TED2015
Laura Schulz: The surprisingly logical minds of babies
لارا شولز: ذهن به طور شگفت انگیز منطقیِ کودکان
Filmed:
Readability: 3.8
1,888,975 views
کودکان چگونه چنین یادگیری بالا با سرعت زیاد از داده‌های کم دارند؟ در یک سخنرانی مفرح و پر از آزمایش، دانشمند علوم شناختی، لارا شولز، نشان می‌دهد که چگونه کودکان ما با به کارگیری منطقی قوی و شگفت انگیز، قبل از آن‌که بتوانند سخن بگویند، تصمیم می‌گیرند.
Laura Schulz - Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio
Double-click the English transcript below to play the video.
00:12
Mark Twain summed up
what I take to be
what I take to be
0
835
2155
مارک تواین یکی از پایه‌ای ترین مشکلات
00:14
one of the fundamental problems
of cognitive science
of cognitive science
1
2990
3120
موجود در علوم شناختی را در یک جمله
00:18
with a single witticism.
2
6110
1710
خلاصه کرده‌است.
00:20
He said, "There's something
fascinating about science.
fascinating about science.
3
8410
3082
او می‌گوید: "چیزی شگفت انگیز در
مورد علم وجود دارد.
مورد علم وجود دارد.
00:23
One gets such wholesale
returns of conjecture
returns of conjecture
4
11492
3228
فرد حدس‌های بسیار عمده‌ای می‌زند،
00:26
out of such a trifling
investment in fact."
investment in fact."
5
14720
3204
تنها با سرمایه‌گذاری ناچیزی در
حقایق."
حقایق."
00:29
(Laughter)
6
17924
1585
(خنده‌ی حضار)
00:32
Twain meant it as a joke,
of course, but he's right:
of course, but he's right:
7
20199
2604
تواین این را به عنوان یک شوخی مطرح کرد،
اما او درست می‌گفت:
اما او درست می‌گفت:
00:34
There's something
fascinating about science.
fascinating about science.
8
22803
2876
علم ویژگی شگفت انگیزی دارد.
00:37
From a few bones, we infer
the existence of dinosuars.
the existence of dinosuars.
9
25679
4261
با دیدن چند تکه استخوان، ما
وجود دایناسورها را استنباط کردیم.
وجود دایناسورها را استنباط کردیم.
00:42
From spectral lines,
the composition of nebulae.
the composition of nebulae.
10
30910
3871
با دیدن خط طیف نوری،
ترکیب یک سحابی را مشخص می‌سازیم.
ترکیب یک سحابی را مشخص می‌سازیم.
00:47
From fruit flies,
11
35471
2938
از کرم‌های میوه،
00:50
the mechanisms of heredity,
12
38409
2943
به مکانیزم وراثت پی می‌بریم،
00:53
and from reconstructed images
of blood flowing through the brain,
of blood flowing through the brain,
13
41352
4249
و از تصاویر بازسازی شده‌ی حرکت خون در
داخل مغز
داخل مغز
00:57
or in my case, from the behavior
of very young children,
of very young children,
14
45601
4708
یا در مورد من، با استفاده از
رفتار کودکان بسیار کوچک
رفتار کودکان بسیار کوچک
01:02
we try to say something about
the fundamental mechanisms
the fundamental mechanisms
15
50309
2829
تلاش می‌کنیم نظراتی در مورد
پایه‌های اساسی مکانیزم
پایه‌های اساسی مکانیزم
01:05
of human cognition.
16
53138
1618
شناخت انسان ارائه کنیم.
01:07
In particular, in my lab in the Department
of Brain and Cognitive Sciences at MIT,
of Brain and Cognitive Sciences at MIT,
17
55716
4759
به طور خاص، در آزمایشگاه من در بخش
مغز و علوم شناختی در دانشگاه MIT
مغز و علوم شناختی در دانشگاه MIT
01:12
I have spent the past decade
trying to understand the mystery
trying to understand the mystery
18
60475
3654
دهه‌ی گذشته را صرفِ
تلاش برای فهم این راز که
تلاش برای فهم این راز که
01:16
of how children learn so much
from so little so quickly.
from so little so quickly.
19
64129
3977
کودکان چگونه اینقدر زیاد و با این سرعت
از چیزهای کم یاد می‌گیرند.
از چیزهای کم یاد می‌گیرند.
01:20
Because, it turns out that
the fascinating thing about science
the fascinating thing about science
20
68666
2978
زیرا اینطور که مشخص است،
موضوع شگفت انگیز در مورد علم
موضوع شگفت انگیز در مورد علم
01:23
is also a fascinating
thing about children,
thing about children,
21
71644
3529
موضوع شگفت انگیز در مورد کودکان نیز هست.
01:27
which, to put a gentler
spin on Mark Twain,
spin on Mark Twain,
22
75173
2581
که در واقع، با بیان ملایم‌تر جمله
مارک تواین،
مارک تواین،
01:29
is precisely their ability
to draw rich, abstract inferences
to draw rich, abstract inferences
23
77754
4650
دقیقا توانایی آنها برای
دریافتی عمیق و انتزاعی
دریافتی عمیق و انتزاعی
01:34
rapidly and accurately
from sparse, noisy data.
from sparse, noisy data.
24
82404
4661
با سرعت و دقت بالا از
داده‌های پراکنده و پر نویز می‌باشد.
داده‌های پراکنده و پر نویز می‌باشد.
01:40
I'm going to give you
just two examples today.
just two examples today.
25
88355
2398
من امروز تنها دو نمونه به شما
ارائه خواهم داد.
ارائه خواهم داد.
01:42
One is about a problem of generalization,
26
90753
2287
یکی در مورد مشکل تعمیم،
01:45
and the other is about a problem
of causal reasoning.
of causal reasoning.
27
93040
2850
و دیگری در مورد یک مشکل
در رابطه با علت و معلول است.
در رابطه با علت و معلول است.
01:47
And although I'm going to talk
about work in my lab,
about work in my lab,
28
95890
2525
و اگرچه من در مورد کار در آزمایشگاه
خودم سخن می‌گویم،
خودم سخن می‌گویم،
01:50
this work is inspired by
and indebted to a field.
and indebted to a field.
29
98415
3460
این کار الهام گرفته و مدیون یک رشته است.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
and collaborators around the world.
30
101875
4283
من از مربیان، همکاران و مشارکت کنندگان
در سراسر دنیا متشکرم.
در سراسر دنیا متشکرم.
01:59
Let me start with the problem
of generalization.
of generalization.
31
107308
2974
اجازه دهید با مشکل تعمیم شروع کنم.
02:02
Generalizing from small samples of data
is the bread and butter of science.
is the bread and butter of science.
32
110652
4133
تعمیم با استفاده از نمونه‌های کوچکی از
داده‌ها یکی از مسائل اصلی در علم است.
داده‌ها یکی از مسائل اصلی در علم است.
02:06
We poll a tiny fraction of the electorate
33
114785
2554
ما از بخش کوچکی از
رای‌دهندگان نظرسنجی می‌کنیم
رای‌دهندگان نظرسنجی می‌کنیم
02:09
and we predict the outcome
of national elections.
of national elections.
34
117339
2321
و نتیجه‌ی انتخابات ملی
را پیشبینی می‌کنیم.
را پیشبینی می‌کنیم.
02:12
We see how a handful of patients
responds to treatment in a clinical trial,
responds to treatment in a clinical trial,
35
120240
3925
ما می‌بینیم که چگونه دسته کوچکی از بیماران
به درمانی در یک آزمایش واکنش نشان می‌دهند
به درمانی در یک آزمایش واکنش نشان می‌دهند
02:16
and we bring drugs to a national market.
36
124165
3065
و سپس دارو را در بازار ملی عرضه می‌کنیم.
02:19
But this only works if our sample
is randomly drawn from the population.
is randomly drawn from the population.
37
127230
4365
اما این موضوع زمانی صحیح است که نمونه‌ها
به‌صورت تصادفی از جمعیت انتخاب شده باشد.
به‌صورت تصادفی از جمعیت انتخاب شده باشد.
02:23
If our sample is cherry-picked
in some way --
in some way --
38
131595
2735
اگر نمونه ما دستچین شده باشد --
02:26
say, we poll only urban voters,
39
134330
2072
مثلاً، تنها از شهرنشینان نظرسنجی کنیم،
02:28
or say, in our clinical trials
for treatments for heart disease,
for treatments for heart disease,
40
136402
4388
یا در آزمایش‌های کلینیکی برای درمان
بیماری‌های قلبی،
بیماری‌های قلبی،
02:32
we include only men --
41
140790
1881
تنها مردان را در نظر بگیریم --
02:34
the results may not generalize
to the broader population.
to the broader population.
