000
η μεγαλύτερη συλλογή οικιακού βίντεο που δημιουργήθηκε ποτέ.
02:08
(Laughter)
41
113000
3000
(Γέλια)
02:11
And what this data represents
42
116000
2000
Και το τι αντιπροσωπεύουν αυτά τα δεδομένα
02:13
for our family at a personal level,
43
118000
4000
για την οικογένειά μας σε προσωπικό επίπεδο,
02:17
the impact has already been immense,
44
122000
2000
ο αντίκτυπος είναι ήδη τεράστιος,
02:19
and we're still learning its value.
45
124000
3000
και εξακολουθούμε να μαθαίνουμε την αξία τους,
02:22
Countless moments
46
127000
2000
Αμέτρητες στιγμές
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
αυθόρμητων φυσικών στιγμών, όχι ποζαρισμένες,
02:27
are captured there,
48
132000
2000
έχουν καταγραφεί εδώ,
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
και αρχίζουμε να μαθαίνουμε πως να τις ανακαλύπτουμε και να τις βρίσκουμε.
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
Υπάρχει όμως και ένας επιστημονικός λόγος πίσω από αυτό το εγχείρημα,
02:35
which was to use this natural longitudinal data
51
140000
4000
να χρησιμοποιήσουμε αυτό το φυσικό παρατεταμένο πείραμα
02:39
to understand the process
52
144000
2000
για να καταλάβουμε τη διαδικασία
02:41
of how a child learns language --
53
146000
2000
με την οποία ένα παιδί μαθαίνει τη γλώσσα --
02:43
that child being my son.
54
148000
2000
στην προκειμένη περίπτωση ο γιος μου.
02:45
And so with many privacy provisions put in place
55
150000
4000
Και έτσι, αφού εξασφαλίσαμε την ιδιωτικότητα
02:49
to protect everyone who was recorded in the data,
56
154000
3000
όλων των προσώπων που καταγράφηκαν στα δεδομένα,
02:52
we made elements of the data available
57
157000
3000
καταστήσαμε τμήμα των δεδομένων διαθέσιμο
02:55
to my trusted research team at MIT
58
160000
3000
στην έμπιστη ερευνητική μου ομάδα στο ΜΙΤ
02:58
so we could start teasing apart patterns
59
163000
3000
για να αρχίσουμε να απομονώνουμε μοντέλα
03:01
in this massive data set,
60
166000
3000
σε αυτή τη μαζική βάση δεδομένων,
03:04
trying to understand the influence of social environments
61
169000
3000
προσπαθώντας να καταλάβουμε την επίδραση του κοινωνικού περιβάλλοντος
03:07
on language acquisition.
62
172000
2000
στην εκμάθηση της γλώσσας.
03:09
So we're looking here
63
174000
2000
Εδώ βλέπουμε
03:11
at one of the first things we started to do.
64
176000
2000
ένα από τα πρώτα πράγματα που αρχίσαμε να κάνουμε.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
Εγώ και η γυναίκα μου ετοιμάζουμε πρωϊνό στην κουζίνα.
03:17
and as we move through space and through time,
66
182000
3000
Και καθώς κινούμαστε στο χώρο και στο χρόνο,
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
μία πολύ καθημερινή ρουτίνα στην κουζίνα.
03:23
In order to convert
68
188000
2000
Για να μετατρέψουμε
03:25
this opaque, 90,000 hours of video
69
190000
3000
αυτές τις αδιαφανείς, 90.000 ώρες βίντεο
03:28
into something that we could start to see,
70
193000
2000
σε κάτι που μπορούσαμε να αρχίσουμε να βλέπουμε,
03:30
we use motion analysis to pull out,
71
195000
2000
χρησιμοποιούμε ανάλυση κίνησης για να αναδείξουμε,
03:32
as we move through space and through time,
72
197000
2000
καθώς κινούμαστε στο χώρο και στο χρόνο,
03:34
what we call space-time worms.
73
199000
3000
αυτό που αποκαλούμε "σκουλήκια του χωροχρόνου."
03:37
And this has become part of our toolkit
74
202000
3000
Και αυτό έχει γίνει τμήμα της εργαλειοθήκης μας
03:40
for being able to look and see
75
205000
3000
για να μπορούμε να κοιτούμε και να βλέπουμε
03:43
where the activities are in the data,
76
208000
2000
που βρίσκονται οι δραστηριότητες στα δεδομένα,
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
και με αυτό, να ακολουθήσουμε το μοντέλο του, συγκεκριμένα,
03:48
where my son moved throughout the home,
78
213000
2000
που στο σπίτι κινούνταν ο γιος μου,
03:50
so that we could focus our transcription efforts,
79
215000
3000
ώστε να επικεντρώσουμε τις προσπάθειες μεταγραφής,
03:53
all of the speech environment around my son --
80
218000
3000
ολόκληρο το περιβάλλον ομιλίας γύρω από το γιο μου --
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
όλες τις λέξεις που άκουσε από εμένα, τη γυναίκα μου, τη νταντά,
03:59
and over time, the words he began to produce.
82
224000
3000
και τελικά, τις λέξεις που άρχισε να παράγει.
04:02
So with that technology and that data
83
227000
3000
Με αυτή λοιπόν την τεχνολογία και αυτά τα δεδομένα
04:05
and the ability to, with machine assistance,
84
230000
2000
και την ικανότητα, με τη βοήθεια μηχανών,
04:07
transcribe speech,
85
232000
2000
να μεταγράφουμε το λόγο,
04:09
we've now transcribed
86
234000
2000
έχουμε τώρα μεταγράψει
04:11
well over seven million words of our home transcripts.
87
236000
3000
πάνω από επτά εκατομμύρια λέξεις στο σπίτι μας.
04:14
And with that, let me take you now
88
239000
2000
Και με αυτό, επιτρέψτε μου τώρα να σας πάω
04:16
for a first tour into the data.
89
241000
3000
για ένα πρώτο γύρο στα δεδομένα.
