TEDGlobal 2011
Alison Gopnik: What do babies think?
Alison Gopnik: Mi járhat a kisbabák fejében?
Filmed:
Readability: 3.4
4,341,974 views
"A csecsemők és a kisgyerekek mintha az emberiség kutatás-fejlesztési részlege lennének" állítja Alison Gopnik pszichológus. Kutatása a kisgyerekek játékközbeni kifinomult információ gyűjtési és döntéshozatali módszereire fókuszál.
Alison Gopnik - Child development psychologist
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do. Full bio
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do. Full bio
Double-click the English transcript below to play the video.
00:15
What is going on
0
0
2000
Mi zajlik
00:17
in this baby's mind?
1
2000
2000
ennek a babának a fejében?
00:19
If you'd asked people this 30 years ago,
2
4000
2000
Ha ezt 30 éve kérdeztük volna az emberektől,
00:21
most people, including psychologists,
3
6000
2000
a legtöbben, beleértve a pszihológusokat is,
00:23
would have said that this baby was irrational,
4
8000
3000
azt válaszolták volna, hogy ez a baba irracionális,
00:26
illogical, egocentric --
5
11000
2000
logikátlan és egocentrikus --
00:28
that he couldn't take the perspective of another person
6
13000
2000
nem képes egy másik személy perspektívájából szemlélni
00:30
or understand cause and effect.
7
15000
2000
vagy az ok-okozatokat megérteni.
00:32
In the last 20 years,
8
17000
2000
Az elmúlt 20 évben,
00:34
developmental science has completely overturned that picture.
9
19000
3000
a fejlődéstudomány teljesen felborította ezt a képet.
00:37
So in some ways,
10
22000
2000
Ma már inkább
00:39
we think that this baby's thinking
11
24000
2000
azt gondoljuk, hogy e baba gondolkodása
00:41
is like the thinking of the most brilliant scientists.
12
26000
4000
a legbrilliánsabb tudósokéhoz hasonlítható.
00:45
Let me give you just one example of this.
13
30000
2000
Engedjék meg hogy ezt bemutassam.
00:47
One thing that this baby could be thinking about,
14
32000
3000
Az egyik dolog, amin ez a baba gondolkodhat,
00:50
that could be going on in his mind,
15
35000
2000
ami a fejében járhat,
00:52
is trying to figure out
16
37000
2000
az az, hogy próbálja kitalálni,
00:54
what's going on in the mind of that other baby.
17
39000
3000
hogy az a másik baba min gondolkodhat.
00:57
After all, one of the things that's hardest for all of us to do
18
42000
3000
Tulajdonképpen az egyik legnehezebb dolog számunkra az,
01:00
is to figure out what other people are thinking and feeling.
19
45000
3000
hogy kitaláljuk mit is gondolhatnak vagy érezhetnek mások.
01:03
And maybe the hardest thing of all
20
48000
2000
És talán a legnehezebb az egészben az,
01:05
is to figure out that what other people think and feel
21
50000
3000
hogy rá kell jöjjünk, hogy amit mások gondolnak és éreznek,
01:08
isn't actually exactly like what we think and feel.
22
53000
2000
az egyáltalán nem ugyanaz, amit mi gondolunk és érzünk.
01:10
Anyone who's followed politics can testify
23
55000
2000
Bárki aki követi a politikát, igazolhatja,
01:12
to how hard that is for some people to get.
24
57000
3000
hogy milyen nehezen is megy ez egyeseknek.
01:15
We wanted to know
25
60000
2000
Mi azt szerettük volna tudni,
01:17
if babies and young children
26
62000
2000
hogy a babák és kisgyerekek vajon megértik-e
01:19
could understand this really profound thing about other people.
27
64000
3000
ezt az egészen alapvető dolgot a többi emberrel kapcsolatban.
01:22
Now the question is: How could we ask them?
28
67000
2000
A kérdés az: Hogyan kérdezzük ezt meg tőlük?