42
142671
3158
ممکن است نتایج قابل تعمیم
به جمعیت وسیع‌تر نباشند.
به جمعیت وسیع‌تر نباشند.
02:38
So scientists care whether evidence
is randomly sampled or not,
is randomly sampled or not,
43
146479
3581
به‌همین دلیل دانشمندان به تصادفی
انتخاب شدن نمونه‌ها دقت می‌کنند.
انتخاب شدن نمونه‌ها دقت می‌کنند.
02:42
but what does that have to do with babies?
44
150060
2015
ولی این موضوع چه ربطی به کودکان دارد؟
02:44
Well, babies have to generalize
from small samples of data all the time.
from small samples of data all the time.
45
152585
4621
خب، کودکان همواره باید نمونه‌های
کمی از داده‌ها را تعمیم دهند.
کمی از داده‌ها را تعمیم دهند.
02:49
They see a few rubber ducks
and learn that they float,
and learn that they float,
46
157206
3158
چند اردک پلاستیکی می‌بینند و
یاد می‌گیرند که آنها شناور می‌مانند.
یاد می‌گیرند که آنها شناور می‌مانند.
02:52
or a few balls and learn that they bounce.
47
160364
3575
یا چند توپ می‌بینند و یاد می‌گیرند که
آنها بالا و پایین می‌پرند.
آنها بالا و پایین می‌پرند.
02:55
And they develop expectations
about ducks and balls
about ducks and balls
48
163939
2951
و آنها در مورد اردکها و توپ‌ها
انتظاراتی پیدا می‌کنند
انتظاراتی پیدا می‌کنند
02:58
that they're going to extend
to rubber ducks and balls
to rubber ducks and balls
49
166890
2716
که به سایر اردک‌های پلاستیکی و توپ‌ها
03:01
for the rest of their lives.
50
169606
1879
در مابقی عمرشان گسترش پیدا می‌کند.
03:03
And the kinds of generalizations
babies have to make about ducks and balls
babies have to make about ducks and balls
51
171485
3739
و کودکان این نوع تعمیم در
مورد اردکها و توپ‌ها را
مورد اردکها و توپ‌ها را
03:07
they have to make about almost everything:
52
175224
2089
باید تقریبا در مورد همه چیز انجام دهند:
03:09
shoes and ships and sealing wax
and cabbages and kings.
and cabbages and kings.
53
177313
3917
کفش، کشتی، موم و کلم و پادشاه‌‌ها.
03:14
So do babies care whether
the tiny bit of evidence they see
the tiny bit of evidence they see
54
182200
2961
بنابراین آیا برای کودکان مهم است که
این مقدار کمی از شواهد که می‌بینند
این مقدار کمی از شواهد که می‌بینند
03:17
is plausibly representative
of a larger population?
of a larger population?
55
185161
3692
می‌تواند بیانکننده جمعیت بزرگتری باشد؟
03:21
Let's find out.
56
189763
1900
بیاید بررسی کنیم.
03:23
I'm going to show you two movies,
57
191663
1723
من به شما دو فیلم نشان خواهم داد.
03:25
one from each of two conditions
of an experiment,
of an experiment,
58
193386
2462
هریک بیانکننده یکی از
دو حالت آزمایش می‌باشد
دو حالت آزمایش می‌باشد
03:27
and because you're going to see
just two movies,
just two movies,
59
195848
2438
و چون شما تنها دو قطعه فیلم می‌بینید،
03:30
you're going to see just two babies,
60
198286
2136
تنها دو کودک نیز خواهید دید،
03:32
and any two babies differ from each other
in innumerable ways.
in innumerable ways.
61
200422
3947
و هر دو کودکی تفاوت‌های بسیار زیادی با
یکدیگر دارند.
یکدیگر دارند.
03:36
But these babies, of course,
here stand in for groups of babies,
here stand in for groups of babies,
62
204369
3051
ولی در این بخش، این دو کودک
هریک نماینده یک گروه کودکان هستند،
هریک نماینده یک گروه کودکان هستند،
03:39
and the differences you're going to see
63
207420
1895
و تفاوت‌هایی که شما خواهید دید
03:41
represent average group differences
in babies' behavior across conditions.
in babies' behavior across conditions.
64
209315
5195
میانگین تفاوت‌های رفتاری بین گروه‌های
کودکان را، در این شرایط نشان می‌دهد.
کودکان را، در این شرایط نشان می‌دهد.
03:47
In each movie, you're going to see
a baby doing maybe
a baby doing maybe
65
215160
2583
در هر فیلم، شما می‌بینید که
یک کودک احتمالاً
یک کودک احتمالاً
03:49
just exactly what you might
expect a baby to do,
expect a baby to do,
66
217743
3460
دقیقاً همان‌کاری را می‌کند
که از یک کودک انتظار داریم
که از یک کودک انتظار داریم
03:53
and we can hardly make babies
more magical than they already are.
more magical than they already are.
67
221203
4017
و ما نمی‌توانیم یک کودک را بیش از مقداری
که اکنون جادویی است، جادویی کنیم.
که اکنون جادویی است، جادویی کنیم.
03:58
But to my mind the magical thing,
68
226090
2010
ولی در ذهن من چیز جادویی،
04:00
and what I want you to pay attention to,
69
228100
2089
و چیزی که من می‌خواهم شما به آن دقت کنید،
04:02
is the contrast between
these two conditions,
these two conditions,
70
230189
3111
تضاد بین این دو حالت است،
04:05
because the only thing
that differs between these two movies
that differs between these two movies
71
233300
3529
زیرا تنها چیزی که بین این دو فیلم
تفاوت دارد
تفاوت دارد
04:08
is the statistical evidence
the babies are going to observe.
the babies are going to observe.
72
236829
3466
شواهد آماری ایست که دو کودک
مشاهده خواهند کرد.
مشاهده خواهند کرد.
04:13
We're going to show babies
a box of blue and yellow balls,
a box of blue and yellow balls,
73
241425
3183
ما به کودکان یک جعبه شامل
توپ‌های آبی و زرد نشان خواهیم داد،
توپ‌های آبی و زرد نشان خواهیم داد،
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
now colleague at Stanford, Hyowon Gweon,
74
244608
4620
و همکار من 'هیوان گوان' که در
آن زمان از استنفورد فارغ‌التحصیل شده بود،
آن زمان از استنفورد فارغ‌التحصیل شده بود،
04:21
is going to pull three blue balls
in a row out of this box,
in a row out of this box,
75
249228
3077
از این جعبه سه توپ آبی پشت سرهم
بیرون خواهد آورد،
بیرون خواهد آورد،
04:24
and when she pulls those balls out,
she's going to squeeze them,
she's going to squeeze them,
76
252305
3123
و وقتی که آن توپ‌ها را بیرون بیاورد،
آنها را فشار خواهد داد و
آنها را فشار خواهد داد و
04:27
and the balls are going to squeak.
77
255428
2113
و توپ‌ها صدا می‌دهند.
04:29
And if you're a baby,
that's like a TED Talk.
that's like a TED Talk.
78
257541
2763
و اگر یک بچه باشید،
مثل یک صحبت در تد است
مثل یک صحبت در تد است
04:32
It doesn't get better than that.
79
260304
1904
از اون بهتر نمی‌شود.
04:34
(Laughter)
80
262208
2561
(خنده‌ی حضار)
04:38
But the important point is it's really
easy to pull three blue balls in a row
easy to pull three blue balls in a row
81
266968
3659
اما نکته‌ی مهم این است که بسیار
آسان است که ۳ توپ آبی پشت سر هم از
آسان است که ۳ توپ آبی پشت سر هم از
04:42
out of a box of mostly blue balls.
82
270627
2305
یک جعبه که اکثر توپ‌هایش آبی است در آورد.
04:44
You could do that with your eyes closed.
83
272932
2060
میشه با چشمان بسته این کار را کرد.
04:46
It's plausibly a random sample
from this population.
from this population.
84
274992
2996
این یک نمونه‌ی تصادفی محتمل
از این جامعه‌ی آماری است.
از این جامعه‌ی آماری است.