04:19
So you've all, I'm sure,
90
244000
2000
Είμαι βέβαιος πως όλοι σας
04:21
seen time-lapse videos
91
246000
2000
έχετε δει βίντεο χρονικής επιτάχυνσης
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
όπου ένα λουλούδι ανθίζει καθώς επιταχύνετε το χρόνο.
04:26
I'd like you to now experience
93
251000
2000
Θα ήθελα τώρα να βιώσετε
04:28
the blossoming of a speech form.
94
253000
2000
το άνθισμα μίας μορφής λόγου.
04:30
My son, soon after his first birthday,
95
255000
2000
Λίγο μετά τα πρώτα του γενέθλια, ο γιος μου
04:32
would say "gaga" to mean water.
96
257000
3000
έλεγε "γκάγκα" και εννοούσε νερό.
04:35
And over the course of the next half-year,
97
260000
3000
Και στη διάρκεια του επόμενου μισού χρόνου
04:38
he slowly learned to approximate
98
263000
2000
έμαθε σιγά σιγά να πλησιάζει
04:40
the proper adult form, "water."
99
265000
3000
τη σωστή ενήλικη μορφή, "ουότερ" (νερό).
04:43
So we're going to cruise through half a year
100
268000
2000
Θα διατρέξουμε λοιπόν έξι μήνες
04:45
in about 40 seconds.
101
270000
2000
σε περίπου 40 δευτερόλεπτα.
04:47
No video here,
102
272000
2000
Δεν έχουμε βίντεο εδώ
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
για να επικεντρωθείτε στον ήχο, την ακουστική,
04:52
of a new kind of trajectory:
104
277000
2000
μίας νέας τροχιάς:
04:54
gaga to water.
105
279000
2000
από γκάγκα σε ουότερ.
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(Ήχος) Μωρό: Γκαγκαγκαγκαγκα
05:08
Gaga gaga gaga
107
293000
4000
Γκάγκα γκάγκα γκάγκα
05:12
guga guga guga
108
297000
5000
γκούγκα γκούγκα γκούγκα
05:17
wada gaga gaga guga gaga
109
302000
5000
ουάντα γκάγκα γκάγκα γκούγκα γκάγκα
05:22
wader guga guga
110
307000
4000
ουάντερ γκούγκα γκούγκα
05:26
water water water
111
311000
3000
ουότερ ουότερ ουότερ
05:29
water water water
112
314000
6000
ουότερ ουότερ ουότερ
05:35
water water
113
320000
4000
ουότερ ουότερ
05:39
water.
114
324000
2000
ουότερ.
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
ΝΡ: Τα καταφερε περίφημα, έτσι δεν είναι;
05:43
(Applause)
116
328000
7000
(Χειροκρότημα)
05:50
So he didn't just learn water.
117
335000
2000
Δεν έμαθε όμως μόνο το "νερό".
05:52
Over the course of the 24 months,
118
337000
2000
Στη διάρκεια 24 μηνών,
05:54
the first two years that we really focused on,
119
339000
3000
τα δύο πρώτα χρόνια, στα οποία δώσαμε έμφαση,
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
αυτός είναι ένας χάρτης κάθε λέξης που έμαθε σε χρονολογική σειρά.
06:01
And because we have full transcripts,
121
346000
3000
Και επειδή έχουμε πλήρεις μεταγραφές,
06:04
we've identified each of the 503 words
122
349000
2000
έχουμε αναγνωρίσει κάθε μία από τις 503 λέξεις
06:06
that he learned to produce by his second birthday.
123
351000
2000
που έμαθε να παράγει ώσπου να γίνει δύο χρόνων.
06:08
He was an early talker.
124
353000
2000
Έμαθε να μιλάει νωρίς.
06:10
And so we started to analyze why.
125
355000
3000
Και αρχίσαμε να μελετάμε το γιατί.
06:13
Why were certain words born before others?
126
358000
3000
Γιατί γεννήθηκαν ορισμένες λέξεις πριν από άλλες;
06:16
This is one of the first results
127
361000
2000
Αυτό είναι ένα από τα πρώτα αποτελέσματα
06:18
that came out of our study a little over a year ago
128
363000
2000
που προέκυψαν από την έρευνά μας πριν από περίπου ένα χρόνο
06:20
that really surprised us.
129
365000
2000
που πραγματικά μας εξέπληξε.
06:22
The way to interpret this apparently simple graph
130
367000
3000
Η ερμηνεία αυτού του φαινομενικά απλού γραφήματος
06:25
is, on the vertical is an indication
131
370000
2000
είναι πως η κάθετος είναι μία ένδειξη
06:27
of how complex caregiver utterances are
132
372000
3000
της πολυπλοκότητας του λόγου του φροντιστή
06:30
based on the length of utterances.
133
375000
2000
βάσει του μήκους του λόγου.
06:32
And the [horizontal] axis is time.
134
377000
3000
Και ο κάθετος άξονας είναι ο χρόνος.
06:35
And all of the data,
135
380000
2000
Και όλα τα δεδομένα
06:37
we aligned based on the following idea:
136
382000
3000
τα τοποθετήσαμε βάσει της ακόλουθης ιδέας:
06:40
Every time my son would learn a word,
137
385000
3000
Κάθε φορά που ο γιος μου μάθαινε μία λέξη,
06:43
we would trace back and look at all of the language he heard
138
388000
3000
πηγαίναμε πίσω και κοιτούσαμε τη γλώσσα που άκουσε
06:46
that contained that word.
139
391000
2000
και η οποία περιείχε αυτή τη λέξη.
06:48
And we would plot the relative length of the utterances.
140
393000
4000
Και καταγράφαμε το σχετικό μήκος των προτάσεων.
06:52
And what we found was this curious phenomena,
141
397000
3000
Και αυτό που βρήκαμε είναι αυτά τα περίεργα φαινόμενα,
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
ο λόγος του φροντιστή συστηματικά μειωνόταν στο ελάχιστο,
06:58
making language as simple as possible,
143
403000
3000
καθιστώντας τη γλώσσα όσο πιο απλή γίνεται,
07:01
and then slowly ascend back up in complexity.