01:24
Babies, after all, can't talk,
29
69000
2000
A babák ugyebár nem tudnak beszélni
01:26
and if you ask a three year-old
30
71000
2000
és ha megkérdezünk egy háromévest
01:28
to tell you what he thinks,
31
73000
2000
arról hogy mit is gondol,
01:30
what you'll get is a beautiful stream of consciousness monologue
32
75000
3000
válaszul egy gyönyörű, tudatos monológot kapunk
01:33
about ponies and birthdays and things like that.
33
78000
3000
pónikról, születésnapokról és más hasonló dolgokról.
01:36
So how do we actually ask them the question?
34
81000
3000
Szóval hogy is tegyük fel a kérdést?
01:39
Well it turns out that the secret was broccoli.
35
84000
3000
Kiderült, hogy a kulcs a brokkoliban rejlik.
01:42
What we did -- Betty Rapacholi, who was one of my students, and I --
36
87000
4000
Azt tettük -- egyik tanítványom, Betty Rapacholi és én -
01:46
was actually to give the babies two bowls of food:
37
91000
3000
hogy a babáknak két tálka ételt adtunk:
01:49
one bowl of raw broccoli
38
94000
2000
egyikben nyers brokkoli
01:51
and one bowl of delicious goldfish crackers.
39
96000
3000
a másikban ínycsiklandozó halacskás rágcsálnivaló volt.
01:54
Now all of the babies, even in Berkley,
40
99000
3000
Minden baba, még a Berkley -en is,
01:57
like the crackers and don't like the raw broccoli.
41
102000
3000
a rágcsálnivalót és nem a nyers brokkolit szereti!
02:00
(Laughter)
42
105000
2000
(Nevetés)
02:02
But then what Betty did
43
107000
2000
Betty viszont
02:04
was to take a little taste of food from each bowl.
44
109000
3000
megkóstolt egy falatnyit mindkét tálkából.
02:07
And she would act as if she liked it or she didn't.
45
112000
2000
Úgy tett, mintha ízlett vagy nem ízlett volna neki a falat.
02:09
So half the time, she acted
46
114000
2000
Az esetek felében úgy tett
02:11
as if she liked the crackers and didn't like the broccoli --
47
116000
2000
mintha tetszett volna neki a rágcsálnivaló és a brokkoli nem -
02:13
just like a baby and any other sane person.
48
118000
3000
mint minden babának és józan embernek.
02:16
But half the time,
49
121000
2000
Az esetek másik felében viszont,
02:18
what she would do is take a little bit of the broccoli
50
123000
2000
vett egy kis darabkát a brokkoliból
02:20
and go, "Mmmmm, broccoli.
51
125000
3000
és azt mondta "Mmmmm, brokkoli.
02:23
I tasted the broccoli. Mmmmm."
52
128000
3000
Megkóstoltam a brokkolit. Mmmmm."
02:26
And then she would take a little bit of the crackers,
53
131000
2000
Ezután vett a rágcsálnivalóból is,
02:28
and she'd go, "Eww, yuck, crackers.
54
133000
4000
és ezt mondta, "Fúúj, bleee, rágcsa.
02:32
I tasted the crackers. Eww, yuck."
55
137000
3000
Megkóstoltam a rágcsálnivalót. Fúúj, bleee."
02:35
So she'd act as if what she wanted
56
140000
2000
Tehát úgy tett, mintha
02:37
was just the opposite of what the babies wanted.
57
142000
3000
az ellenkezőjét szeretné, mint amit a babák.
02:40
We did this with 15 and 18 month-old babies.
58
145000
2000
Kipróbáltuk ezt 15 és 18 hónapos babákkal.
02:42
And then she would simply put her hand out and say,
59
147000
3000
Ezután Betty kinyújtotta a kezét és azt mondta,
02:45
"Can you give me some?"
60
150000
2000
"Adnál nekem egyet?"
