TED2011
Deb Roy: The birth of a word
דב רוי: הולדתה של מילה
Filmed:
Readability: 4.2
2,809,941 views
דב רוי, חוקר ב-MIT, רצה להבין כיצד בנו התינוק לומד את השפה -- לכן הוא רישת את ביתו במצלמות וידאו כדי ללכוד כל רגע (מלבד כמה חריגים) מחיי בנו, ואחר-כך ניתח 90,000 שעות של וידאו ביתי כדי לראות "גאגה" הופך בהדרגה ל"מים". מחקר מדהים, עשיר בנתונים ובעל השלכות עמוקות על דרכי למידתנו.
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
דמיינו שהייתם יכולים להקליט את חייכם --
00:19
everything you said, everything you did,
1
4000
3000
כל מה שאמרתם, כל מה שעשיתם,
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
זמין במחסן זיכרון הנגיש לקצוות אצבעותיכם,
00:25
so you could go back
3
10000
2000
כך שהייתם יכולים לחזור אחורה
00:27
and find memorable moments and relive them,
4
12000
3000
ולאתר רגעים בלתי נשכחים ולחיות אותם מחדש,
00:30
or sift through traces of time
5
15000
3000
או לברור מתוך עקבות בזמן
00:33
and discover patterns in your own life
6
18000
2000
ולגלות תבניות בחייכם
00:35
that previously had gone undiscovered.
7
20000
3000
שהיו נסתרות לפני-כן.
00:38
Well that's exactly the journey
8
23000
2000
זה בדיוק המסע
00:40
that my family began
9
25000
2000
שמשפחתי החלה בו
00:42
five and a half years ago.
10
27000
2000
לפני חמש וחצי שנים.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
זוהי אישתי ושותפתי, רופאל.
00:47
And on this day, at this moment,
12
32000
2000
וביום זה, ברגע זה,
00:49
we walked into the house with our first child,
13
34000
2000
צעדנו אל תוך הבית ביחד עם בנינו הראשון,
00:51
our beautiful baby boy.
14
36000
2000
בנינו התינוק היפהפה.
00:53
And we walked into a house
15
38000
3000
וצעדנו אל תוך הבית
00:56
with a very special home video recording system.
16
41000
4000
עם מערכת ביתית מאוד מיוחדת להקלטת-וידאו.
01:07
(Video) Man: Okay.
17
52000
2000
(וידאו) גבר: בסדר.
01:10
Deb Roy: This moment
18
55000
1000
דב רוי: רגע זה
01:11
and thousands of other moments special for us
19
56000
3000
ואלפי רגעים אחרים שהם מיוחדים עבורנו,
01:14
were captured in our home
20
59000
2000
הוקלטו בביתינו
01:16
because in every room in the house,
21
61000
2000
מפני שבכל חדר בבית,
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
אם הסתכלתם למעלה, הייתם רואים מצלמה ומיקרופון,
01:21
and if you looked down,
23
66000
2000
ואם הסתכלתם למטה, הייתם רואים
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
את החדר במבט של מעוף-ציפור.
01:25
Here's our living room,
25
70000
3000
הנה הסלון שלנו,
01:28
the baby bedroom,
26
73000
3000
חדר-השינה לתינוק,
01:31
kitchen, dining room
27
76000
2000
מטבח, חדר-אוכל
01:33
and the rest of the house.
28
78000
2000
ושאר הבית.
01:35
And all of these fed into a disc array
29
80000
3000
וכל זה מוזן אל תוך מערך של דיסקים
01:38
that was designed for a continuous capture.
30
83000
3000
שתוכנן להקלטה מתמשכת ורצופה.
01:41
So here we are flying through a day in our home
31
86000
3000
כאן אנו עוברים על יום שלם בביתנו
01:44
as we move from sunlit morning
32
89000
3000
כאשר אנו נעים מבוקר שטוף-שמש
01:47
through incandescent evening
33
92000
2000
דרך ערב זוהר
01:49
and, finally, lights out for the day.
34
94000
3000
ולבסוף, כיבוי אורות לאותו יום.
01:53
Over the course of three years,
35
98000
3000
במהלך שלוש שנים,
01:56
we recorded eight to 10 hours a day,
36
101000
2000
הקלטנו 8-10 שעות ביום,
01:58
amassing roughly a quarter-million hours
37
103000
3000
דבר שהסתכם בערך ב-250 אלף שעות
02:01
of multi-track audio and video.
38
106000
3000
של אודיו ווידאו רבי-ערוצים.
02:04
So you're looking at a piece of what is by far
39
109000
2000
אתם מסתכלים על משהו שנכון לעכשיו
02:06
the largest home video collection ever made.
40
111000
2000
הוא אוסף הוידאו הביתי הגדול ביותר שנוצר אי-פעם.
02:08
(Laughter)
41
113000
3000
(צחוק)
02:11
And what this data represents
42
116000
2000
ומה שהמידע הזה מייצג
02:13
for our family at a personal level,
43
118000
4000
עבור משפחתנו ברמה האישית,
02:17
the impact has already been immense,
44
122000
2000
השפעתו כבר עצומה,
02:19
and we're still learning its value.
45
124000
3000
ואנו עדיין לומדים את משמעותו.
02:22
Countless moments
46
127000
2000
אין-ספור רגעים
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
טבעיים, לא מתוכננים, ללא הצגות,
02:27
are captured there,
48
132000
2000
מוקלטים שם,
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
ואנו מתחילים ללמוד כיצד לאתרם ולגלותם.