04:49
And if you can reach into a box at random
and pull out things that squeak,
and pull out things that squeak,
85
277988
3732
و اگر بتوان از داخل جعبه به صورت اتفاقی
چیزهایی درآورد که صدا می‌دهند،
چیزهایی درآورد که صدا می‌دهند،
04:53
then maybe everything in the box squeaks.
86
281720
2839
پس شاید تمام چیزهایی که
درون جعبه هستند صدا می‌دهند.
درون جعبه هستند صدا می‌دهند.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
those yellow balls to squeak as well.
87
284559
3650
پس شاید کودکان باید انتظار داشته باشند
که توپ‌های زرد هم صدا بدهند.
که توپ‌های زرد هم صدا بدهند.
05:00
Now, those yellow balls
have funny sticks on the end,
have funny sticks on the end,
88
288209
2519
آن توپ‌های زرد، دسته های
با مزه‌ای دارند که
با مزه‌ای دارند که
05:02
so babies could do other things
with them if they wanted to.
with them if they wanted to.
89
290728
2857
کودکان اگر بخواهند می‌توانند
کارهای دیگری با آنها انجام دهند
کارهای دیگری با آنها انجام دهند
05:05
They could pound them or whack them.
90
293585
1831
می‌توانند آنها را تکان بدهند
یا با آنها ضربه بزنند.
یا با آنها ضربه بزنند.
05:07
But let's see what the baby does.
91
295416
2586
اما بیاید ببینیم که کودک چکار می‌کند.
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Ball squeaks)
92
300548
3343
(ویدیو) هیوان گوان: اینو میبینی؟
(توپ صدا می‌دهد)
(توپ صدا می‌دهد)
05:16
Did you see that?
(Ball squeaks)
(Ball squeaks)
93
304531
3045
اونو دیدی؟
(توپ صدا می‌دهد)
(توپ صدا می‌دهد)
05:20
Cool.
94
308036
3066
باحاله.
05:24
See this one?
95
312706
1950
اینو میبینی؟
05:26
(Ball squeaks)
96
314656
1881
(توپ صدا می‌دهد)
05:28
Wow.
97
316537
2653
اووه
05:33
Laura Schulz: Told you. (Laughs)
98
321854
2113
لارا شولز: بهتون گفتم (خنده)
05:35
(Video) HG: See this one?
(Ball squeaks)
(Ball squeaks)
99
323967
4031
(ویدیو) هیوان: اینو میبینی؟
(توپ صدا می‌دهد)
(توپ صدا می‌دهد)
05:39
Hey Clara, this one's for you.
You can go ahead and play.
You can go ahead and play.
100
327998
4619
کلارا، این مالِ توعه.
میتونی باهاش بازی کنی.
میتونی باهاش بازی کنی.
05:51
(Laughter)
101
339854
4365
(خنده‌ی حضار)
05:56
LS: I don't even have to talk, right?
102
344219
2995
لارا: نیازی نیست صحبت کنم، درسته؟
05:59
All right, it's nice that babies
will generalize properties
will generalize properties
103
347214
2899
خیلی خوب، خوبه که بچه‌ها خصوصیات مربوط به
06:02
of blue balls to yellow balls,
104
350113
1528
توپ‌های آبی را
به توپ‌های زرد تعمیم می‌دهند
به توپ‌های زرد تعمیم می‌دهند
06:03
and it's impressive that babies
can learn from imitating us,
can learn from imitating us,
105
351641
3096
و چشمگیر است که بچه‌ها
با تقلید از ما یاد می‌گیرند
با تقلید از ما یاد می‌گیرند
06:06
but we've known those things about babies
for a very long time.
for a very long time.
106
354737
3669
اما ما این چیزها را در مورد
بچه‌ها از زمان‌های گذشته می‌دانیم.
بچه‌ها از زمان‌های گذشته می‌دانیم.
06:10
The really interesting question
107
358406
1811
سوال بسیار جالب این است که
06:12
is what happens when we show babies
exactly the same thing,
exactly the same thing,
108
360217
2852
وقتی دقیقا چیز مشابه را
به بچه‌ها نشان می‌دهیم
به بچه‌ها نشان می‌دهیم
06:15
and we can ensure it's exactly the same
because we have a secret compartment
because we have a secret compartment
109
363069
3611
و ما می‌توانیم مطمئن باشیم که دقیقا
مشابه است چون یك محفظه‌ی مخفی داریم
مشابه است چون یك محفظه‌ی مخفی داریم
06:18
and we actually pull the balls from there,
110
366680
2110
و ما در واقع توپ‌ها را از آن خارج می‌کنیم،
06:20
but this time, all we change
is the apparent population
is the apparent population
111
368790
3478
اما این بار، تنها چیزی که تغییر می‌دهیم
ظاهر جمعیت آماری است که
ظاهر جمعیت آماری است که
06:24
from which that evidence was drawn.
112
372268
2902
شواهد از آن خارج می‌شود.
06:27
This time, we're going to show babies
three blue balls
three blue balls
113
375170
3553
این بار، به کودکان
سه توپ آبی نشان می‌دهیم که
سه توپ آبی نشان می‌دهیم که
06:30
pulled out of a box
of mostly yellow balls,
of mostly yellow balls,
114
378723
3384
از جعبه‌ای که اکثر
توپ‌هایش زرد است خارج می‌شوند.
توپ‌هایش زرد است خارج می‌شوند.
06:34
and guess what?
115
382107
1322
و حدس بزنید که چه اتفاقی می‌افتد؟
06:35
You [probably won't] randomly draw
three blue balls in a row
three blue balls in a row
116
383429
2840
نمیتوان به صورت اتفاقی پشت سرهم ۳ توپ آبی
06:38
out of a box of mostly yellow balls.
117
386269
2484
از جعبه‌ای که اکثر
توپ‌هایش زرد است خارج کرد
توپ‌هایش زرد است خارج کرد
06:40
That is not plausibly
randomly sampled evidence.
randomly sampled evidence.
118
388753
3747
آن شواهدی محتمل از نمونه‌ی انتخابی نیست.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
was deliberately sampling the blue balls.
119
392500
5123
آن شواهد حاکی از آن است که شاید هیوان
عمدا توپ‌های آبی را انتخاب می‌کرده است.
عمدا توپ‌های آبی را انتخاب می‌کرده است.
06:49
Maybe there's something special
about the blue balls.
about the blue balls.
120
397623
2583
شاید چیز خاصی در مورد
توپ‌های آبی وجود دارد.
توپ‌های آبی وجود دارد.
06:52
Maybe only the blue balls squeak.
121
400846
2976
شاید فقط توپ‌های آبی صدا می‌دهند.
06:55
Let's see what the baby does.
122
403822
1895
بیاید ببینیم کودک چکار می‌کند.
06:57
(Video) HG: See this?
(Ball squeaks)
(Ball squeaks)
123
405717
2904
(ویدیو) هیوان: اینو میبینی؟
(توپ صدا می‌دهد)
(توپ صدا می‌دهد)
07:02
See this toy?
(Ball squeaks)
(Ball squeaks)
124
410851
2645
این اسباب بازی رو میبینی؟
(توپ صدا می‌دهد)
(توپ صدا می‌دهد)
07:05
Oh, that was cool. See?
(Ball squeaks)
(Ball squeaks)
125
413496
5480
اوه، چقدر باحال بود. میبینی؟
(توپ صدا می‌دهد)
(توپ صدا می‌دهد)
07:10
Now this one's for you to play.
You can go ahead and play.
You can go ahead and play.
126
418976
4394
این برای توعه که بازی کنی.
میتونی بازی کنی.
میتونی بازی کنی.
07:18
(Fussing)
(Laughter)
(Laughter)
127
426074
6347
(نق زدن)
(خنده‌ی حضار)
(خنده‌ی حضار)
07:26
LS: So you just saw
two 15-month-old babies
two 15-month-old babies
128
434901
2748
لورا: شما دو کودک ۱۵ ماهه را دیدید که
07:29
do entirely different things
129
437649
1942
کارهای کاملا متفاوتی انجام دادند
07:31
based only on the probability
of the sample they observed.
of the sample they observed.
130
439591
3599
تنها براساس احتمال
نمونه‌ای که مشاهده کردند.
نمونه‌ای که مشاهده کردند.
07:35
Let me show you the experimental results.