02:47
So the question is: What would the baby give her,
61
152000
2000
A kérdés a következő: Melyikből ad a baba,
02:49
what they liked or what she liked?
62
154000
2000
amit ő maga szeret, vagy amit úgy gondol, hogy Betty szeretne?
02:51
And the remarkable thing was that 18 month-old babies,
63
156000
3000
A figyelemre méltó az volt, hogy a 18 hónapos babák,
02:54
just barely walking and talking,
64
159000
2000
akik még alig tudtak járni és beszélni,
02:56
would give her the crackers if she liked the crackers,
65
161000
3000
a rágcsát adták neki amikor azt szerette,
02:59
but they would give her the broccoli if she liked the broccoli.
66
164000
3000
de a brokkolit, amikor arról jelezte hogy szereti.
03:02
On the other hand,
67
167000
2000
Viszont,
03:04
15 month-olds would stare at her for a long time
68
169000
2000
a 15 hónapos babák bámultak rá hosszan
03:06
if she acted as if she liked the broccoli,
69
171000
2000
amikor azt mutatta hogy a brokkolit szereti,
03:08
like they couldn't figure this out.
70
173000
3000
mintha nem értenék.
03:11
But then after they stared for a long time,
71
176000
2000
Majd hosszú idő után
03:13
they would just give her the crackers,
72
178000
2000
a rágcsálnivalóból adtak neki
03:15
what they thought everybody must like.
73
180000
2000
amiről azt gondolták hogy az mindenki kedvence.
03:17
So there are two really remarkable things about this.
74
182000
3000
Tehát itt van két igazán figyelemre méltó dolog ezzel kapcsolatban.
03:20
The first one is that these little 18 month-old babies
75
185000
3000
Az első, hogy ezek a 18 hónapos babák
03:23
have already discovered
76
188000
2000
már felfedezték
03:25
this really profound fact about human nature,
77
190000
2000
az emberi természet egyik alapvető tényezőjét,
03:27
that we don't always want the same thing.
78
192000
2000
hogy nem mindig szeretjük ugyanazt a dolgot.
03:29
And what's more, they felt that they should actually do things
79
194000
2000
Sőt, mi több, úgy érezték hogy nekik tenniük kell valamit azért
03:31
to help other people get what they wanted.
80
196000
3000
hogy a másik ember megkaphassa azt amit szeretne.
03:34
Even more remarkably though,
81
199000
2000
Még ennél is figyelemre méltóbb tény,
03:36
the fact that 15 month-olds didn't do this
82
201000
3000
hogy a 15 hónapos babák nem tudták ezt
03:39
suggests that these 18 month-olds had learned
83
204000
3000
az sugallja, hogy 18 hónaposan már megtanulják
03:42
this deep, profound fact about human nature
84
207000
3000
ezt a mély, alapvető tényezőt az ember természettel kapcsolatban
03:45
in the three months from when they were 15 months old.
85
210000
3000
3 hónapon belül 15 hónapos koruktól számítva.
03:48
So children both know more and learn more
86
213000
2000
Tehát a gyerekek többet tudnak és többet tanulnak
03:50
than we ever would have thought.
87
215000
2000
mint amit eddig sejtettünk.
03:52
And this is just one of hundreds and hundreds of studies over the last 20 years
88
217000
4000
És ez csak egy az elmúlt 20 év száz és száz kutatásából
03:56
that's actually demonstrated it.
89
221000
2000
melyek mind ezt tanusítják.
03:58
The question you might ask though is:
90
223000
2000
Joggal merülhet fel a kérdés:
04:00
Why do children learn so much?
91
225000
3000
Miért tanulnak a gyerekek ilyen sokat?
04:03
And how is it possible for them to learn so much
92
228000
2000
És hogyan lehetséges az, hogy ilyen sokat tanulnak
04:05
in such a short time?
93
230000
2000
ilyen rövid idő alatt?