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
אבל ישנה גם סיבה מדעית שהניעה מיזם זה,
02:35
which was to use this natural longitudinal data
51
140000
4000
והיא, להשתמש במידע הטבעי והמקיף הזה
02:39
to understand the process
52
144000
2000
כדי להבין את התהליך
02:41
of how a child learns language --
53
146000
2000
בו ילד לומד שפה --
02:43
that child being my son.
54
148000
2000
במקרה זה הילד הוא בני.
02:45
And so with many privacy provisions put in place
55
150000
4000
תוך נקיטת אמצעי זהירות רבים לשמירת הפרטיות
02:49
to protect everyone who was recorded in the data,
56
154000
3000
כדי להגן על כל אחד שהוקלט,
02:52
we made elements of the data available
57
157000
3000
חשפנו נתונים שונים
02:55
to my trusted research team at MIT
58
160000
3000
בפני קבוצת המחקר המוסמכת שלי ב-MIT
02:58
so we could start teasing apart patterns
59
163000
3000
כדי שנוכל להתחיל לסרוק למציאת תבניות
03:01
in this massive data set,
60
166000
3000
במאגר הנתונים האדיר הזה,
03:04
trying to understand the influence of social environments
61
169000
3000
בנסותנו להבין את ההשפעה של סביבות חברתיות
03:07
on language acquisition.
62
172000
2000
על רכישת שפה.
03:09
So we're looking here
63
174000
2000
אנו מסתכלים כאן
03:11
at one of the first things we started to do.
64
176000
2000
על אחד הדברים הראשונים שהתחלנו לעשות.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
כאן אישתי ואני מכינים ארוחת-בוקר במטבח.
03:17
and as we move through space and through time,
66
182000
3000
בעודנו נעים במרחב ובזמן,
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
דפוס יומי בהחלט של חיים במטבח,
03:23
In order to convert
68
188000
2000
כדי להפוך
03:25
this opaque, 90,000 hours of video
69
190000
3000
את 90,000 שעות הוידאו הסתומות למשהו שנוכל
03:28
into something that we could start to see,
70
193000
2000
להתחיל לאבחן בהן משהו,
03:30
we use motion analysis to pull out,
71
195000
2000
אנו משתמשים באנליזת תנועה,
03:32
as we move through space and through time,
72
197000
2000
כאשר אנו נעים דרך מרחב ודרך זמן,
03:34
what we call space-time worms.
73
199000
3000
מה שנקרא תולעות מרחב-זמן.
03:37
And this has become part of our toolkit
74
202000
3000
וזה הפך להיות חלק מארגז הכלים שלנו
03:40
for being able to look and see
75
205000
3000
כדי שנוכל להביט ולראות
03:43
where the activities are in the data,
76
208000
2000
היכן בנתונים נמצאת הפעילות,
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
ואיתה, לאתר את התבנית, ובמיוחד,
03:48
where my son moved throughout the home,
78
213000
2000
באותם המקומות שבני נע ברחבי הבית,
03:50
so that we could focus our transcription efforts,
79
215000
3000
כך שנוכל למקד את מאמצי הבלשנות שלנו,
03:53
all of the speech environment around my son --
80
218000
3000
את כלל סביבת הדיבור, סביב בני --
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
כל המילים שהוא שמע ממני, מאישתי, המטפלת,
03:59
and over time, the words he began to produce.
82
224000
3000
ועם הזמן, המילים שהוא החל ליצור.
04:02
So with that technology and that data
83
227000
3000
כך שעם הטכנולוגיה הזו והנתונים הללו
04:05
and the ability to, with machine assistance,
84
230000
2000
והיכולת, בסיוע מכונה,
04:07
transcribe speech,
85
232000
2000
לשעתק דיבור,
04:09
we've now transcribed
86
234000
2000
הצלחנו לשעתק
04:11
well over seven million words of our home transcripts.
87
236000
3000
יותר משבע מיליון מילים מההקלטות.
04:14
And with that, let me take you now
88
239000
2000
וכעת עם כל זה, אקח אתכם
04:16
for a first tour into the data.
89
241000
3000
לסיור הראשון בנתונים.
04:19
So you've all, I'm sure,
90
244000
2000
אני בטוח שכולכם
04:21
seen time-lapse videos
91
246000
2000
ראיתם פעם סרטון צילום-איטי
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
בו רואים פרח פורח בזמן מואץ.
04:26
I'd like you to now experience
93
251000
2000
הייתי רוצה שתתנסו כעת
04:28
the blossoming of a speech form.
94
253000
2000
בפריחה של צורת דיבור.
04:30
My son, soon after his first birthday,
95
255000
2000
בני, מייד לאחר יום-הולדתו הראשון,
04:32
would say "gaga" to mean water.
96
257000
3000
היה אומר "גאגה" בהתכוונו למים.
04:35
And over the course of the next half-year,
97
260000
3000
ובמהלך חצי שנה הבאה,
04:38
he slowly learned to approximate
98
263000
2000
הוא למד בהדרגה להתקרב
04:40
the proper adult form, "water."
99
265000
3000
אל הצורה ההולמת של בוגרים ,"מים (וואטר)".
04:43
So we're going to cruise through half a year
100
268000
2000
אז אנו עומדים לשייט דרך חצי שנה
04:45
in about 40 seconds.
101
270000
2000
ב-40 שניות.
04:47
No video here,
102
272000
2000
אין כאן וידאו,
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
לכן תוכלו להתרכז בקול, באקוסטיקה,
04:52
of a new kind of trajectory:
104
277000
2000
של נתיב מסוג חדש:
04:54
gaga to water.
105
279000
2000
מגאגה אל מים (וואטר).