131
443190
2321
اجازه بدید نتایج آزمایشگاهی
را به شما نشان دهم
را به شما نشان دهم
07:37
On the vertical axis, you'll see
the percentage of babies
the percentage of babies
132
445511
2764
بر روی محور عمودی درصد کودکانی را که
07:40
who squeezed the ball in each condition,
133
448275
2530
در هر حالت توپ را
فشار دادند مشاهده می‌کنید
فشار دادند مشاهده می‌کنید
07:42
and as you'll see, babies are much
more likely to generalize the evidence
more likely to generalize the evidence
134
450805
3715
و همین‌طور که مشاهده می‌کنید، کودکان بسیار
بیشتر احتمال دارد که شواهد را تعمیم دهند
بیشتر احتمال دارد که شواهد را تعمیم دهند
07:46
when it's plausibly representative
of the population
of the population
135
454520
3135
وقتی که نمونه‌ی محتملی از جمعیت آماری
را می‌بینند
را می‌بینند
07:49
than when the evidence
is clearly cherry-picked.
is clearly cherry-picked.
136
457655
3738
در مقابل زمانی که شواهد به وضوح
دستچین شده‌اند
دستچین شده‌اند
07:53
And this leads to a fun prediction:
137
461393
2415
و این به یک پیشبینی جالب منجر می‌شود:
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
out of the mostly yellow box.
138
463808
4868
فرض کنید فقط یک توپ آبی از جعبه‌ای
که اکثر توپ‌هایش زرد است خارج کنیم.
که اکثر توپ‌هایش زرد است خارج کنیم.
08:00
You [probably won't] pull three blue balls
in a row at random out of a yellow box,
in a row at random out of a yellow box,
139
468896
3869
نمی‌شود پشت سرهم ۳ توپ آبی از
جعبه‌ی پر از توپ‌های زرد خارج کرد،
جعبه‌ی پر از توپ‌های زرد خارج کرد،
08:04
but you could randomly sample
just one blue ball.
just one blue ball.
140
472765
2455
اما ممکن است که فقط یک
توپ آبی به صورت اتفاقی خارج کرد.
توپ آبی به صورت اتفاقی خارج کرد.
08:07
That's not an improbable sample.
141
475220
1970
آن یک نمونه‌ی غیر محتمل نیست.
08:09
And if you could reach into
a box at random
a box at random
142
477190
2224
و اگر بشود به صورت اتفاقی از
داخل جعبه شئ ای
داخل جعبه شئ ای
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
maybe everything in the box squeaks.
143
479414
3987
خارج کرد که صدا می‌دهد،
شاید همه‌ی اشیای درون جعبه صدا می‌دهند.
شاید همه‌ی اشیای درون جعبه صدا می‌دهند.
08:15
So even though babies are going to see
much less evidence for squeaking,
much less evidence for squeaking,
144
483875
4445
پس با وجود اینکه کودکان شواهد
کمتری از صدا دادن خواهند دید،
کمتری از صدا دادن خواهند دید،
08:20
and have many fewer actions to imitate
145
488320
2242
و فعالیت‌های کمتری برای تقلید دارند
08:22
in this one ball condition than in
the condition you just saw,
the condition you just saw,
146
490562
3343
در این حالت با یک توپ در مقایسه با
حالتی که دیدید،
حالتی که دیدید،
08:25
we predicted that babies themselves
would squeeze more,
would squeeze more,
147
493905
3892
ما پیشبینی کردیم که بچه‌ها
بیشتر توپ را فشار می‌دهند،
بیشتر توپ را فشار می‌دهند،
08:29
and that's exactly what we found.
148
497797
2894
و این دقیقا چیزی است که پیدا کردیم.
08:32
So 15-month-old babies,
in this respect, like scientists,
in this respect, like scientists,
149
500691
4411
پس کودکان ۱۵ ماهه در این موضوع،
مانند دانشمندان،
مانند دانشمندان،
08:37
care whether evidence
is randomly sampled or not,
is randomly sampled or not,
150
505102
3088
اهمیت می‌دهند که آیا
نمونه اتفاقی است یا نه،
نمونه اتفاقی است یا نه،
08:40
and they use this to develop
expectations about the world:
expectations about the world:
151
508190
3507
و آنها از این استفاده می‌کنند
تا انتظاراتی از دنیا شکل دهند:
تا انتظاراتی از دنیا شکل دهند:
08:43
what squeaks and what doesn't,
152
511697
2182
چه چیزی صدا می‌دهد و چه چیزی صدا نمی‌دهد،
08:45
what to explore and what to ignore.
153
513879
3145
چه چیز را کاوش کنند و
از چه چیز چشم‌پوشی کنند.
از چه چیز چشم‌پوشی کنند.
08:50
Let me show you another example now,
154
518384
2066
اجازه بدید یک مثال دیگه به شما نشان دهم،
08:52
this time about a problem
of causal reasoning.
of causal reasoning.
155
520450
2730
این بار درباره‌ی یک مشکل در علت و معلول.
08:55
And it starts with a problem
of confounded evidence
of confounded evidence
156
523180
2439
و این با یک مشکل از نوع
شواهد سر در گم آغاز می‌شود که
شواهد سر در گم آغاز می‌شود که
08:57
that all of us have,
157
525619
1672
همه‌ی ما داریم و عبارت از این است که
08:59
which is that we are part of the world.
158
527291
2020
ما همه بخشی از دنیا هستیم.
09:01
And this might not seem like a problem
to you, but like most problems,
to you, but like most problems,
159
529311
3436
و این ممکن است از نظر شما یک مشکل نباشد،
اما مانند بیشتر مشکل‌ها،
اما مانند بیشتر مشکل‌ها،
09:04
it's only a problem when things go wrong.
160
532747
2337
این فقط وقتی مشکل است
که کارها خراب می‌شود.
که کارها خراب می‌شود.
09:07
Take this baby, for instance.
161
535464
1811
به عنوان مثال، این کودک را در نظر بگیرید.
09:09
Things are going wrong for him.
162
537275
1705
اوضاع برایش خوب پیش نمی رود.
09:10
He would like to make
this toy go, and he can't.
this toy go, and he can't.
163
538980
2271
می‌خواهد صدای این اسباب بازی را در بیاورد
اما نمی‌تواند.
اما نمی‌تواند.
09:13
I'll show you a few-second clip.
164
541251
2529
یک کلیپ چند ثانیه‌ای به شما نشان می‌دهم.
09:21
And there's two possibilities, broadly:
165
549340
1920
و به طور گسترده، ۲ حالت وجود دارد:
09:23
Maybe he's doing something wrong,
166
551260
2634
شاید او کار اشتباهی انجام می‌دهد،
09:25
or maybe there's something
wrong with the toy.
wrong with the toy.
167
553894
4216
یا شاید اسباب بازی مشکل دارد.
09:30
So in this next experiment,
168
558110
2111
پس در آزمایش بعدی
09:32
we're going to give babies
just a tiny bit of statistical data
just a tiny bit of statistical data
169
560221
3297
ما به کودکان فقط مقدار بسیار کمی
اطلاعات آماری خواهیم داد
اطلاعات آماری خواهیم داد
09:35
supporting one hypothesis over the other,
170
563518
2582
در حمایت از یک فرضیه در مقابل دیگری،
09:38
and we're going to see if babies
can use that to make different decisions
can use that to make different decisions
171
566100
3455
و می‌خواهیم ببینیم که آیا کودکان می‌توانند
از آن استفاده کنند تا تصمیمات مختلف
از آن استفاده کنند تا تصمیمات مختلف
09:41
about what to do.
172
569555
1834
درباره‌ی کاری که
می‌خواهند انجام دهند بگیرند.
می‌خواهند انجام دهند بگیرند.
09:43
Here's the setup.
173
571389
2022
این هم نحوه‌ی انجام آزمایش
09:46
Hyowon is going to try to make
the toy go and succeed.
the toy go and succeed.
174
574071
3030
هیوان تلاش می‌کند صدای
اسباب بازی را در بیاورد و موفق می‌شود.
اسباب بازی را در بیاورد و موفق می‌شود.
09:49
I am then going to try twice
and fail both times,
and fail both times,
175
577101
3320
سپس من دوبار تلاش می‌کنم و
هر دوبار شکست می‌خورم،
هر دوبار شکست می‌خورم،
09:52
and then Hyowon is going
to try again and succeed,
to try again and succeed,
176
580421
3112
و سپس هیوان دوباره
تلاش می‌کند و موفق می‌شود.
تلاش می‌کند و موفق می‌شود.
09:55
and this roughly sums up my relationship
to my graduate students
to my graduate students
177
583533
3172
و این تقریبا رابطه‌ی من با دانشجویان
09:58
in technology across the board.