04:07
I mean, after all, if you look at babies superficially,
94
232000
2000
Úgy értem, ha a babákra felületesen tekintünk,
04:09
they seem pretty useless.
95
234000
2000
elég haszontalannak tűnnek.
04:11
And actually in many ways, they're worse than useless,
96
236000
3000
És többféle értelemben a haszontalannál is roszabbak,
04:14
because we have to put so much time and energy
97
239000
2000
mivel annyi időt és energiát kell fordítanunk
04:16
into just keeping them alive.
98
241000
2000
már az életben tartásukra is.
04:18
But if we turn to evolution
99
243000
2000
De ha az evolúcióhoz fodulunk
04:20
for an answer to this puzzle
100
245000
2000
választ keresve erre a rejtvényre
04:22
of why we spend so much time
101
247000
2000
miszerint miért is fordítunk ennyi időt
04:24
taking care of useless babies,
102
249000
3000
a haszontalan babák ápolására
04:27
it turns out that there's actually an answer.
103
252000
3000
kiderült hogy van rá helyes válasz.
04:30
If we look across many, many different species of animals,
104
255000
3000
Ha szétnézünk a különböző állatfajok között,
04:33
not just us primates,
105
258000
2000
nem csak az emlősök között,
04:35
but also including other mammals, birds,
106
260000
2000
de egyéb emlősök, madarak,
04:37
even marsupials
107
262000
2000
erszényesek között is
04:39
like kangaroos and wombats,
108
264000
2000
mint pl. a kenguruk és vombatok,
04:41
it turns out that there's a relationship
109
266000
2000
kiderül hogy van kapcsolat
04:43
between how long a childhood a species has
110
268000
4000
aközött hogy milyen hosszú a különböző fajok gyerekkora
04:47
and how big their brains are compared to their bodies
111
272000
4000
és milyen nagy az agytérfogata a testükhöz képest
04:51
and how smart and flexible they are.
112
276000
2000
és milyen okos és rugalmas az adott faj.
04:53
And sort of the posterbirds for this idea are the birds up there.
113
278000
3000
Ennek az elvnek remek példái a fenti madarak.
04:56
On one side
114
281000
2000
Először is itt van
04:58
is a New Caledonian crow.
115
283000
2000
az Új Caledóniai varjú.
05:00
And crows and other corvidae, ravens, rooks and so forth,
116
285000
3000
A varjúfélék, a hollók stb.,
05:03
are incredibly smart birds.
117
288000
2000
hihetetlenül okos madarak.
05:05
They're as smart as chimpanzees in some respects.
118
290000
3000
Bizonyos tekintetben a csimpánz szintjén állnak.
05:08
And this is a bird on the cover of science
119
293000
2000
Ez a madár ami itt látható a Science borítóján,
05:10
who's learned how to use a tool to get food.
120
295000
3000
amelyik megtanulta hogyan használjon eszközt a táplálékszerzéshez.
05:13
On the other hand,
121
298000
2000
Másrészről
05:15
we have our friend the domestic chicken.
122
300000
2000
itt vannak a mi barátaink, a házi csirkék.
05:17
And chickens and ducks and geese and turkeys
123
302000
3000
A csirkék és kacsák és libák és pulykák
05:20
are basically as dumb as dumps.
124
305000
2000
mind olyan buták mint a sötét éjszaka.
05:22
So they're very, very good at pecking for grain,
125
307000
3000
Nagyon nagyon jók a gabona csipegetésében,
05:25
and they're not much good at doing anything else.
126
310000
3000
és nagyjából semmi másban nem jeleskednek.
05:28
Well it turns out that the babies,
127
313000
2000
Az a helyzet, a fiókáik,
05:30
the New Caledonian crow babies, are fledglings.
128
315000
2000
az Új Kaledóniai varjú bébik zöldfülűek.