144
406000
3000
και μετά σιγά σιγά ανέβαινε σε περιπλοκότητα.
07:04
And the amazing thing was
145
409000
2000
Και το εκπληκτικό ήταν
07:06
that bounce, that dip,
146
411000
2000
πως αυτή η άνοδος, αυτή η βουτιά,
07:08
lined up almost precisely
147
413000
2000
ταίριαζαν σχεδόν απόλυτα
07:10
with when each word was born --
148
415000
2000
με το πότε γεννιόταν κάθε λέξη --
07:12
word after word, systematically.
149
417000
2000
λέξη με λέξη, συστηματικά.
07:14
So it appears that all three primary caregivers --
150
419000
2000
Φαίνεται λοιπόν πως και οι τρεις κατεξοχήν φροντιστές --
07:16
myself, my wife and our nanny --
151
421000
3000
εγώ, η γυναίκα μου και η νταντά μας --
07:19
were systematically and, I would think, subconsciously
152
424000
3000
συστηματικά και, νομίζω, υποσυνείδητα
07:22
restructuring our language
153
427000
2000
αναδομούσαμε τη γλώσσα μας
07:24
to meet him at the birth of a word
154
429000
3000
για να τον συναντήσουμε στη γέννηση μιας λέξης
07:27
and bring him gently into more complex language.
155
432000
4000
και να τον εισάγουμε ομαλά σε πιο περίπλοκη γλώσσα.
07:31
And the implications of this -- there are many,
156
436000
2000
Και οι επιπτώσεις αυτού -- είναι πολλές,
07:33
but one I just want to point out,
157
438000
2000
αλλά η μία που θέλω να αναδείξω,
07:35
is that there must be amazing feedback loops.
158
440000
3000
είναι πως πρέπει να υπάρχει μία εκπληκτική αμφίδρομη σχέση.
07:38
Of course, my son is learning
159
443000
2000
Φυσικά ο γιος μου μαθαίνει
07:40
from his linguistic environment,
160
445000
2000
από το γλωσσικό του περιβάλλον,
07:42
but the environment is learning from him.
161
447000
3000
αλλά το περιβάλλον μαθαίνει από αυτόν.
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
Αυτό το περιβάλλον, οι άνθρωποι, βρίσκονται σε αυτή την αμφίδρομη σχέση
07:48
and creating a kind of scaffolding
163
453000
2000
και δημιουργούν μία σκαλωσιά
07:50
that has not been noticed until now.
164
455000
3000
που δεν είχε παρατηρηθεί μέχρι τώρα.
07:54
But that's looking at the speech context.
165
459000
2000
Αυτό σε ό,τι αφορά το λόγο.
07:56
What about the visual context?
166
461000
2000
Τι γίνεται με την εικόνα;
07:58
We're not looking at --
167
463000
2000
Δεν βλέπουμε --
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
φανταστείτε πως αυτό είναι μία τομή του σπιτιού μας σαν κουκλόσπιτο.
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
Πήραμε αυτές τις κάμερες με φακούς που μιμούνται τα μάτια ψαριού
08:05
and we've done some optical correction,
170
470000
2000
και τους διορθώσαμε οπτικά
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
και μετά μπορούμε να δημιουργήσουμε τρισδιάστατη ζωή.
08:11
So welcome to my home.
172
476000
2000
Καλωσήρθατε λοιπόν στο σπίτι μου.
08:13
This is a moment,
173
478000
2000
Αυτή είναι μία στιγμή,
08:15
one moment captured across multiple cameras.
174
480000
3000
μία στιγμή καταγεγραμμένη από πολλές κάμερες.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
Ο λόγος που το κάναμε αυτό ήταν για να δημιουργήσουμε την απόλυτη μηχανή μνήμης
08:21
where you can go back and interactively fly around
176
486000
3000
με την οποία μπορείς να γυρίσεις στο χρόνο και να περιπλανηθείς και
08:24
and then breathe video-life into this system.
177
489000
3000
να εμφυσήσεις βιντεοσκοπημένη ζωή σε αυτό το σύστημα.
08:27
What I'm going to do
178
492000
2000
Αυτό που θα κάνω
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
είναι να σας δώσω μία επιταγχυμένη άποψη τριάντα λεπτών,
08:32
again, of just life in the living room.
180
497000
2000
ξανά, απλώς ζωής στο σαλόνι.
08:34
That's me and my son on the floor.
181
499000
3000
Αυτός είμαι εγώ με το γιο μου στο πάτωμα.
08:37
And there's video analytics
182
502000
2000
Και η ανάλυση του βίντεο
08:39
that are tracking our movements.
183
504000
2000
καταγράφει τις κινήσεις μας.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
Ο γιος μου αφήνει κόκκινο μελάνι, εγώ πράσινο.
08:44
We're now on the couch,
185
509000
2000
Είμαστε στον καναπέ,
08:46
looking out through the window at cars passing by.
186
511000
3000
κοιτώντας έξω από το παράθυρο τα αυτοκίνητα που περνούν.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
Και τελικά, ο γιος μου παίζει μόνος του με ένα κινούμενο παιχνίδι.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
Τώρα παγώνουμε τη δράση, 30 λεπτά,
08:55
we turn time into the vertical axis,
189
520000
2000
τοποθετούμε το χρόνο στον κάθετο άξονα,
08:57
and we open up for a view
190
522000
2000
και ανοίγουμε για μία ματιά
08:59
of these interaction traces we've just left behind.
191
524000
3000
σε αυτά τα ίχνη αλληλεπίδρασης που αφήσαμε πίσω μας.
09:02
And we see these amazing structures --
192
527000
3000
Και βλέπουμε αυτές τις εκπληκτικές κατασκευές --
09:05
these little knots of two colors of thread
193
530000
3000
αυτούς τους μικρούς κόμπους από κλωστές δύο χρωμάτων
09:08
we call "social hot spots."