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(קול) תינוק: גהגהגהגהגה
05:08
Gaga gaga gaga
107
293000
4000
גגה גגה גגה
05:12
guga guga guga
108
297000
5000
גוגה גוגה גוגה
05:17
wada gaga gaga guga gaga
109
302000
5000
ואדה גגה גגה גוגה גגה
05:22
wader guga guga
110
307000
4000
וואדר גוגה גוגה
05:26
water water water
111
311000
3000
וואטר וואטר וואטר
05:29
water water water
112
314000
6000
וואטר וואטר וואטר
05:35
water water
113
320000
4000
וואטר וואטר
05:39
water.
114
324000
2000
וואטר.
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
הוא עשה את זה, נכון?
05:43
(Applause)
116
328000
7000
(מחיאות כפיים)
05:50
So he didn't just learn water.
117
335000
2000
הוא לא רק למד מים.
05:52
Over the course of the 24 months,
118
337000
2000
במהלך תקופה של 24 חודשים,
05:54
the first two years that we really focused on,
119
339000
3000
בשנתיים הראשונות, שבהן התרכזנו,
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
זוהי מפה של כל המילים שהוא למד בסדר כרונולוגי.
06:01
And because we have full transcripts,
121
346000
3000
ומאחר ויש לנו את כל התעתיקים,
06:04
we've identified each of the 503 words
122
349000
2000
זיהינו כל אחת מה-503 מילים
06:06
that he learned to produce by his second birthday.
123
351000
2000
שהוא למד להגות עד יום הולדתו השני.
06:08
He was an early talker.
124
353000
2000
הוא התחיל לדבר מוקדם.
06:10
And so we started to analyze why.
125
355000
3000
ולכן התחלנו לבדוק למה.
06:13
Why were certain words born before others?
126
358000
3000
מדוע מילים מסויימות נולדו לפני אחרות?
06:16
This is one of the first results
127
361000
2000
זוהי אחת התוצאות הראשונות
06:18
that came out of our study a little over a year ago
128
363000
2000
שהתקבלה ממחקרנו לפני קצת יותר משנה
06:20
that really surprised us.
129
365000
2000
ואשר ממש הפתיעה אותנו.
06:22
The way to interpret this apparently simple graph
130
367000
3000
הדרך לפרש גרף פשוט זה לכאורה
06:25
is, on the vertical is an indication
131
370000
2000
היא שהציר האנכי מתאר
06:27
of how complex caregiver utterances are
132
372000
3000
עד כמה מורכבים הביטויים של המטפלת
06:30
based on the length of utterances.
133
375000
2000
בהתבסס על אורך הביטויים.
06:32
And the [horizontal] axis is time.
134
377000
3000
והציר האופקי זה הזמן.
06:35
And all of the data,
135
380000
2000
ואת כל הנתונים,
06:37
we aligned based on the following idea:
136
382000
3000
סידרנו לפי הרעיון הבא:
06:40
Every time my son would learn a word,
137
385000
3000
בכל פעם שבני למד מילה,
06:43
we would trace back and look at all of the language he heard
138
388000
3000
היינו משחזרים אחורה ומסתכלים על כל השפה שהוא שמע
06:46
that contained that word.
139
391000
2000
ואשר כללה את אותה מילה.
06:48
And we would plot the relative length of the utterances.
140
393000
4000
והיינו משרטטים את האורך היחסי של הביטויים.
06:52
And what we found was this curious phenomena,
141
397000
3000
ומה שמצאנו היתה התופעה המסקרנת
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
שהדיבור של המטפלת היה שוקע בהתמדה למינימום,
06:58
making language as simple as possible,
143
403000
3000
והשפה היתה הופכת לפשוטה ככל האפשר,
07:01
and then slowly ascend back up in complexity.
144
406000
3000
ואז עולה בהדרגה ברמת המורכבות.
07:04
And the amazing thing was
145
409000
2000
והדבר המדהים היה
07:06
that bounce, that dip,
146
411000
2000
שאותה קפיצה, אותה שקיעה,
07:08
lined up almost precisely
147
413000
2000
התאימו כמעט במדוייק
07:10
with when each word was born --
148
415000
2000
למועד הולדתה של מילה כלשהי --
07:12
word after word, systematically.
149
417000
2000
מילה אחר מילה, באופן שיטתי.
07:14
So it appears that all three primary caregivers --
150
419000
2000
כך שנראה שכל שלושת המטפלים --
07:16
myself, my wife and our nanny --
151
421000
3000
אני, אישתי והמטפלת --
07:19
were systematically and, I would think, subconsciously
152
424000
3000
היו בשיטתיות, ואני סבור, באופן תת-הכרתי
07:22
restructuring our language
153
427000
2000
בונים מחדש את שפתינו
07:24
to meet him at the birth of a word
154
429000
3000
כדי לתמוך בו בהולדתה של מילה
07:27
and bring him gently into more complex language.
155
432000
4000
ולהביאו בעדינות אל תוך שפה יותר מורכבת.
07:31
And the implications of this -- there are many,
156
436000
2000
וההשלכות של זה -- הן רבות,
07:33
but one I just want to point out,
157
438000
2000
אבל ברצוני להצביע על אחת,
07:35
is that there must be amazing feedback loops.
158
440000
3000
והיא שחייבות להתקיים לולאות משוב מופלאות.
07:38
Of course, my son is learning
159
443000
2000
כמובן, בני לומד
07:40
from his linguistic environment,
160
445000
2000
מהסביבה הלשונית שלו,
07:42
but the environment is learning from him.
161
447000
3000
אבל הסביבה גם לומדת ממנו.
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
באותה סביבה, אנשים נמצאים בתוך לולאות משוב הדוקות אלו
07:48
and creating a kind of scaffolding
163
453000
2000
ויוצרים מין מערכת פיגומים
07:50
that has not been noticed until now.