05:32
They depend on their moms
129
317000
2000
A mamájuktól függenek
05:34
to drop worms in their little open mouths
130
319000
3000
aki kukacokat dob a kicsi nyitott csőrükbe
05:37
for as long as two years,
131
322000
2000
körülbelül két évig,
05:39
which is a really long time in the life of a bird.
132
324000
2000
ami elég hosszú idő egy madáröltőt tekintve.
05:41
Whereas the chickens are actually mature
133
326000
2000
Ezzel szemben a csirkék gyakorlatilag már
05:43
within a couple of months.
134
328000
2000
felnőttnek számítanak néhány hónapon belül.
05:45
So childhood is the reason
135
330000
3000
Tehát a gyerekkor az oka annak,
05:48
why the crows end up on the cover of Science
136
333000
2000
amiért a varjak a Science borítóján kötnek ki
05:50
and the chickens end up in the soup pot.
137
335000
2000
míg a csirkék csak a leveses tálig jutnak.
05:52
There's something about that long childhood
138
337000
3000
Van valami a hosszú gyerekkorral kapcsolatban
05:55
that seems to be connected
139
340000
2000
ami szoros viszonyban áll
05:57
to knowledge and learning.
140
342000
2000
a tudással és a tanulással.
05:59
Well what kind of explanation could we have for this?
141
344000
3000
Milyen magyarázatunk lehet erre?
06:02
Well some animals, like the chicken,
142
347000
3000
Bizonyos állatok, mint például a csirke,
06:05
seem to be beautifully suited
143
350000
2000
úgy tűnik arra vannak szabva
06:07
to doing just one thing very well.
144
352000
2000
hogy egyetlen dolgot tudjanak nagyon jól.
06:09
So they seem to be beautifully suited
145
354000
3000
Így például arra vannak tervezve
06:12
to pecking grain in one environment.
146
357000
2000
hogy gabonát csipegessenek egy bizonyos környezetben.
06:14
Other creatures, like the crows,
147
359000
2000
Más teremtmények, mint például a varjak,
06:16
aren't very good at doing anything in particular,
148
361000
2000
nem túl jók egyetlen speciális területen sem,
06:18
but they're extremely good
149
363000
2000
de kiválóak abban
06:20
at learning about laws of different environments.
150
365000
2000
hogy különböző környezetek szabályait megtanulják.
06:22
And of course, we human beings
151
367000
2000
Természetesen mi emberek
06:24
are way out on the end of the distribution like the crows.
152
369000
3000
mesze a túlvégén vagyunk annak a sornak amiben a varjak állnak.
06:27
We have bigger brains relative to our bodies
153
372000
2000
Sokkal nagyobb agyunk van a testünkhöz képest
06:29
by far than any other animal.
154
374000
2000
bármelyik állathoz viszonyítva.
06:31
We're smarter, we're more flexible,
155
376000
2000
Okosabbak, rugalmasabbak vagyunk
06:33
we can learn more,
156
378000
2000
többet tudunk tanulni
06:35
we survive in more different environments,
157
380000
2000
túlélünk sokféle környezetben,
06:37
we migrated to cover the world and even go to outer space.
158
382000
3000
benépesítettük a világot és még űrutazásra is képesek vagyunk.
06:40
And our babies and children are dependent on us
159
385000
3000
És a mi babáink és gyermekeink sokkal hosszabb időn át
06:43
for much longer than the babies of any other species.
160
388000
3000
függenek tőlünk, mint bármely más faj gyermekei.
06:46
My son is 23.
161
391000
2000
A fiam most 23 éves.
06:48
(Laughter)
162
393000
2000
(Nevetés)
06:50
And at least until they're 23,
163
395000
2000
És legalább 23 éves korukig
06:52
we're still popping those worms
164
397000
2000
folyamatosan dobáljuk a kukacokat
06:54
into those little open mouths.
165
399000
3000
azokba a kis nyitott szájakba.
06:57
All right, why would we see this correlation?
166
402000
3000
Rendben tehát, mire is alapozzuk ezt az összefüggést?