194
533000
2000
που αποκαλούμε κοινωνικά θερμά σημεία.
09:10
The spiral thread
195
535000
2000
Αποκαλούμε την ελικοειδή κλωστή
09:12
we call a "solo hot spot."
196
537000
2000
μοναχικό θερμό σημείο.
09:14
And we think that these affect the way language is learned.
197
539000
3000
Και πιστεύουμε πως αυτές επηρεάζουν τον τρόπο που μαθαίνεται η γλώσσα.
09:17
What we'd like to do
198
542000
2000
Αυτό που θα θέλαμε να κάνουμε
09:19
is start understanding
199
544000
2000
είναι να αρχίσουμε να καταλαβαίνουμε
09:21
the interaction between these patterns
200
546000
2000
την αλληλεπίδραση ανάμεσα σε αυτά τα μοντέλα
09:23
and the language that my son is exposed to
201
548000
2000
και τη γλώσσα στην οποία είναι εκτεθειμένος ο γιος μου
09:25
to see if we can predict
202
550000
2000
για να δούμε αν μπορούμε να προβλέψουμε
09:27
how the structure of when words are heard
203
552000
2000
πως η δομή του πότε ακούγονται οι λέξεις
09:29
affects when they're learned --
204
554000
2000
επηρεάζει το πότε μαθαίνονται --
09:31
so in other words, the relationship
205
556000
2000
με άλλα λόγια, τη σχέση
09:33
between words and what they're about in the world.
206
558000
4000
ανάμεσα στις λέξεις και το τι σημαίνουν στον κόσμο.
09:37
So here's how we're approaching this.
207
562000
2000
Ιδού πώς προσπαθούμε να το πετύχουμε.
09:39
In this video,
208
564000
2000
Σε αυτό το βίντεο,
09:41
again, my son is being traced out.
209
566000
2000
ξανά, ανιχνεύουμε τις κινήσεις του γιου μου.
09:43
He's leaving red ink behind.
210
568000
2000
Αφήνει πίσω του κόκκινο μελάνι.
09:45
And there's our nanny by the door.
211
570000
2000
Και αυτή είναι η νταντά στην πόρτα,
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(Βίντεο) Νταντά: Θες νερό; (Μωρό: Αααα.)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
Νταντά: Εντάξει. (Μωρό: Αααα.)
09:53
DR: She offers water,
214
578000
2000
ΝΡ: Προσφέρει νερό,
09:55
and off go the two worms
215
580000
2000
και τα δύο σκουλήκια ξεκινούν
09:57
over to the kitchen to get water.
216
582000
2000
για την κουζίνα να βρουν νερό.
09:59
And what we've done is use the word "water"
217
584000
2000
Και αυτό που κάναμε ήταν να χρησιμοποιήσουμε τη λέξη "νερό"
10:01
to tag that moment, that bit of activity.
218
586000
2000
για να σημειώσουμε αυτή τη στιγμή, αυτό το κομμάτι δραστηριότητας.
10:03
And now we take the power of data
219
588000
2000
Και τώρα με τη δύναμη των δεδομένων
10:05
and take every time my son
220
590000
3000
παίρνουμε κάθε φορά που ο γιος μου
10:08
ever heard the word water
221
593000
2000
άκουσε τη λέξη νερό
10:10
and the context he saw it in,
222
595000
2000
και το περιβάλλον στο οποίο το είδε,
10:12
and we use it to penetrate through the video
223
597000
3000
και τα χρησιμοποιούμε για να διεισδύσουμε μέσω του βίντεο
10:15
and find every activity trace
224
600000
3000
και να βρούμε κάθε ίχνος δραστηριότητας
10:18
that co-occurred with an instance of water.
225
603000
3000
που συνέβη συγχρόνως με την παρουσία της λέξης "νερό".
10:21
And what this data leaves in its wake
226
606000
2000
Και αυτά τα δεδομένα αφήνουν πίσω τους
10:23
is a landscape.
227
608000
2000
ένα τοπίο.
10:25
We call these wordscapes.
228
610000
2000
Τα αποκαλούμε λεξοτοπία.
10:27
This is the wordscape for the word water,
229
612000
2000
Αυτό είναι το λεξοτοπίο για τη λέξη "νερό",
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
και μπορείτε να δείτε πως η περισσότερη δράση είναι στην κουζίνα.
10:31
That's where those big peaks are over to the left.
231
616000
3000
Εκεί βρίσκονται αυτές οι μεγάλες κορυφές στα αριστερά.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
Και για αντιδιαστολή, μπορούμε να το κάνουμε αυτό για οποιαδήποτε λέξη.
10:37
We can take the word "bye"
233
622000
2000
Μπορούμε να πάρουμε τη λέξη "αντίο"
10:39
as in "good bye."
234
624000
2000
σαν αποχαιρετισμό.
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
Και τώρα εστιάζουμε στην είσοδο του σπιτιού.
10:43
And we look, and we find, as you would expect,
236
628000
3000
Και κοιτάμε και βρίσκουμε, όπως θα περίμενε κανείς,
10:46
a contrast in the landscape
237
631000
2000
μία αντίθεση στο τοπίο
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
όπου η λέξη "αντίο" συναντάται πολύ περισσότερο με ένα δομημένο τρόπο.
10:51
So we're using these structures
239
636000
2000
Χρησιμοποιούμε λοιπόν αυτές τις δομές
10:53
to start predicting
240
638000
2000
για να αρχίσουμε να προβλέπουμε
10:55
the order of language acquisition,
241
640000
3000
τη σειρά απόκτησης γλώσσας,
10:58
and that's ongoing work now.
242
643000
2000
και αυτή είναι μία εργασία σε εξέλιξη.
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
Στο εργαστήριό μου, το οποίο βλέπουμε τώρα, στο ΜΙΤ --
11:03
this is at the media lab.