164
455000
3000
שעד היום לא שמו אליה לב.
07:54
But that's looking at the speech context.
165
459000
2000
זה כאשר מדובר בהיבט הדיבורי.
07:56
What about the visual context?
166
461000
2000
מה בנוגע להיבט החזותי?
07:58
We're not looking at --
167
463000
2000
איננו מסתכלים על --
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
תחשבו שזה חתך בית-בובות של ביתינו.
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
נטלנו את מצלמות עדשות עין-דג העגולות,
08:05
and we've done some optical correction,
170
470000
2000
ועשינו קצת תיקון אופטי,
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
וכך אנו יכולים להביא זאת למצב תלת-מימדי חי.
08:11
So welcome to my home.
172
476000
2000
אז ברוכים הבאים לביתי.
08:13
This is a moment,
173
478000
2000
זהו רגע,
08:15
one moment captured across multiple cameras.
174
480000
3000
רגע אחד שנלכד באמצעות מספר מצלמות.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
הסיבה שעשינו זאת היתה כדי ליצור מכונה בעלת זיכרון אולטימטיבי,
08:21
where you can go back and interactively fly around
176
486000
3000
בה ניתן לטוס כה וכה באופן אינטראקטיבי
08:24
and then breathe video-life into this system.
177
489000
3000
ואז להפיח חיי-וידאו אל תוך מערכת זו.
08:27
What I'm going to do
178
492000
2000
מה שאני הולך לעשות
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
הוא לתת לכם מבט מואץ של 30 דקות,
08:32
again, of just life in the living room.
180
497000
2000
שוב, רק של חיים בסלון.
08:34
That's me and my son on the floor.
181
499000
3000
זהו בני על הריצפה.
08:37
And there's video analytics
182
502000
2000
ושם זה מנתח וידאו
08:39
that are tracking our movements.
183
504000
2000
אשר עוקב אחר תנועותינו.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
בני משאיר סימן אדום ואני ירוק.
08:44
We're now on the couch,
185
509000
2000
עכשיו אנו על הספה,
08:46
looking out through the window at cars passing by.
186
511000
3000
מתבוננים דרך החלון במכוניות חולפות.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
ולבסוף, בני משחק בצעצוע.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
כעת אנו מקפיאים את התנועה, 30 דקות,
08:55
we turn time into the vertical axis,
189
520000
2000
אנו מסובבים את הזמן לציר אנכי,
08:57
and we open up for a view
190
522000
2000
ואנו פותחים לצפייה
08:59
of these interaction traces we've just left behind.
191
524000
3000
את עקבות האינטראקציה שהשארנו זה עתה מאחור.
09:02
And we see these amazing structures --
192
527000
3000
ואנו רואים מבנים מדהימים --
09:05
these little knots of two colors of thread
193
530000
3000
לשני הקשרים הקטנים הללו של שני קוי צבעים
09:08
we call "social hot spots."
194
533000
2000
אנו קוראים נקודות מפגש חמות.
09:10
The spiral thread
195
535000
2000
לקו החלזוני
09:12
we call a "solo hot spot."
196
537000
2000
אנו קוראים נקודה חמה סולו.
09:14
And we think that these affect the way language is learned.
197
539000
3000
ואנו סבורים שזה משפיע על האופן בו שפה נלמדת.
09:17
What we'd like to do
198
542000
2000
מה שהיינו רוצים לעשות
09:19
is start understanding
199
544000
2000
זה להתחיל להבין
09:21
the interaction between these patterns
200
546000
2000
את האינטראקציה בין שתי תבניות הללו
09:23
and the language that my son is exposed to
201
548000
2000
ואת השפה שבני חשוף אליה
09:25
to see if we can predict
202
550000
2000
כדי לראות אם ניתן לחזות
09:27
how the structure of when words are heard
203
552000
2000
כיצד המבנה של מועד שמיעת המילים
09:29
affects when they're learned --
204
554000
2000
משפיע כאשר הן נלמדות --
09:31
so in other words, the relationship
205
556000
2000
במילים אחרות,
09:33
between words and what they're about in the world.
206
558000
4000
הקשר בין מילים לבין משמעותן בעולם הזה.
09:37
So here's how we're approaching this.
207
562000
2000
וכך ניגשנו לפיתרון.
09:39
In this video,
208
564000
2000
בוידאו זה,
09:41
again, my son is being traced out.
209
566000
2000
שוב, יש מעקב אחר בני.
09:43
He's leaving red ink behind.
210
568000
2000
הוא משאיר סימן אדום.
09:45
And there's our nanny by the door.
211
570000
2000
והנה המטפלת ליד הדלת.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(וידאו) מטפלת: אתה רוצה מים? (תינוק: אההה.)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
מטפלת: בסדר. (תינוק: אההה.)
09:53
DR: She offers water,
214
578000
2000
ד.ר.: היא מציעה מים,
09:55
and off go the two worms
215
580000
2000
ויוצאות שתי התולעות
09:57
over to the kitchen to get water.
216
582000
2000
אל עבר המטבח לקחת מים.
09:59
And what we've done is use the word "water"
217
584000
2000
ומה שעשינו זה השתמשנו במילה "מים"
10:01
to tag that moment, that bit of activity.
218
586000
2000
כדי לסמן את הרגע הזה, את אותו שביב פעולה.