07:00
Well an idea is that that strategy, that learning strategy,
167
405000
4000
Az elméletünk szerint ez a stratégia, ez a tanuló stratégia,
07:04
is an extremely powerful, great strategy for getting on in the world,
168
409000
3000
hihetetlenül hatékony és kiváló stratégia a világban való boldoguláshoz,
07:07
but it has one big disadvantage.
169
412000
2000
ámbár van egy igen nagy hátránya.
07:09
And that one big disadvantage
170
414000
2000
Ez a nagy hátrány
07:11
is that, until you actually do all that learning,
171
416000
3000
pedig az, hogy amíg tanulsz,
07:14
you're going to be helpless.
172
419000
2000
kiszolgáltatott vagy.
07:16
So you don't want to have the mastodon charging at you
173
421000
3000
Tehát nem szerencsés hogy amikor a masztodon feléd rohan
07:19
and be saying to yourself,
174
424000
2000
azon tépelődj, hogy:
07:21
"A slingshot or maybe a spear might work. Which would actually be better?"
175
426000
4000
"A csúzli vagy talán a dárda működhet. Vajon melyik lenne a jobb?"
07:25
You want to know all that
176
430000
2000
Mindezt már azelőtt tudnod kell,
07:27
before the mastodons actually show up.
177
432000
2000
hogy a masztodon ténylegesen megjelenne.
07:29
And the way the evolutions seems to have solved that problem
178
434000
3000
Úgy tűnik hogy ezt a problémát az evolúció valamiféle
07:32
is with a kind of division of labor.
179
437000
2000
munkamegosztással oldotta meg.
07:34
So the idea is that we have this early period when we're completely protected.
180
439000
3000
Tehát az elmélet az, hogy az életünk korai szakaszában teljes mértékben védettek vagyunk.
07:37
We don't have to do anything. All we have to do is learn.
181
442000
3000
Nem kell semmit sem tennünk. Minden amit tennünk kell az a tanulás.
07:40
And then as adults,
182
445000
2000
Később mint felnőttek,
07:42
we can take all those things that we learned when we were babies and children
183
447000
3000
mindazt amit babaként és gyerekként megtanultunk
07:45
and actually put them to work to do things out there in the world.
184
450000
3000
felhasználhatjuk és életre kelthetjük.
07:48
So one way of thinking about it
185
453000
2000
Erre gondolhatunk úgy
07:50
is that babies and young children
186
455000
2000
hogy a babák és a kisgyerekek
07:52
are like the research and development division of the human species.
187
457000
3000
valamiféle kutatás és fejlesztési részlege az emberi fajnak.
07:55
So they're the protected blue sky guys
188
460000
3000
Ők a védett kékruhások
07:58
who just have to go out and learn and have good ideas,
189
463000
2000
akiknek csak tanulniuk kell és ötletelniük,
08:00
and we're production and marketing.
190
465000
2000
és mi vagyunk a kivitelezők és a marketingesek.
08:02
We have to take all those ideas
191
467000
2000
Fognunk kell azokat az ötleteket,
08:04
that we learned when we were children
192
469000
2000
amiket gyerekként tanultunk és találtunk ki
08:06
and actually put them to use.
193
471000
2000
és meg kell valósítanunk!
08:08
Another way of thinking about it
194
473000
2000
Egy másik megközelítése ennek
08:10
is instead of thinking of babies and children
195
475000
2000
hogy ahelyett, hogy a babákra és a gyerekekre
08:12
as being like defective grownups,
196
477000
2000
csökkent képességű felnőttként gondolunk,
08:14
we should think about them
197
479000
2000
képzelhetjük őket
08:16
as being a different developmental stage of the same species --
198
481000
2000
ugyanezen faj egy eltérő fejlődési stádiumában járó egyedének --
08:18
kind of like caterpillars and butterflies --
199
483000
3000
a hernyókhoz és pillangókhoz hasonlóan --
08:21
except that they're actually the brilliant butterflies
200
486000
2000
kivéve hogy ebben az esetben ők a brilliáns pillangók
08:23
who are flitting around the garden and exploring,
201
488000
3000
akik a kertben röpködnek és felderítenek,
08:26
and we're the caterpillars
202
491000
2000
és mi vagyunk a hernyók,
08:28
who are inching along our narrow, grownup, adult path.