244
648000
2000
αυτό είναι το εργαστήριο μίντια.
11:05
This has become my favorite way
245
650000
2000
Αυτός έχει γίνει ο αγαπημένος μου τρόπος
11:07
of videographing just about any space.
246
652000
2000
βιντεοσκόπησης κάθε χώρου.
11:09
Three of the key people in this project,
247
654000
2000
Τρεις από τους βασικούς ανθρώπους αυτού του προγράμματος,
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
ο Φίλιπ Ντε Καμπ, ο Ρόνυ Κούμπατ και ο Μπράντον Ρόυ εικονίζονται εδώ.
11:14
Philip has been a close collaborator
249
659000
2000
Ο Φίλιπ είναι ένας στενός συνεργάτης
11:16
on all the visualizations you're seeing.
250
661000
2000
σε όλες τις απεικονίσεις που βλέπετε.
11:18
And Michael Fleischman
251
663000
3000
Και ο Μάικλ Φλάισμαν
11:21
was another Ph.D. student in my lab
252
666000
2000
ήταν ακόμα ένας διδακτορικός φοιτητής στο εργαστήριό μου
11:23
who worked with me on this home video analysis,
253
668000
3000
που δούλεψε μαζί μου σε αυτή την ανάλυση οικιακού βίντεο,
11:26
and he made the following observation:
254
671000
3000
και έκανε την ακόλουθη παρατήρηση:
11:29
that "just the way that we're analyzing
255
674000
2000
"ακριβώς με τον ίδιο τρόπο με τον οποίο αναλύουμε
11:31
how language connects to events
256
676000
3000
πώς η γλώσσα συνδέεται με γεγονότα
11:34
which provide common ground for language,
257
679000
2000
που προσφέρουν κοινό έδαφος για τη γλώσσα,
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
αυτήν ακριβώς την ιδέα μπορούμε να τη βγάλουμε έξω από το σπίτι σου, Ντεμπ,
11:40
and we can apply it to the world of public media."
259
685000
3000
και να την εφαρμόσουμε στον κόσμο των ΜΜΕ."
11:43
And so our effort took an unexpected turn.
260
688000
3000
Έτσι οι προσπάθειές μας πήραν μία απρόσμενη τροπή.
11:46
Think of mass media
261
691000
2000
Σκεφτείτε τα ΜΜΕ
11:48
as providing common ground
262
693000
2000
ως παρόχους κοινού εδάφους
11:50
and you have the recipe
263
695000
2000
και έχετε τη συνταγή
11:52
for taking this idea to a whole new place.
264
697000
3000
για να μεταφέρετε αυτή την ιδέα σε ένα ολότελα διαφορετικό επίπεδο.
11:55
We've started analyzing television content
265
700000
3000
Αρχίσαμε να αναλύουμε τηλεοπτικά προγράμματα
11:58
using the same principles --
266
703000
2000
χρησιμοποιώντας τις ίδιες αρχές --
12:00
analyzing event structure of a TV signal --
267
705000
3000
να αναλύουμε τη δομή γεγονότος ενός τηλεοπτικού σήματος --
12:03
episodes of shows,
268
708000
2000
επεισόδια εκπομπών,
12:05
commercials,
269
710000
2000
διαφημίσεις,
12:07
all of the components that make up the event structure.
270
712000
3000
όλα τα συστατικά που συγκροτούν τη δομή γεγονότος.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
Και τώρα, με δορυφορικές κεραίες, συγκεντρώνουμε και αναλύουμε
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
ένα μεγάλο ποσοστό όσων προβάλλονται στην τηλεόραση στις Ηνωμένες Πολιτείες.
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
Και δεν χρειάζεται πλέον να καταγράφουμε σαλόνια με μικρόφωνα
12:19
to get people's conversations,
274
724000
2000
για να συλλάβουμε τις συζητήσεις των ανθρώπων,
12:21
you just tune into publicly available social media feeds.
275
726000
3000
απλά χρησιμοποιούμε κοινωνικά δίκτυα που είναι διαθέσιμα ελεύθερα.
12:24
So we're pulling in
276
729000
2000
Συγκεντρώνουμε
12:26
about three billion comments a month,
277
731000
2000
περίπου τρία δισεκατομμύρια σχόλια το μήνα.
12:28
and then the magic happens.
278
733000
2000
Και τότε συμβαίνει κάτι μαγικό.
12:30
You have the event structure,
279
735000
2000
Έχουμε τη δομή του γεγονότος,
12:32
the common ground that the words are about,
280
737000
2000
το κοινό έδαφος που αφορούν οι λέξεις,
12:34
coming out of the television feeds;
281
739000
3000
να προέρχεται από τις τηλεοράσεις.
12:37
you've got the conversations
282
742000
2000
Έχουμε τις συζητήσεις
12:39
that are about those topics;
283
744000
2000
που σχετίζονται με αυτά τα θέματα.
12:41
and through semantic analysis --
284
746000
3000
Και μέσω μίας σημασιολογικής ανάλυσης --
12:44
and this is actually real data you're looking at
285
749000
2000
και βλέπετε πραγματικά δεδομένα
12:46
from our data processing --
286
751000
2000
από την επεξεργασία μας --
12:48
each yellow line is showing a link being made
287
753000
3000
κάθε κίτρινη γραμμή υποδηλώνει ένα δεσμό που δημιουργείται
12:51
between a comment in the wild
288
756000
3000
ανάμεσα σε ένα σχόλιο εκεί έξω
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
και ένα κομμάτι της δομής γεγονότος που προέρχεται από το τηλεοπτικό σήμα.
12:57
And the same idea now
290
762000
2000
Και τώρα αυτή η ιδέα
12:59
can be built up.
291
764000
2000
μπορεί να "οικοδομηθεί".
13:01
And we get this wordscape,
292
766000
2000
Και καταλήγουμε με αυτό το λεξοτοπίο,
13:03
except now words are not assembled in my living room.