178
586705
2835
رشته‌های تکنولوژی در مقابل
هیئت مدیره را خلاصه می‌کند.
هیئت مدیره را خلاصه می‌کند.
10:02
But the important point here is
it provides a little bit of evidence
it provides a little bit of evidence
179
590030
3292
اما نکته‌ی مهم اینجا این است که این
شواهد کمی از این ارائه می‌کند که
شواهد کمی از این ارائه می‌کند که
10:05
that the problem isn't with the toy,
it's with the person.
it's with the person.
180
593322
3668
مشکل از اسباب بازی نیست،
از شخصی است که با آن بازی می‌کند.
از شخصی است که با آن بازی می‌کند.
10:08
Some people can make this toy go,
181
596990
2350
بعضی افراد می‌توانند صدایِ
اسباب بازی را در بیاورند
اسباب بازی را در بیاورند
10:11
and some can't.
182
599340
959
و بعضی نمی‌توانند.
10:12
Now, when the baby gets the toy,
he's going to have a choice.
he's going to have a choice.
183
600799
3413
حالا، وقتی که کودک اسباب بازی را می‌گیرد،
او باید یک انتخاب کند.
او باید یک انتخاب کند.
10:16
His mom is right there,
184
604212
2188
مادرش هم همان‌جا است
10:18
so he can go ahead and hand off the toy
and change the person,
and change the person,
185
606400
3315
پس او می‌تواند اسباب بازی را به او بدهد و
شخص را عوض کند،
شخص را عوض کند،
10:21
but there's also going to be
another toy at the end of that cloth,
another toy at the end of that cloth,
186
609715
3158
اما یک اسباب بازی دیگر
هم در انتهای پارچه است
هم در انتهای پارچه است
10:24
and he can pull the cloth towards him
and change the toy.
and change the toy.
187
612873
3552
و او می‌تواند پارچه را به سمت خود بکشد
و اسباب بازی را عوض کند.
و اسباب بازی را عوض کند.
10:28
So let's see what the baby does.
188
616425
2090
خب بیاید ببینیم کودک چکار می‌کند.
10:30
(Video) HG: Two, three. Go!
(Music)
(Music)
189
618515
4183
(ویدیو) هیوان: دو - سه. حالا!
(صدای موسیقی)
(صدای موسیقی)
10:34
LS: One, two, three, go!
190
622698
3131
لورا: یک - دو - سه، حالا!
10:37
Arthur, I'm going to try again.
One, two, three, go!
One, two, three, go!
191
625829
7382
آرتور من یک بار دیگر تلاش می‌کنم.
یک - دو - سه، حالا!
یک - دو - سه، حالا!
10:45
YG: Arthur, let me try again, okay?
192
633677
2600
هیوان: آرتور، بزار من دوباره امتحان کنم،
باشه؟
باشه؟
10:48
One, two, three, go!
(Music)
(Music)
193
636277
4550
یک - دو - سه، حالا!
(صدای موسیقی)
(صدای موسیقی)
10:53
Look at that. Remember these toys?
194
641583
1883
اونو ببین.
این اسباب بازی‌ها رو یادت هست؟
این اسباب بازی‌ها رو یادت هست؟
10:55
See these toys? Yeah, I'm going
to put this one over here,
to put this one over here,
195
643466
3264
این اسباب بازی‌ها رو میبینی؟ آره، من
اینو اینجا میزارم،
اینو اینجا میزارم،
10:58
and I'm going to give this one to you.
196
646730
2062
و این یکی را به تو می‌دهم.
11:00
You can go ahead and play.
197
648792
2335
میتونی باهاش بازی کنی.
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
babies love their mommies.
198
671213
4737
باشه لورا، اما مشخصه که
کودکان عاشق مادرشان هستند.
کودکان عاشق مادرشان هستند.
11:27
Of course babies give toys
to their mommies
to their mommies
199
675950
2182
البته که کودکان اسباب بازی‌هایشان
را به مادرشان می‌دهند
را به مادرشان می‌دهند
11:30
when they can't make them work.
200
678132
2030
وقتی نمی‌توانند آنها را به کار بیاندازند.
11:32
So again, the really important question
is what happens when we change
is what happens when we change
201
680162
3593
پس دوباره، سوال بسیار مهم این است که
وقتی که داده‌های آماری را
وقتی که داده‌های آماری را
11:35
the statistical data ever so slightly.
202
683755
3154
اندکی تغییر دهیم چه اتفاقی می‌افتد.
11:38
This time, babies are going to see the toy
work and fail in exactly the same order,
work and fail in exactly the same order,
203
686909
4087
این بار کودکان با همان ترتیب قبلی
خواهند دید که اسباب بازی کار می‌کند یا خیر
خواهند دید که اسباب بازی کار می‌کند یا خیر
11:42
but we're changing
the distribution of evidence.
the distribution of evidence.
204
690996
2415
اما ما ترتیب شهود را عوض می‌کنیم.
11:45
This time, Hyowon is going to succeed
once and fail once, and so am I.
once and fail once, and so am I.
205
693411
4411
این بار هیوان یک بار موفق می‌شود و
یک بار شکست می‌خورد و من هم همچنین.
یک بار شکست می‌خورد و من هم همچنین.
11:49
And this suggests it doesn't matter
who tries this toy, the toy is broken.
who tries this toy, the toy is broken.
206
697822
5637
و این حاکی از این است که فرقی نمی‌کند
که چه کسی از اسباب بازی استفاده می‌کند،
که چه کسی از اسباب بازی استفاده می‌کند،
11:55
It doesn't work all the time.
207
703459
1886
اسباب بازی خراب است.
گاهی اوقات کار نمی‌کند.
گاهی اوقات کار نمی‌کند.
11:57
Again, the baby's going to have a choice.
208
705345
1965
دوباره، کودک یک انتخاب خواهد داشت.
11:59
Her mom is right next to her,
so she can change the person,
so she can change the person,
209
707310
3396
مادرش کنار اوست،
پس او می‌تواند شخص را عوض کند،
پس او می‌تواند شخص را عوض کند،
12:02
and there's going to be another toy
at the end of the cloth.
at the end of the cloth.
210
710706
3204
و اسباب بازی دیگری در
انتهای پارچه خواهد بود
انتهای پارچه خواهد بود
12:05
Let's watch what she does.
211
713910
1378
بیاید نگاه کنیم که چکار می‌کند.
12:07
(Video) HG: Two, three, go!
(Music)
(Music)
212
715288
4348
(ویدیو) هیوان: دو - سه، حالا!
(صدای موسیقی)
(صدای موسیقی)
12:11
Let me try one more time.
One, two, three, go!
One, two, three, go!
213
719636
4984
بزار یک بار دیگه امتحان کنم.
یک - دو - سه، حالا!
یک - دو - سه، حالا!
12:17
Hmm.
214
725460
1697
هممم.
12:19
LS: Let me try, Clara.
215
727950
2692
لورا: بزار من امتحان کنم کلارا
12:22
One, two, three, go!
216
730642
3945
یک - دو - سه، حالا!
12:27
Hmm, let me try again.
217
735265
1935
همم، بزار دوباره امتحان کنم.
12:29
One, two, three, go!
(Music)
(Music)
218
737200
5670
یک - دو - سه، حالا!
(صدای موسیقی)
(صدای موسیقی)
12:35
HG: I'm going
to put this one over here,
to put this one over here,
219
743009
2233
هیوان: من اینو اینجا می‌گذارم،
12:37
and I'm going to give this one to you.
220
745242
2001
و این یکیو به تو می‌دهم.
12:39
You can go ahead and play.
221
747243
3597
میتونی باهاش بازی کنی.
12:58
(Applause)
222
766376
4897
(تشویق حضار)
13:04
LS: Let me show you
the experimental results.
the experimental results.
223
772993
2392
لورا: اجازه بدید نتایج آزمایش
را به شما نشان دهم
را به شما نشان دهم
13:07
On the vertical axis,
you'll see the distribution
you'll see the distribution
224
775385
2475
بر روی محور عمودی,
توزیع انتخاب کودکان
توزیع انتخاب کودکان
13:09
of children's choices in each condition,
225
777860
2577
در هر حالت را مشاهده می‌کنید،
13:12
and you'll see that the distribution
of the choices children make
of the choices children make
226
780437
4551
و می‌بینید که توزیع انتخاباتی
که کودکان می‌کنند
که کودکان می‌کنند
13:16
depends on the evidence they observe.
227
784988
2787
به شواهدی که مشاهده می‌کنند بستگی دارد.