10:03
And now we take the power of data
219
588000
2000
וכעת אנו מנצלים את העוצמה שבנתונים
10:05
and take every time my son
220
590000
3000
ונוטלים את כל הפעמים שבני
10:08
ever heard the word water
221
593000
2000
שמע אי-פעם את המילה מים
10:10
and the context he saw it in,
222
595000
2000
ואת ההקשר בו הוא ראה אותה,
10:12
and we use it to penetrate through the video
223
597000
3000
ומשתמשים בזה כדי לחדור דרך הוידאו
10:15
and find every activity trace
224
600000
3000
ולמצוא כל עיקבה של פעולה
10:18
that co-occurred with an instance of water.
225
603000
3000
אשר התרחשה בו-זמנית עם אירוע המים.
10:21
And what this data leaves in its wake
226
606000
2000
ומה שהנתונים משאירים בשובל שלהם
10:23
is a landscape.
227
608000
2000
זה תוואי-שטח.
10:25
We call these wordscapes.
228
610000
2000
אנו קוראים לזה תוואי-מילים.
10:27
This is the wordscape for the word water,
229
612000
2000
זהו תוואי-המילים עבור המילה מים,
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
ניתן לראות שרוב הפעילות היא במטבח.
10:31
That's where those big peaks are over to the left.
231
616000
3000
שם ישנם שני שיאים גדולים בצד שמאל.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
לשם המחשה, ניתן לעשות זאת עם כל מילה.
10:37
We can take the word "bye"
233
622000
2000
נוכל לקחת את המילה "שלום"
10:39
as in "good bye."
234
624000
2000
כמו ב"הייה שלום".
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
ומתכנסים אל עבר הכניסה של הבית.
10:43
And we look, and we find, as you would expect,
236
628000
3000
מסתכלים, ומוצאים כמצופה,
10:46
a contrast in the landscape
237
631000
2000
שינוי בתוואי-שטח
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
בו המילה "שלום" מתרחשת הרבה יותר באופן מובנה.
10:51
So we're using these structures
239
636000
2000
כך שאנו משתמשים במבנים הללו
10:53
to start predicting
240
638000
2000
כדי לחזות
10:55
the order of language acquisition,
241
640000
3000
את הסדר בו השפה נרכשת,
10:58
and that's ongoing work now.
242
643000
2000
וזו העבודה שנעשית נכון להיום.
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
במעבדה שלי, שאנו מציצים אליה עכשיו, ב-MIT --
11:03
this is at the media lab.
244
648000
2000
זה במעבדת תקשורת.
11:05
This has become my favorite way
245
650000
2000
זו הדרך האהובה עליי
11:07
of videographing just about any space.
246
652000
2000
להקליט על וידאו חלל כלשהו.
11:09
Three of the key people in this project,
247
654000
2000
שלושת אנשי המפתח במיזם זה,
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
מצולמים כאן פיליפ דה-קאמפ, רוני קובאט וברנדון רוי.
11:14
Philip has been a close collaborator
249
659000
2000
פיליפ הוא שותף קרוב ביצירת
11:16
on all the visualizations you're seeing.
250
661000
2000
כל ההמחשות החזותיות שאתם רואים.
11:18
And Michael Fleischman
251
663000
3000
ומייקל פליישמן
11:21
was another Ph.D. student in my lab
252
666000
2000
היה דוקטורנט נוסף במעבדה
11:23
who worked with me on this home video analysis,
253
668000
3000
אשר עבד איתי על אנליזת וידאו ביתי זה,
11:26
and he made the following observation:
254
671000
3000
והוא הבחין בדבר הבא:
11:29
that "just the way that we're analyzing
255
674000
2000
ש"בדיוק באותו אופן בו אנו מנתחים
11:31
how language connects to events
256
676000
3000
כיצד שפה מתקשרת לאירועים
11:34
which provide common ground for language,
257
679000
2000
המעניקים בסיס משותף לשפה,
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
ניתן לקחת את אותו רעיון אל מחוץ לביתך, דב,
11:40
and we can apply it to the world of public media."
259
685000
3000
וניתן ליישמו לעולם של תקשורת ההמונים."
11:43
And so our effort took an unexpected turn.
260
688000
3000
וכך מאמצינו קיבלו תפנית לא צפויה.
11:46
Think of mass media
261
691000
2000
תחשבו על תקשורת המונים
11:48
as providing common ground
262
693000
2000
בתור כזו המעניקה בסיס משותף
11:50
and you have the recipe
263
695000
2000
ויש לכם המתכון
11:52
for taking this idea to a whole new place.
264
697000
3000
ללקיחת רעיון זה אל מקום אחר לגמרי.
11:55
We've started analyzing television content
265
700000
3000
התחלנו לנתח תוכן טלוויזיוני
11:58
using the same principles --
266
703000
2000
תוך שימוש באותם העקרונות --
12:00
analyzing event structure of a TV signal --
267
705000
3000
ניתוח מבנה אירוע של אות טלוויזיה --
12:03
episodes of shows,
268
708000
2000
פרקי סדרות,
12:05
commercials,
269
710000
2000
פרסומות,
12:07
all of the components that make up the event structure.
270
712000
3000
כל המרכיבים שיוצרים מבנה אירוע.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
וכיום אנו מושכים ומנתחים בעזרת צלחות לוויינים
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
חלק גדול מכל תוכניות הטלוויזיה הנצפות בארה"ב.
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
ואין צורך ללכת ולרשת עם מיקרופונים סלונים בבתים
12:19
to get people's conversations,
274
724000
2000
כדי לקלוט שיחות בין אנשים,
12:21
you just tune into publicly available social media feeds.
275
726000
3000
אלא רק להתחבר למשובים חברתיים הזמינים לכל הציבור.
12:24
So we're pulling in
276
729000
2000
כך שאנו מושכים
12:26
about three billion comments a month,
277
731000
2000
כ-3 מיליארד תגובות בחודש.