293
768000
3000
μόνο που τώρα οι λέξεις δεν συγκεντρώνονται στο σαλόνι μου.
13:06
Instead, the context, the common ground activities,
294
771000
4000
Αντιθέτως, τα συμφραζόμενα, οι δραστηριότητες κοινού εδάφους,
13:10
are the content on television that's driving the conversations.
295
775000
3000
είναι το περιεχόμενο της τηλεόρασης που τροφοδοτεί τις συζητήσεις.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
Και αυτό που βλέπουμε εδώ, αυτοί οι ουρανοξύστες τώρα,
13:16
are commentary
297
781000
2000
είναι σχόλια
13:18
that are linked to content on television.
298
783000
2000
που συνδέονται με το περιεχόμενο της τηλεόρασης.
13:20
Same concept,
299
785000
2000
Η ίδια ιδέα,
13:22
but looking at communication dynamics
300
787000
2000
αλλά κοιτάμε το δυναμικό επικοινωνίας
13:24
in a very different sphere.
301
789000
2000
σε μία πολύ διαφορετική σφαίρα.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
Και έτσι ουσιαστικά,αντί να, παραδείγματος χάριν,
13:28
measuring content based on how many people are watching,
303
793000
3000
να μετρούμε το περιεχόμενο βάσει του αριθμού των θεατών,
13:31
this gives us the basic data
304
796000
2000
αυτό μας δίνει τα βασικά δεδομένα
13:33
for looking at engagement properties of content.
305
798000
3000
για να μελετούμε τις δυνατότητες συμμετοχής του περιεχομένου.
13:36
And just like we can look at feedback cycles
306
801000
3000
Και όπως μπορούμε να κοιτάξουμε τους κύκλους ανατροφοδότησης
13:39
and dynamics in a family,
307
804000
3000
και τη δυναμική σε μία οικογένεια,
13:42
we can now open up the same concepts
308
807000
3000
μπορούμε τώρα να διευρύνουμε τις ίδιες ιδέες
13:45
and look at much larger groups of people.
309
810000
3000
και να μελετήσουμε πολύ μεγαλύτερες ομάδες ανθρώπων.
13:48
This is a subset of data from our database --
310
813000
3000
Αυτή είναι μία υπο-ομάδα δεδομένων από τη βάση δεδομένων μας --
13:51
just 50,000 out of several million --
311
816000
3000
μόλις 50.000 από ένα σύνολο πολλών εκατομμυρίων --
13:54
and the social graph that connects them
312
819000
2000
και το κοινωνικό γράφημα που τους συνδέει
13:56
through publicly available sources.
313
821000
3000
μέσα από δημόσια διαθέσιμες πηγές.
13:59
And if you put them on one plain,
314
824000
2000
Και αν τα βάλουμε σε ένα επίπεδο,
14:01
a second plain is where the content lives.
315
826000
3000
ένα δεύτερο επίπεδο είναι εκεί που ζει το περιεχόμενο.
14:04
So we have the programs
316
829000
3000
Έχουμε λοιπόν τα προγράμματα
14:07
and the sporting events
317
832000
2000
και τα αθλητικά γεγονότα
14:09
and the commercials,
318
834000
2000
και τις διαφημίσεις,
14:11
and all of the link structures that tie them together
319
836000
2000
και όλες τις συνδετικές δομές που τα ενώνουν
14:13
make a content graph.
320
838000
2000
και δημιουργούν ένα γράφημα περιεχομένου.
14:15
And then the important third dimension.
321
840000
4000
Και μετά έχουμε και τη βασική τρίτη διάσταση.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
Κάθε ένας από τους δεσμούς που βλέπετε εδώ
14:21
is an actual connection made
323
846000
2000
είναι μία πραγματική σύνδεση
14:23
between something someone said
324
848000
3000
ανάμεσα σε κάτι που είπε κάποιος
14:26
and a piece of content.
325
851000
2000
και ένα κομμάτι περιεχομένου.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
Και υπάρχουν τώρα δεκάδες εκατομμύρια τέτοιοι δεσμοί
14:31
that give us the connective tissue of social graphs
327
856000
3000
που μας δίνουν το συνδετικό ιστό κοινωνικών γραφημάτων
14:34
and how they relate to content.
328
859000
3000
και τον τρόπο που σχετίζονται με το περιεχόμενο.
14:37
And we can now start to probe the structure
329
862000
2000
Και μπορούμε τώρα να αρχίσουμε να ερευνούμε τη δομή
14:39
in interesting ways.
330
864000
2000
με ενδιαφέροντες τρόπους.
14:41
So if we, for example, trace the path
331
866000
3000
Αν, για παράδειγμα, ανιχνεύσουμε την πορεία
14:44
of one piece of content
332
869000
2000
ενός κομματιού περιεχομένου
14:46
that drives someone to comment on it,
333
871000
2000
που ωθεί κάποιον να το σχολιάσει,
14:48
and then we follow where that comment goes,
334
873000
3000
και μετα παρακολουθήσουμε που πηγαίνει το σχόλιο,
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
και κοιτάξουμε ολόκληρο το κοινωνικό γράφημα που δραστηριοποιείται
14:54
and then trace back to see the relationship
336
879000
3000
και ακολουθήσουμε ανάποδα τη σχέση
14:57
between that social graph and content,
337
882000
2000
ανάμεσα στο κοινωνικό γράφημα και το περιεχόμενο,
14:59
a very interesting structure becomes visible.
338
884000
2000
μία πολύ ενδιαφέρουσα δομή γίνεται ορατή.
15:01
We call this a co-viewing clique,
339
886000
2000
Την αποκαλούμε κλίκα συν-όρασης,
15:03
a virtual living room if you will.
340
888000
3000
ένα ψηφιακό σαλόνι αν θέλετε.
15:06
And there are fascinating dynamics at play.
341
891000
2000
Και υπάρχουν συναρπαστικές δυναμικές που ενεργοποιούνται.
15:08
It's not one way.
342
893000
2000
Δεν είναι μονόδρομος.