13:19
So in the second year of life,
228
787775
1857
پس در سال دوم زندگی،
13:21
babies can use a tiny bit
of statistical data
of statistical data
229
789632
2577
کودکان می‌توانند از مقدار بسیار کمی
داده‌های آماری استفاده کنند تا
داده‌های آماری استفاده کنند تا
13:24
to decide between two
fundamentally different strategies
fundamentally different strategies
230
792209
3367
از بین دو استراتژی که از اساس
با یکدیگر متفاوتند انتخاب کنند
با یکدیگر متفاوتند انتخاب کنند
13:27
for acting in the world:
231
795576
1881
برای ایفای نقش در دنیا:
13:29
asking for help and exploring.
232
797457
2743
درخواست کمک و کاوش
13:33
I've just shown you
two laboratory experiments
two laboratory experiments
233
801700
3434
من الان دو آزمایشِ آزمایشگاهی
13:37
out of literally hundreds in the field
that make similar points,
that make similar points,
234
805134
3691
از میان صدها آزمایش که
نکته‌های مشابهی را می‌رسانند، نشان دادم
نکته‌های مشابهی را می‌رسانند، نشان دادم
13:40
because the really critical point
235
808825
2392
چون نکته‌ی بسیار مهم
13:43
is that children's ability
to make rich inferences from sparse data
to make rich inferences from sparse data
236
811217
5108
این است که توانایی کودکان در
استنتاج عمیق از داده‌های پراکنده و کم
استنتاج عمیق از داده‌های پراکنده و کم
13:48
underlies all the species-specific
cultural learning that we do.
cultural learning that we do.
237
816325
5341
زمینه ساز تمام تحقیقاتی است که در یادگیریِ
فرهنگی تمامی گونه‌های خاص انجام می‌دهیم.
فرهنگی تمامی گونه‌های خاص انجام می‌دهیم.
13:53
Children learn about new tools
from just a few examples.
from just a few examples.
238
821666
4597
کودکان تنها با چند مثال در مورد
وسایل جدید یاد می‌گیرند.
وسایل جدید یاد می‌گیرند.
13:58
They learn new causal relationships
from just a few examples.
from just a few examples.
239
826263
4717
رابطه‌های علت و معلولی جدید را
فقط با چند مثال یاد می‌گیرند.
فقط با چند مثال یاد می‌گیرند.
14:03
They even learn new words,
in this case in American Sign Language.
in this case in American Sign Language.
240
831928
4871
آنها حتی کلمه‌های جدید یاد می‌گیرند،
در این مورد، زبان اشاره‌ی آمریکایی.
در این مورد، زبان اشاره‌ی آمریکایی.
14:08
I want to close with just two points.
241
836799
2311
می‌خواهم با فقط دو نکته صحبتم را پایان دهم
14:12
If you've been following my world,
the field of brain and cognitive sciences,
the field of brain and cognitive sciences,
242
840050
3688
اگر دنیای من، رشته‌ی مغز و علوم شناختی،
را دنبال می‌کرده اید،
را دنبال می‌کرده اید،
14:15
for the past few years,
243
843738
1927
در چند سال گذشته،
14:17
three big ideas will have come
to your attention.
to your attention.
244
845665
2415
سه ایده‌ی بزرگ توجه شما را جلب کرده است.
14:20
The first is that this is
the era of the brain.
the era of the brain.
245
848080
3436
اول؛ اکنون دوره‌ی مغز است.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
staggering discoveries in neuroscience:
246
851516
3669
و قطعا اکتشافات متناوبی در
علوم اعصاب اتفاق افتاده است:
علوم اعصاب اتفاق افتاده است:
14:27
localizing functionally specialized
regions of cortex,
regions of cortex,
247
855185
3436
مشخص کردن جایگاه کارکردِ تخصصیِ
بخش‌هایی از قشر مغزی،
بخش‌هایی از قشر مغزی،
14:30
turning mouse brains transparent,
248
858621
2601
واضح ساختن مغزِ موش‌ها
14:33
activating neurons with light.
249
861222
3776
فعال کردنِ نورون‌ها با نور
14:36
A second big idea
250
864998
1996
ایده‌ی بزرگِ دوم این است که
14:38
is that this is the era of big data
and machine learning,
and machine learning,
251
866994
4104
اکنون دوره‌ی اطلاعات بزرگ
(big data) و یادگیری ماشین‌ها است،
(big data) و یادگیری ماشین‌ها است،
14:43
and machine learning promises
to revolutionize our understanding
to revolutionize our understanding
252
871098
3141
و یادگیری ماشین‌ها وعده‌ی
انقلابی کردن فهم ما از همه چیز،
انقلابی کردن فهم ما از همه چیز،
14:46
of everything from social networks
to epidemiology.
to epidemiology.
253
874239
4667
از شبکه‌های اجتماعی تا اپیدمیلوژی
(علم بیماری‌های واگیردار) را می‌دهد.
(علم بیماری‌های واگیردار) را می‌دهد.
14:50
And maybe, as it tackles problems
of scene understanding
of scene understanding
254
878906
2693
و شاید، اینگونه با مشکلاتِ
درک صحنه و پردازش زبان طبیعی
درک صحنه و پردازش زبان طبیعی
14:53
and natural language processing,
255
881599
1993
گلاویز می‌شود
14:55
to tell us something
about human cognition.
about human cognition.
256
883592
3324
تا به ما چیزی در مورد شناخت انسان بگوید.
14:59
And the final big idea you'll have heard
257
887756
1937
و آخرین ایده‌ی بزرگ که
حتما شنیده‌اید این است که
حتما شنیده‌اید این است که
15:01
is that maybe it's a good idea we're going
to know so much about brains
to know so much about brains
258
889693
3387
شاید ایده‌ی خوبی است که ما
آنقدر زیاد در مورد مغز خواهیم دانست
آنقدر زیاد در مورد مغز خواهیم دانست
15:05
and have so much access to big data,
259
893080
1917
و دسترسی بسیار زیادی به
داده‌های بزرگ داشته باشیم
داده‌های بزرگ داشته باشیم
15:06
because left to our own devices,
260
894997
2507
زیرا اگر فقط به دستگاه‌های خودمان باشد،
15:09
humans are fallible, we take shortcuts,
261
897504
3831
انسان‌ها جایزالخطا هستند،
ما میانبر می‌زنیم،
ما میانبر می‌زنیم،
15:13
we err, we make mistakes,
262
901335
3437
ما گمراه می‌شویم، ما اشتباه می‌کنیم،
15:16
we're biased, and in innumerable ways,
263
904772
3684
ما انحرافات ذهنی داریم،
و به حالت‌های بیشماری
و به حالت‌های بیشماری
15:20
we get the world wrong.
264
908456
2969
دنیا را اشتباه می‌فهمیم.
15:24
I think these are all important stories,
265
912843
2949
فکر می‌کنم این‌ها همه
داستان‌های مهمی هستند،
داستان‌های مهمی هستند،
15:27
and they have a lot to tell us
about what it means to be human,
about what it means to be human,
266
915792
3785
و موارد زیادی در مورد معنی انسان بودن
به ما می‌گویند،
به ما می‌گویند،
15:31
but I want you to note that today
I told you a very different story.
I told you a very different story.
267
919577
3529
اما می‌خواهم توجه کنید که امروز
یک داستان بسیار متفاوت به شما گفتم.
یک داستان بسیار متفاوت به شما گفتم.
15:35
It's a story about minds and not brains,
268
923966
3807
این یک داستان در مورد ذهن است و نه مغز.
15:39
and in particular, it's a story
about the kinds of computations
about the kinds of computations
269
927773
3006
و به طور مشخص، این یک داستان
در مورد انواع محاسباتی است که
در مورد انواع محاسباتی است که
15:42
that uniquely human minds can perform,
270
930779
2590
ذهن منحصر به فرد انسان می‌تواند انجام دهد،
15:45
which involve rich, structured knowledge
and the ability to learn
and the ability to learn
271
933369
3944
که شامل دانش عمیق،
طبقه‌بندی شده و توانایی یاد گرفتن از
طبقه‌بندی شده و توانایی یاد گرفتن از
15:49
from small amounts of data,
the evidence of just a few examples.
the evidence of just a few examples.