12:28
and then the magic happens.
278
733000
2000
ואז מתרחש הקסם.
12:30
You have the event structure,
279
735000
2000
יש את מבנה האירוע,
12:32
the common ground that the words are about,
280
737000
2000
הבסיס המשותף שהמילים נסבות סביבו,
12:34
coming out of the television feeds;
281
739000
3000
היוצא מתוך הטלוויזיה;
12:37
you've got the conversations
282
742000
2000
יש את השיחות
12:39
that are about those topics;
283
744000
2000
הקשורות באותם הנושאים;
12:41
and through semantic analysis --
284
746000
3000
ובאמצעות ניתוח סמנטי --
12:44
and this is actually real data you're looking at
285
749000
2000
ובעצם אלה הם הנתונים האמיתיים שאתם רואים עכשיו
12:46
from our data processing --
286
751000
2000
מתוך תהליך עיבוד הנתונים שלנו --
12:48
each yellow line is showing a link being made
287
753000
3000
כל קו צהוב מסמל קישור שנעשה
12:51
between a comment in the wild
288
756000
3000
בין תגובה בתוך הסבך
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
ושביב של מבנה אירוע אשר יוצא מתוך אות הטלוויזיה.
12:57
And the same idea now
290
762000
2000
וכעת ניתן לבנות
12:59
can be built up.
291
764000
2000
את אותו רעיון
13:01
And we get this wordscape,
292
766000
2000
ואנו מקבלים את תוואי-המילים הזה,
13:03
except now words are not assembled in my living room.
293
768000
3000
אלא שכעת המילים אינן מורכבות בסלון שלי.
13:06
Instead, the context, the common ground activities,
294
771000
4000
במקום זה, ההקשר, פעולות הנוגעות לבסיס המשותף,
13:10
are the content on television that's driving the conversations.
295
775000
3000
הוא תוכן טלוויזיוני אשר מדרבן שיחות.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
ומה שאנו רואים כאן, גורדי-השחקים הללו,
13:16
are commentary
297
781000
2000
הם פרשנות הקשורה
13:18
that are linked to content on television.
298
783000
2000
לתוכן טלוויזיוני.
13:20
Same concept,
299
785000
2000
אותו רעיון,
13:22
but looking at communication dynamics
300
787000
2000
אבל בהתבוננות על דינמיקה תקשורתית
13:24
in a very different sphere.
301
789000
2000
בתחום שונה לגמרי.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
ולכן באופן בסיסי, במקום, לדוגמא,
13:28
measuring content based on how many people are watching,
303
793000
3000
מדידת תוכן לפי כמה אנשים צופים בו,
13:31
this gives us the basic data
304
796000
2000
הדבר הזה נותן לנו נתונים בסיסיים
13:33
for looking at engagement properties of content.
305
798000
3000
המאפשרים להסתכל על מידת ההתעסקות בתוכן.
13:36
And just like we can look at feedback cycles
306
801000
3000
ובדיוק כמו שאנו יכולים להסתכל על מעגלים של משובים
13:39
and dynamics in a family,
307
804000
3000
ודינמיקה בתוך משפחה,
13:42
we can now open up the same concepts
308
807000
3000
כעת אנו יכולים לפתוח את אותם הרעיונות
13:45
and look at much larger groups of people.
309
810000
3000
ולהתבונן על קבוצות הרבה יותר גדולות של אנשים.
13:48
This is a subset of data from our database --
310
813000
3000
זוהי תת-מערכת של נתונים מבסיס הנתונים שלנו --
13:51
just 50,000 out of several million --
311
816000
3000
רק 50,000 מתוך כמה מיליונים --
13:54
and the social graph that connects them
312
819000
2000
והגרף החברתי המקשר אותם
13:56
through publicly available sources.
313
821000
3000
באמצעות מקורות הזמינים לכל.
13:59
And if you put them on one plain,
314
824000
2000
ואם תניחו אותם במישור אחד,
14:01
a second plain is where the content lives.
315
826000
3000
המישור השני הוא היכן שמונח התוכן.
14:04
So we have the programs
316
829000
3000
כך שיש לנו את התוכניות
14:07
and the sporting events
317
832000
2000
ואירועי הספורט
14:09
and the commercials,
318
834000
2000
והפרסומות,
14:11
and all of the link structures that tie them together
319
836000
2000
ואת כל מבני הקישור אשר קושרים אותם יחד
14:13
make a content graph.
320
838000
2000
והיוצרים תרשים תוכן.
14:15
And then the important third dimension.
321
840000
4000
ואז מגיע המימד השלישי החשוב.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
כל אחד מהקישורים שאתם רואים כאן
14:21
is an actual connection made
323
846000
2000
הוא קשר אמיתי שנוצר
14:23
between something someone said
324
848000
3000
בין משהו שמישהו אמר
14:26
and a piece of content.
325
851000
2000
לבין קטע של תוכן.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
והנה שוב, עכשיו עשרות מיליוני קישורים כאלה
14:31
that give us the connective tissue of social graphs
327
856000
3000
שנותנים לנו את הריקמה החיבורית של גרפים חברתיים
14:34
and how they relate to content.
328
859000
3000
והאופן בו הם קשורים לתוכן.
14:37
And we can now start to probe the structure
329
862000
2000
וכעת אנו יכולים להתחיל לחקור את המבנה
14:39
in interesting ways.
330
864000
2000
בדרכים מעניינות.