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
Ένα κομμάτι περιεχομένου,ένα γεγονός, κάνει κάποιον να μιλήσει.
15:13
They talk to other people.
344
898000
2000
Μιλούν σε άλλους ανθρώπους.
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
Αυτό ωθεί τη συμπεριφορά πίσω στα ΜΜΕ,
15:18
and you have these cycles
346
903000
2000
και έχουμε αυτούς τους κύκλους
15:20
that drive the overall behavior.
347
905000
2000
που καθορίζουν τη συνολική συμπεριφορά.
15:22
Another example -- very different --
348
907000
2000
Άλλο ένα παράδειγμα -- πολύ διαφορετικό --
15:24
another actual person in our database --
349
909000
3000
ακόμα ένα πραγματικό άτομο στη βάση δεδομένων μας --
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
και βρίσκουμε τουλάχιστον εκατοντάδες, αν όχι χιλιάδες, τέτοια άτομα.
15:30
We've given this person a name.
351
915000
2000
Του έχουμε δώσει ένα όνομα.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
Είναι ένας ημι-επαγγελματίας κριτικός ΜΜΕ
15:35
who has this high fan-out rate.
353
920000
3000
που έχει αυτό τον υψηλό βαθμό διάδοσης.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
Πολλοί άνθρωποι ακολουθούν αυτό το άτομο -- έχει μεγάλη επιρροή --
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
και έχουν την τάση να μιλούν για το τι δείχνει η τηλεόραση.
15:43
So this person is a key link
356
928000
3000
Αυτό το άτομο λοιπόν είναι ένας βασικός δεσμός
15:46
in connecting mass media and social media together.
357
931000
3000
που συνδέει τα ΜΜΕ και τα κοινωνικά δίκτυα.
15:49
One last example from this data:
358
934000
3000
Ένα τελευταίο παράδειγμα από αυτά τα δεδομένα.
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
Ορισμένες φορές είναι ένα κομμάτι περιεχομένου που έχει ιδιαίτερη σημασία.
15:55
So if we go and look at this piece of content,
360
940000
4000
Αν λοιπόν κοιτάξουμε αυτό το κομμάτι περιεχομένου,
15:59
President Obama's State of the Union address
361
944000
3000
η ομιλία του προέδρου Ομπάμα για την "Κατάσταση του Έθνους"
16:02
from just a few weeks ago,
362
947000
2000
πριν από λίγες εβδομάδες,
16:04
and look at what we find in this same data set,
363
949000
3000
και κοιτάξουμε τι βρίσκουμε στο ίδιο σύνολο δεδομένων,
16:07
at the same scale,
364
952000
3000
στην ίδια κλίμακα,
16:10
the engagement properties of this piece of content
365
955000
2000
οι ικανότητες αυτού του κομματιού περιεχομένου να προκαλέσει το ενδιαφέρον
16:12
are truly remarkable.
366
957000
2000
είναι πραγματικά εκπληκτικές.
16:14
A nation exploding in conversation
367
959000
2000
Ένα έθνος που εκρήγνειται σε συνομιλίες
16:16
in real time
368
961000
2000
σε πραγματικό χρόνο
16:18
in response to what's on the broadcast.
369
963000
3000
σε ανταπόκριση αυτού που μεταδίδεται.
16:21
And of course, through all of these lines
370
966000
2000
Και φυσικά, μέσα από όλες αυτές τις γραμμές
16:23
are flowing unstructured language.
371
968000
2000
κυλάει μη-δομημένη γλώσσα.
16:25
We can X-ray
372
970000
2000
Μπορούμε να ακτινογραφήσουμε
16:27
and get a real-time pulse of a nation,
373
972000
2000
και να αποκτήσουμε ένα παλμό του έθνους σε πραγματικό χρόνο,
16:29
real-time sense
374
974000
2000
μία αίσθηση σε πραγματικό χρόνο
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
των κοινωνικών αντιδράσεων στα διάφορα κυκλώματα του κοινωνικού γραφήματος
16:34
being activated by content.
376
979000
3000
που ενεργοποιούνται από το περιεχόμενο.
16:37
So, to summarize, the idea is this:
377
982000
3000
Για να συνοψίσουμε λοιπόν, η ιδέα είναι η εξής:
16:40
As our world becomes increasingly instrumented
378
985000
3000
Καθώς ο κόσμος μας αποκτά ολοένα και περισσότερα εργαλεία
16:43
and we have the capabilities
379
988000
2000
και έχουμε τις ικανότητες
16:45
to collect and connect the dots
380
990000
2000
να συγκεντρώσουμε και να συνδέσουμε τις κουκίδες
16:47
between what people are saying
381
992000
2000
ανάμεσα σε αυτά που λένε οι άνθρωποι
16:49
and the context they're saying it in,
382
994000
2000
και τα συμφραζόμενα μέσα στα οποία τα λένε,
16:51
what's emerging is an ability
383
996000
2000
αυτό που αναδύεται είναι μία ικανότητα
16:53
to see new social structures and dynamics
384
998000
3000
να δούμε νέες κοινωνικές δομές και δυναμικές
16:56
that have previously not been seen.
385
1001000
2000
που δεν έχουν παρατηρηθεί προηγουμένως.
16:58
It's like building a microscope or telescope
386
1003000
2000
Είναι σαν να φτιάχνουμε ένα μικροσκόπιο ή ένα τηλεσκόπιο
17:00
and revealing new structures
387
1005000
2000
και να αποκαλύπτουμε νέες δομές
17:02
about our own behavior around communication.
388
1007000
3000
για τη συμπεριφορά μας γύρω από την επικοινωνία.
17:05
And I think the implications here are profound,
389
1010000
3000
Και νομίζω πως τα συμπεράσματα εδώ είναι πολύ σημαντικά,
17:08
whether it's for science,
390
1013000
2000
είτε πρόκειται για την επιστήμη,
17:10
for commerce, for government,
391
1015000
2000
για το εμπόριο, τη διακυβέρνηση,
17:12
or perhaps most of all,
392
1017000
2000
ή ίσως πάνω απ'όλα,
17:14
for us as individuals.