272
937313
5268
حجم کمی از داده‌ها،
شواهدی فقط از چند مثال. می شود
شواهدی فقط از چند مثال. می شود
15:56
And fundamentally, it's a story
about how starting as very small children
about how starting as very small children
273
944301
4299
و اساسا، داستانی درباره‌ی این است که چگونه
با شروع از کودکانی بسیار کوچک
با شروع از کودکانی بسیار کوچک
16:00
and continuing out all the way
to the greatest accomplishments
to the greatest accomplishments
274
948600
4180
و ادامه دادن تمام مسیر تا
بزرگترین دستاوردهایِ
بزرگترین دستاوردهایِ
16:04
of our culture,
275
952780
3843
تمدنِ ما،
16:08
we get the world right.
276
956623
1997
ما دنیا را درست درک می‌کنیم.
16:12
Folks, human minds do not only learn
from small amounts of data.
from small amounts of data.
277
960433
5267
دوستان، ذهنِ انسان‌ها تنها
از مقدار کم داده‌ها یاد نمی‌گیرد.
از مقدار کم داده‌ها یاد نمی‌گیرد.
16:18
Human minds think
of altogether new ideas.
of altogether new ideas.
278
966285
2101
ذهنِ انسان به ایده‌های
کاملا جدید فکر می‌کند.
کاملا جدید فکر می‌کند.
16:20
Human minds generate
research and discovery,
research and discovery,
279
968746
3041
ذهنِ انسان کاوش و کشف می‌کند،
16:23
and human minds generate
art and literature and poetry and theater,
art and literature and poetry and theater,
280
971787
5273
و ذهنِ انسان هنر و ادبیات
و شعر و تئاتر تولید می‌کند،
و شعر و تئاتر تولید می‌کند،
16:29
and human minds take care of other humans:
281
977070
3760
و ذهنِ انسان از دیگر
انسان‌ها مراقبت می‌کند:
انسان‌ها مراقبت می‌کند:
16:32
our old, our young, our sick.
282
980830
3427
افرادِ مسن، کودکان و بیمارانِ ما.
16:36
We even heal them.
283
984517
2367
ما حتی آنها را درمان می‌کنیم.
16:39
In the years to come, we're going
to see technological innovations
to see technological innovations
284
987564
3103
در سال‌های آتی، ما نوآوری‌هایی
در فناوری خواهیم دید که
در فناوری خواهیم دید که
16:42
beyond anything I can even envision,
285
990667
3797
فراتر از هرچیزی است که
حتی بتوانم تجسم کنم،
حتی بتوانم تجسم کنم،
16:46
but we are very unlikely
286
994464
2150
اما بسیار کم احتمال دارد که
16:48
to see anything even approximating
the computational power of a human child
the computational power of a human child
287
996614
5709
چیزی ببینیم که نزدیک به
قدرتِ محاسباتیِ کودکِ انسان باشد.
قدرتِ محاسباتیِ کودکِ انسان باشد.
16:54
in my lifetime or in yours.
288
1002323
4298
در طول عمر من یا شما.
16:58
If we invest in these most powerful
learners and their development,
learners and their development,
289
1006621
5047
اگر ما در روی یادگیری و پیشرفتِ این
یادگیرندگانِ قدرتمند سرمایه‌گذاری کنیم،
یادگیرندگانِ قدرتمند سرمایه‌گذاری کنیم،
17:03
in babies and children
290
1011668
2917
در نوزادان و کودکان
17:06
and mothers and fathers
291
1014585
1826
و مادران و پدران
17:08
and caregivers and teachers
292
1016411
2699
سرپرستان و معلمان
17:11
the ways we invest in our other
most powerful and elegant forms
most powerful and elegant forms
293
1019110
4170
به نوعی که در قدرتمندترین و ظریف‌ترین
گونه‌های تکنولوژی،
گونه‌های تکنولوژی،
17:15
of technology, engineering and design,
294
1023280
3218
مهندسی و طراحی سرمایه‌گذاری می‌کنیم،
17:18
we will not just be dreaming
of a better future,
of a better future,
295
1026498
2939
ما فقط برای یک آینده‌یِ
بهتر رویا پردازی نمی‌کنیم،
بهتر رویا پردازی نمی‌کنیم،
17:21
we will be planning for one.
296
1029437
2127
برای آن برنامه‌ریزی می‌کنیم.
17:23
Thank you very much.
297
1031564
2345
بسیار متشکرم.
17:25
(Applause)
298
1033909
3421
(تشویق حضار)
17:29
Chris Anderson: Laura, thank you.
I do actually have a question for you.
I do actually have a question for you.
299
1037810
4426
کریس اندرسون: لورا، متشکرم.
من یک سوال از تو دارم.
من یک سوال از تو دارم.
17:34
First of all, the research is insane.
300
1042236
2359
اول از همه، تحقیقات تو دیوانه کننده است.
17:36
I mean, who would design
an experiment like that? (Laughter)
an experiment like that? (Laughter)
301
1044595
3725
منظورم اینه که، کی چنین آزمایشی
رو طراحی می‌کنه؟(خنده)
رو طراحی می‌کنه؟(خنده)
17:41
I've seen that a couple of times,
302
1049150
1790
چند بار آن را نگاه کرده‌ام،
17:42
and I still don't honestly believe
that that can truly be happening,
that that can truly be happening,
303
1050940
3222
و صادقانه بگم، هنوز باورم نمیشه
که آن اتفاق‌ها ممکن است،
که آن اتفاق‌ها ممکن است،
17:46
but other people have done
similar experiments; it checks out.
similar experiments; it checks out.
304
1054162
3158
اما افراد دیگری هم آزمایش‌های
مشابهی انجام داده‌اند، مشخص است:
مشابهی انجام داده‌اند، مشخص است:
17:49
The babies really are that genius.
305
1057320
1633
کودکان واقعا نابغه‌اند.
17:50
LS: You know, they look really impressive
in our experiments,
in our experiments,
306
1058953
3007
لارا: میدونی، در آزمایش‌های ما
بسیار چشمگیر به نظر می‌آیند،
بسیار چشمگیر به نظر می‌آیند،
17:53
but think about what they
look like in real life, right?
look like in real life, right?
307
1061960
2652
اما در مورد این فکر کن که در زندگیِ
واقعی چگونه به نظر می‌آیند، درسته؟
واقعی چگونه به نظر می‌آیند، درسته؟
17:56
It starts out as a baby.
308
1064612
1150
به عنوان یک نوزاد شروع می‌کند.
17:57
Eighteen months later,
it's talking to you,
it's talking to you,
309
1065762
2007
۱۸ ماه بعد،
با ما صحبت می‌کند،
با ما صحبت می‌کند،
17:59
and babies' first words aren't just
things like balls and ducks,
things like balls and ducks,
310
1067769
3041
و اولین کلمه‌های کودکان
فقط چیزهایی مثل توپ و اردک نیست،
فقط چیزهایی مثل توپ و اردک نیست،
18:02
they're things like "all gone,"
which refer to disappearance,
which refer to disappearance,
311
1070810
2881
چیزهایی مثل «رفت» است
که به ناپدید شدن باز می‌گردد،
که به ناپدید شدن باز می‌گردد،
18:05
or "uh-oh," which refer
to unintentional actions.
to unintentional actions.
312
1073691
2283
یا «اوه-اوه» که به فعالیت‌هایِ
غیرعمدی باز می‌گردد.
غیرعمدی باز می‌گردد.
18:07
It has to be that powerful.
313
1075974
1562
باید آنقدر قدرتمند باشد.
18:09
It has to be much more powerful
than anything I showed you.
than anything I showed you.
314
1077536
2775
باید از هر چیزی که نشانتان
دادم قدرتمندتر باشد.
دادم قدرتمندتر باشد.
18:12
They're figuring out the entire world.
315
1080311
1974
آنها در حال فهم تمام دنیا هستند.
18:14
A four-year-old can talk to you
about almost anything.
about almost anything.
316
1082285
3144
یک کودکِ ۴ ساله تقریبا در مورد
همه چیز می‌تواند با ما صحبت کند.
همه چیز می‌تواند با ما صحبت کند.
18:17
(Applause)
317
1085429
1601
(تشویق حضار)
18:19
CA: And if I understand you right,
the other key point you're making is,
the other key point you're making is,
318
1087030
3414
کریس: و اگر درست متوجه شده باشم، نکته‌ی
کلیدی دیگری که بیان می‌کنی این است که
کلیدی دیگری که بیان می‌کنی این است که
18:22
we've been through these years
where there's all this talk
where there's all this talk
319
1090444
2754
ما این سالها را گذراندیم که
صحبت‌های زیادی در مورد اینکه
صحبت‌های زیادی در مورد اینکه
18:25
of how quirky and buggy our minds are,
320
1093198
1932
ذهن‌های ما چقدر دمدمی و پر مشکل است،
وجود داشته است
وجود داشته است
18:27
that behavioral economics
and the whole theories behind that
and the whole theories behind that
321
1095130
2867
اقتصاد رفتاری و تمام تئوری‌های پشت آن
18:29
that we're not rational agents.