14:41
So if we, for example, trace the path
331
866000
3000
כך שאם אנו לדוגמא עוקבים אחר נתיב
14:44
of one piece of content
332
869000
2000
של קטע תוכן אחד
14:46
that drives someone to comment on it,
333
871000
2000
אשר גורם למישהו להעיר עליו,
14:48
and then we follow where that comment goes,
334
873000
3000
ואז אנו עוקבים להיכן מגיעה אותה הערה,
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
ואחר-כך מסתכלים על כל התרשים החברתי שמופעל
14:54
and then trace back to see the relationship
336
879000
3000
ולאחר-מכן עוקבים כדי לראות את הקשר
14:57
between that social graph and content,
337
882000
2000
בין אותו תרשים חברתי לבין תוכן,
14:59
a very interesting structure becomes visible.
338
884000
2000
מופיע מול עינינו מבנה מאוד מעניין.
15:01
We call this a co-viewing clique,
339
886000
2000
אנו מכנים אותו מועדון צפייה-משותפת,
15:03
a virtual living room if you will.
340
888000
3000
סלון וירטואלי אם תרצו.
15:06
And there are fascinating dynamics at play.
341
891000
2000
דינמיקה מרתקת ממלאת כאן תפקיד.
15:08
It's not one way.
342
893000
2000
זו לא דרך חד-סיטרית.
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
קטע של תוכן, אירוע, גורם למישהו לדבר.
15:13
They talk to other people.
344
898000
2000
הם מדברים לאנשים אחרים.
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
וזה גורם להתנהגות מכווננת החוזרת לתקשורת המונית,
15:18
and you have these cycles
346
903000
2000
ואז מקבלים את המעגלים הללו
15:20
that drive the overall behavior.
347
905000
2000
שמניעים את ההתנהגות הכוללת.
15:22
Another example -- very different --
348
907000
2000
דוגמא אחרת -- שונה מאוד --
15:24
another actual person in our database --
349
909000
3000
אדם אחר בבסיס הנתונים שלנו --
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
ואנו מוצאים לפחות מאות, אם לא אלפים כאלה.
15:30
We've given this person a name.
351
915000
2000
ונתנו שם לאדם זה.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
זהו מקצוען-חובב, מבקר תקשורת
15:35
who has this high fan-out rate.
353
920000
3000
שלדעותיו יש פריסה רחבה.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
כך שהרבה אנשים עוקבים אחר אדם זה -- משפיע מאוד --
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
ויש להם נטייה לדבר על מה משודר בטלוויזיה.
15:43
So this person is a key link
356
928000
3000
כך שאדם זה הוא חוליית מפתח
15:46
in connecting mass media and social media together.
357
931000
3000
המקשרת תקשורת המונית ותקשורת חברתית ביחד.
15:49
One last example from this data:
358
934000
3000
דוגמא אחת אחרונה לנתונים אלה:
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
לפעמים זה בעצם קטע תוכן שהינו מיוחד.
15:55
So if we go and look at this piece of content,
360
940000
4000
כך שאם מסתכלים על קטע תוכן זה,
15:59
President Obama's State of the Union address
361
944000
3000
נאומו של הנשיא אובאמה על מצב האומה
16:02
from just a few weeks ago,
362
947000
2000
לפני מספר שבועות,
16:04
and look at what we find in this same data set,
363
949000
3000
ומסתכלים על מה שמוצאים באותה מערכת נתונים,
16:07
at the same scale,
364
952000
3000
באותו קנה-מידה,
16:10
the engagement properties of this piece of content
365
955000
2000
מידת ההתעסקות בתוכן הזה
16:12
are truly remarkable.
366
957000
2000
היא באמת מרשימה.
16:14
A nation exploding in conversation
367
959000
2000
אומה המתפוצצת בשיחות
16:16
in real time
368
961000
2000
בזמן אמת
16:18
in response to what's on the broadcast.
369
963000
3000
בתגובה למה שמשודר באותו רגע.
16:21
And of course, through all of these lines
370
966000
2000
וכמובן, על-גבי כל השורות הללו
16:23
are flowing unstructured language.
371
968000
2000
זורמת שפה לא-מובנית.
16:25
We can X-ray
372
970000
2000
אנו יכולים לצלם תמונת עומק
16:27
and get a real-time pulse of a nation,
373
972000
2000
ולקבל את דופק האומה בזמן אמיתי,
16:29
real-time sense
374
974000
2000
תחושה בזמן אמיתי
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
של התגובות הציבוריות במעגלים השונים בתרשים החברתי
16:34
being activated by content.
376
979000
3000
אשר מתעוררות בגלל התוכן.
16:37
So, to summarize, the idea is this:
377
982000
3000
לסיכום, הרעיון הוא כזה:
16:40
As our world becomes increasingly instrumented
378
985000
3000
ככל שהעולם הופך לממוכשר יותר
16:43
and we have the capabilities
379
988000
2000
ויש לנו היכולות
16:45
to collect and connect the dots
380
990000
2000
לאסוף ולחבר בין
16:47
between what people are saying
381
992000
2000
מה שאנשים אומרים
16:49
and the context they're saying it in,
382
994000
2000
לבין ההקשר לגביו הם אומרים זאת,
16:51
what's emerging is an ability
383
996000
2000
מה שעולה וצומח היא היכולת
16:53
to see new social structures and dynamics
384
998000
3000
להבחין במבנים חברתיים ודינמיקות חדשים
16:56
that have previously not been seen.
385
1001000
2000
שלא נראו קודם לכן.
16:58
It's like building a microscope or telescope
386
1003000
2000
זה כמו לבנות מיקרוסקופ או טלסקופ
17:00
and revealing new structures
387
1005000
2000
ולגלות מבנים חדשים
17:02
about our own behavior around communication.
388
1007000
3000
של התנהגותנו הנוצרים סביב תקשורת.