393
1019000
3000
για εμάς ως άτομα.
17:17
And so just to return to my son,
394
1022000
3000
Και έτσι για να γυρίσουμε στο γιο μου,
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
όταν προετοίμαζα αυτή την ομιλία, κοιτούσε πίσω από τον ώμο μου,
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
και του έδειξα τα κομμάτια που επρόκειτο να σας δείξω σήμερα,
17:25
and I asked him for permission -- granted.
397
1030000
3000
και ζήτησα την άδειά του -- μου την έδωσε.
17:28
And then I went on to reflect,
398
1033000
2000
Και τότε άρχισα να σκέφτομαι,
17:30
"Isn't it amazing,
399
1035000
3000
"Δεν είναι εκπληκτικό,
17:33
this entire database, all these recordings,
400
1038000
3000
όλη αυτή η βάση δεδομένων, όλες αυτές οι καταγραφές,
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
που θα κληροδοτήσω σε σένα και την αδερφή σου,"
17:38
who arrived two years later --
402
1043000
3000
που γεννήθηκε δύο χρόνια αργότερα.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"Και θα μπορείτε να γυρίσετε πίσω στο χρόνο και να ξαναζήσετε στιγμές
17:44
that you could never, with your biological memory,
404
1049000
3000
που δεν θα μπορούσατε ποτέ, με τη βιολογική σας μνήμη,
17:47
possibly remember the way you can now?"
405
1052000
2000
να θυμάστε όπως μπορείτε τώρα."
17:49
And he was quiet for a moment.
406
1054000
2000
Και έμεινε σιωπηλός για μια στιγμή.
17:51
And I thought, "What am I thinking?
407
1056000
2000
Και σκέφτηκα, "Μα τι λέω;
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
Είναι πέντε χρόνων. Δεν πρόκειται να το καταλάβει αυτό."
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
Και καθώς το σκεφτόμουνα αυτό, με κοίταξε και είπε,
17:58
"So that when I grow up,
410
1063000
2000
"Ώστε όταν μεγαλώσω,
18:00
I can show this to my kids?"
411
1065000
2000
θα μπορώ να το δείξω αυτό στα παιδιά μου;"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
Και σκέφτηκα, "Ουάου, αυτό είναι σπουδαίο."
18:05
So I want to leave you
413
1070000
2000
Και θέλω να σας αφήσω
18:07
with one last memorable moment
414
1072000
2000
με μία τελευταία αξιομνημόνευτη στιγμή
18:09
from our family.
415
1074000
3000
από την οικογένειά μας.
18:12
This is the first time our son
416
1077000
2000
Αυτή είναι η πρώτη φορά που ο γιος μας
18:14
took more than two steps at once --
417
1079000
2000
έκανε περισσότερα από δύο βήματα στη σειρά --
18:16
captured on film.
418
1081000
2000
και το καταγράψαμε.
18:18
And I really want you to focus on something
419
1083000
3000
Και θέλω πραγματικά να επικεντρωθείτε σε κάτι
18:21
as I take you through.
420
1086000
2000
καθώς σας το περιγράφω.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
Είναι ένα συγκεχυμένο περιβάλλον. Πραγματική ζωή.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
Η μητέρα μου είναι στην κουζίνα, μαγειρεύει,
18:27
and, of all places, in the hallway,
423
1092000
2000
και, απ'όλα τα μέρη, στο διάδρομο,
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
συνειδητοποίησα ότι θα το κάνει, ότι ήταν έτοιμος να κάνει πάνω από δύο βήματα.
18:32
And so you hear me encouraging him,
425
1097000
2000
Και έτσι με ακούτε να τον ενθαρρύνω,
18:34
realizing what's happening,
426
1099000
2000
συνειδητοποιώντας τι συμβαίνει,
18:36
and then the magic happens.
427
1101000
2000
και τότε συμβαίνει η μαγική στιγμή.
18:38
Listen very carefully.
428
1103000
2000
Ακούστε πολύ προσεχτικά.
18:40
About three steps in,
429
1105000
2000
Μετά από περίπου τρία βήματα,
18:42
he realizes something magic is happening,
430
1107000
2000
συνειδητοποιεί ότι συμβαίνει κάτι μαγικό.
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
Και η πιο απίστευτη αμφίδρομη σχέση παρεμβαίνει,
18:47
and he takes a breath in,
432
1112000
2000
και παίρνει μία ανάσα,
18:49
and he whispers "wow"
433
1114000
2000
και ψιθυρίζει "ουάου"
18:51
and instinctively I echo back the same.
434
1116000
4000
και ενστικτωδώς λέω το ίδιο πράγμα.
18:56
And so let's fly back in time
435
1121000
3000
Ας πάμε λοιπόν πίσω στο χρόνο
18:59
to that memorable moment.
436
1124000
2000
σε αυτή την αξιομνημόνευτη στιγμή.
19:05
(Video) DR: Hey.
437
1130000
2000
(Βίντεο)ΝΡ: Έι.
19:07
Come here.
438
1132000
2000
Έλα εδώ.
19:09
Can you do it?
439
1134000
3000
Μπορείς να το κάνεις;
19:13
Oh, boy.
440
1138000
2000
Ουάου.
19:15
Can you do it?
441
1140000
3000
Μπορείς να το κάνεις;
19:18
Baby: Yeah.
442
1143000
2000
Μωρό: Ναι.
19:20
DR: Ma, he's walking.
443
1145000
3000
ΝΡ: Μαμά, περπατάει.
19:24
(Laughter)
444
1149000
2000
(Γέλια)
19:26
(Applause)
445
1151000
2000
(Χειροκρότημα)
19:28
DR: Thank you.
446
1153000
2000
ΝΡ: Σας ευχαριστώ.
19:30
(Applause)
447
1155000
15000
(Χειροκρότημα)
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