322
1097997
1603
که ما عواملِ منطقی نیستیم.
18:31
You're really saying that the bigger
story is how extraordinary,
story is how extraordinary,
323
1099600
4216
تو در واقع می‌گویی که داستانِ بزرگتر،
این است که چه مقدار
این است که چه مقدار
18:35
and there really is genius there
that is underappreciated.
that is underappreciated.
324
1103816
4944
نبوغِ خارق‌العاده وجود دارد که
مورد توجه و قدردانی قرار نگرفته است.
مورد توجه و قدردانی قرار نگرفته است.
18:40
LS: One of my favorite
quotes in psychology
quotes in psychology
325
1108760
2070
لارا: یکی از نقل قول‌های مورد
علاقه‌ی من در روانشناسی
علاقه‌ی من در روانشناسی
18:42
comes from the social
psychologist Solomon Asch,
psychologist Solomon Asch,
326
1110830
2290
از «سالامون اش» ِ روانشناسِ اجتماعی است
18:45
and he said the fundamental task
of psychology is to remove
of psychology is to remove
327
1113120
2807
و او گفته که وظیفه‌ی اساسی
روانشناسی این است که
روانشناسی این است که
18:47
the veil of self-evidence from things.
328
1115927
2626
پرده از بدیهیتِ همه چیز بردارد.
18:50
There are orders of magnitude
more decisions you make every day
more decisions you make every day
329
1118553
4551
مرتبه‌ی بسیار بزرگی از تصمیمات را
روزانه اتخاذ می‌کنیم که
روزانه اتخاذ می‌کنیم که
18:55
that get the world right.
330
1123104
1347
دنیا را درست درک می‌کنند.
18:56
You know about objects
and their properties.
and their properties.
331
1124451
2132
در مورد اشیا و خصوصیات آنها می‌دانیم.
18:58
You know them when they're occluded.
You know them in the dark.
You know them in the dark.
332
1126583
3029
آنها را وقتی بسته‌بندی شده‌اند
یا در تاریکی اند می‌شناسیم.
یا در تاریکی اند می‌شناسیم.
19:01
You can walk through rooms.
333
1129612
1308
می‌توانیم از اتاق‌ها بگذریم.
19:02
You can figure out what other people
are thinking. You can talk to them.
are thinking. You can talk to them.
334
1130920
3532
می‌توانیم بفهمیم که بقیه در مورد چه
فکر می‌کنند. می‌توانیم با آنها صحبت کنیم.
فکر می‌کنند. می‌توانیم با آنها صحبت کنیم.
19:06
You can navigate space.
You know about numbers.
You know about numbers.
335
1134452
2230
می‌توانیم در فضا حرکت کنیم.
در مورد عددها می‌دانیم.
در مورد عددها می‌دانیم.
19:08
You know causal relationships.
You know about moral reasoning.
You know about moral reasoning.
336
1136682
3022
در مورد علت و معلول می‌دانیم.
در مورد استدلال اخلاقی می‌دانیم.
در مورد استدلال اخلاقی می‌دانیم.
19:11
You do this effortlessly,
so we don't see it,
so we don't see it,
337
1139704
2356
این کار را بدون زحمت انجام می‌دهیم،
پس نمی‌بینمش،
پس نمی‌بینمش،
19:14
but that is how we get the world right,
and it's a remarkable
and it's a remarkable
338
1142060
2912
اما اینگونه است که دنیا را درست
درک می‌کنیم، و این قابل توجه است
درک می‌کنیم، و این قابل توجه است
19:16
and very difficult-to-understand
accomplishment.
accomplishment.
339
1144972
2318
و دستاوردی است که خیلی سخت قابل فهم است.
19:19
CA: I suspect there are people
in the audience who have
in the audience who have
340
1147290
2628
کریس: فکر می‌کنم افرادی در
میان مخاطبان هستند که
میان مخاطبان هستند که
19:21
this view of accelerating
technological power
technological power
341
1149918
2238
دیدگاهی در مورد شتاب دادن
به قدرت فناوری دارند که
به قدرت فناوری دارند که
19:24
who might dispute your statement
that never in our lifetimes
that never in our lifetimes
342
1152156
2958
ممکن است با جمله‌ی تو که
در طول عمر ما امکان ندارد که
در طول عمر ما امکان ندارد که
19:27
will a computer do what
a three-year-old child can do,
a three-year-old child can do,
343
1155114
2618
یک کامپیوتر کاری را انجام دهد که یک
کودک ۳ ساله می‌تواند انجام دهد انکار کند
کودک ۳ ساله می‌تواند انجام دهد انکار کند
19:29
but what's clear is that in any scenario,
344
1157732
3248
اما این مشخص است که در هر سناریویی،
19:32
our machines have so much to learn
from our toddlers.
from our toddlers.
345
1160980
3770
ماشین‌های ما چیزهای زیادی برای
یاد گرفتن از کودکان نوپای ما دارند.
یاد گرفتن از کودکان نوپای ما دارند.
19:38
LS: I think so. You'll have some
machine learning folks up here.
machine learning folks up here.
346
1166230
3216
لارا:همین‌طور فکر می‌کنم، دوستانی که
داریم که در فراگیری ماشین کار می‌کنند.
داریم که در فراگیری ماشین کار می‌کنند.
19:41
I mean, you should never bet
against babies or chimpanzees
against babies or chimpanzees
347
1169446
4203
منظورم اینه که، تجربه نشان داده
که هیچوقت نباید بر ضد کودکان یا
که هیچوقت نباید بر ضد کودکان یا
19:45
or technology as a matter of practice,
348
1173649
3645
شامپانزه‌ها یا تکنولوژی شرط ببندیم،
19:49
but it's not just
a difference in quantity,
a difference in quantity,
349
1177294
4528
اما این فقط یک تفاوت در مقدار نیست،
19:53
it's a difference in kind.
350
1181822
1764
این تفاوتی در نوع است.
19:55
We have incredibly powerful computers,
351
1183586
2160
ما کامپیوترهای قدرتمندِ غیرقابل
باوری داریم و
باوری داریم و
19:57
and they do do amazingly
sophisticated things,
sophisticated things,
352
1185746
2391
آنها کارهای پیچیده‌ی
شگفت‌آوری انجام می‌دهند،
شگفت‌آوری انجام می‌دهند،
20:00
often with very big amounts of data.
353
1188137
3204
معمولا با حجم بزرگی از داده‌ها.
20:03
Human minds do, I think,
something quite different,
something quite different,
354
1191341
2607
ذهنِ انسان، فکر می‌کنم
که کار کاملا متفاوتی انجام می‌دهد
که کار کاملا متفاوتی انجام می‌دهد
20:05
and I think it's the structured,
hierarchical nature of human knowledge
hierarchical nature of human knowledge
355
1193948
3895
و فکر می‌کنم این طبیعت سلسله مراتبی
و ساخت‌یافته‌ی انسان است که
و ساخت‌یافته‌ی انسان است که
20:09
that remains a real challenge.
356
1197843
2032
چالش واقعی باقی می‌ماند.
20:11
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
food for thought. Thank you so much.
357
1199875
3061
کریس: لارا شولز، غذای حیرت انگیزی
برای اندیشه بود. بسیار متشکرم.
برای اندیشه بود. بسیار متشکرم.
20:14
LS: Thank you.
(Applause)
(Applause)
358
1202936
2922
لارا: متشکرم
(تشویق حضار)
(تشویق حضار)
ABOUT THE SPEAKER
Laura Schulz - Cognitive scientistDevelopmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn.
Why you should listen
MIT Early Childhood Cognition Lab lead investigator Laura Schulz studies learning in early childhood. Her research bridges computational models of cognitive development and behavioral studies in order to understand the origins of inquiry and discovery.
Working in play labs, children’s museums, and a recently-launched citizen science website, Schultz is reshaping how we view young children’s perceptions of the world around them. Some of the surprising results of her research: before the age of four, children expect hidden causes when events happen probabilistically, use simple experiments to distinguish causal hypotheses, and trade off learning from instruction and exploration.
Laura Schulz | Speaker | TED.com