17:05
And I think the implications here are profound,
389
1010000
3000
אני סבור שההשלכות הן עמוקות,
17:08
whether it's for science,
390
1013000
2000
בין אם זה לגבי מדע,
17:10
for commerce, for government,
391
1015000
2000
או לגבי מסחר, או לגבי ממשלה,
17:12
or perhaps most of all,
392
1017000
2000
או אולי יותר מהכל,
17:14
for us as individuals.
393
1019000
3000
לגבינו כיחידים.
17:17
And so just to return to my son,
394
1022000
3000
אז אם לחזור לבני,
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
כאשר הכנתי הרצאה זו, הוא הסתכל מעבר לכתפי,
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
והראתי לו את הסרטונים שאני הראתי לכם כאן,
17:25
and I asked him for permission -- granted.
397
1030000
3000
וביקשתי את רשותו -- שניתנה.
17:28
And then I went on to reflect,
398
1033000
2000
ואז המשכתי להרהר בקול רם,
17:30
"Isn't it amazing,
399
1035000
3000
"האין זה מדהים,
17:33
this entire database, all these recordings,
400
1038000
3000
שכל בסיס הנתונים הזה, כל ההקלטות האלו,
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
אני הולך למסור לך ולאחותך,"
17:38
who arrived two years later --
402
1043000
3000
שהגיעה לעולם שנתיים יותר מאוחר.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"ואתם תהיו מסוגלים לשוב אחורה ולחוות מחדש רגעים
17:44
that you could never, with your biological memory,
404
1049000
3000
שלא הייתם יכולים אף פעם, עם הזיכרון הביולוגי שלכם,
17:47
possibly remember the way you can now?"
405
1052000
2000
לזכור באופן בו אתם יכולים כעת."
17:49
And he was quiet for a moment.
406
1054000
2000
והוא השתתק לרגע.
17:51
And I thought, "What am I thinking?
407
1056000
2000
ואני חשבתי, "מה אני חושב לעצמי?
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
הוא רק בן 5. הוא בטח לא יבין את זה."
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
ובדיוק כאשר המחשבה הזו עברה במוחי, הוא הרים את מבטו ואמר,
17:58
"So that when I grow up,
410
1063000
2000
"אז כאשר אני אגדל,
18:00
I can show this to my kids?"
411
1065000
2000
אוכל להראות את זה לילדיי?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
ואני חשבתי לעצמי, "וואו, זה משהו עוצמתי."
18:05
So I want to leave you
413
1070000
2000
אם כך, ברצוני להשאיר אתכם
18:07
with one last memorable moment
414
1072000
2000
עם רגע אחד אחרון בלתי-נשכח
18:09
from our family.
415
1074000
3000
הקשור במשפחתי.
18:12
This is the first time our son
416
1077000
2000
זוהי הפעם הראשונה שבני
18:14
took more than two steps at once --
417
1079000
2000
עשה יותר משני צעדים רצוף --
18:16
captured on film.
418
1081000
2000
וצולם במצלמה.
18:18
And I really want you to focus on something
419
1083000
3000
ואני רוצה שתתרכזו במשהו
18:21
as I take you through.
420
1086000
2000
בעוד אני מוביל אתכם.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
זו סביבה מבולגנת; אלה חיים רגילים.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
אימי מבשלת במטבח,
18:27
and, of all places, in the hallway,
423
1092000
2000
ומכל המקומות, במסדרון,
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
אני מגלה שהוא עומד לעשות זאת, לבצע יותר משני צעדים.
18:32
And so you hear me encouraging him,
425
1097000
2000
ולכן שומעים אותי מעודד אותו,
18:34
realizing what's happening,
426
1099000
2000
תופס מה קורה כאן,
18:36
and then the magic happens.
427
1101000
2000
ואז הקסם מתרחש.
18:38
Listen very carefully.
428
1103000
2000
הקשיבו היטב.
18:40
About three steps in,
429
1105000
2000
לאחר כשלושה צעדים,
18:42
he realizes something magic is happening,
430
1107000
2000
הוא מבין שיש כאן איזה קסם שקורה.
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
ואז מתפרץ פנימה המשוב הכי מדהים מכולם,
18:47
and he takes a breath in,
432
1112000
2000
הוא שואף פנימה,
18:49
and he whispers "wow"
433
1114000
2000
ואז לוחש "וואו"
18:51
and instinctively I echo back the same.
434
1116000
4000
ובאופן אינסטינקטיבי חוזר ממני מין הד זהה.
18:56
And so let's fly back in time
435
1121000
3000
אז הבה נפליג אחורה בזמן
18:59
to that memorable moment.
436
1124000
2000
אל אותו רגע בלתי נשכח.
19:05
(Video) DR: Hey.
437
1130000
2000
(סרטון) ד.ר.: היי.
19:07
Come here.
438
1132000
2000
בוא לכאן.
19:09
Can you do it?
439
1134000
3000
האם תוכל לעשות זאת?
19:13
Oh, boy.
440
1138000
2000
אוי.
19:15
Can you do it?
441
1140000
3000
האם תוכל לעשות זאת?
19:18
Baby: Yeah.
442
1143000
2000
תינוק: וואו.
19:20
DR: Ma, he's walking.
443
1145000
3000
ד.ר.: (וואו). אימא, הוא הולך.
19:24
(Laughter)
444
1149000
2000
(צחוק)
19:26
(Applause)
445
1151000
2000
(מחיאות כפיים)
19:28
DR: Thank you.
446
1153000
2000
ד.ר.: תודה לכם.
19:30
(Applause)
447
1155000
15000
(מחיאות כפיים)
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