203
493000
3000
akik a szűk, felnőtt ösvényünkön araszolunk.
08:31
If this is true, if these babies are designed to learn --
204
496000
3000
Ha ez igaz, ha a babák tanulásra vannak tervezve --
08:34
and this evolutionary story would say children are for learning,
205
499000
3000
és ez az evolúciós történet azt mondja hogy ez így van,
08:37
that's what they're for --
206
502000
2000
ők erre vannak tervezve --
08:39
we might expect
207
504000
2000
joggal várhatjuk,
08:41
that they would have really powerful learning mechanisms.
208
506000
2000
hogy nagyon hatékony tanulási mechanizmusaik legyenek.
08:43
And in fact, the baby's brain
209
508000
3000
A tény az, hogy a babák agya tűnik
08:46
seems to be the most powerful learning computer
210
511000
2000
a bolygó leghatékonyabb
08:48
on the planet.
211
513000
2000
tanuló számítógépének.
08:50
But real computers are actually getting to be a lot better.
212
515000
3000
A valódi számítógépek viszont kezdenek egyre jobbak lenni.
08:53
And there's been a revolution
213
518000
2000
Forradalmi változásokon esett át
08:55
in our understanding of machine learning recently.
214
520000
2000
nem is olyan rég mindaz, amit a gépi tanulásról tudunk.
08:57
And it all depends on the ideas of this guy,
215
522000
3000
Mindez ennek a fickónak az ötleteire épül:
09:00
the Reverend Thomas Bayes,
216
525000
2000
ő Thomas Bayes tiszteletes,
09:02
who was a statistician and mathematician in the 18th century.
217
527000
3000
a 18. században volt statisztikus és matematikus.
09:05
And essentially what Bayes did
218
530000
3000
Amit Bayes lényegében létrehozott
09:08
was to provide a mathematical way
219
533000
2000
az egy matematikai megközelítés,
09:10
using probability theory
220
535000
2000
amely a valószínűségszámításra épülve
09:12
to characterize, describe,
221
537000
2000
segít jellemezni, leírni azt,
09:14
the way that scientists find out about the world.
222
539000
2000
amit a tudósok a világról megtudnak.
09:16
So what scientists do
223
541000
2000
Amit a tudósok ma tesznek,
09:18
is they have a hypothesis that they think might be likely to start with.
224
543000
3000
az, hogy van egy hipotézisük amivel úgy gondolják érdemes kezdeni valamit.
09:21
They go out and test it against the evidence.
225
546000
2000
Elkezdik ezt tesztelni, bizonyítékokkal szembesíteni.
09:23
The evidence makes them change that hypothesis.
226
548000
2000
A bizonyítékok hatására változtatnak a hipotézisen.
09:25
Then they test that new hypothesis
227
550000
2000
Ezután tesztelik az új hipotézist
09:27
and so on and so forth.
228
552000
2000
és így tovább.
09:29
And what Bayes showed was a mathematical way that you could do that.
229
554000
3000
Amit Bayes mutatott az egy matematikai módszer, amivel ezt meg lehet csinálni.
09:32
And that mathematics is at the core
230
557000
2000
Ez a matematikai elv a manapság létező
09:34
of the best machine learning programs that we have now.
231
559000
2000
legjobb gépi tanuló programjaink lényege.
09:36
And some 10 years ago,
232
561000
2000
Kb. 10 évvel ezelőtt
09:38
I suggested that babies might be doing the same thing.
233
563000
4000
azt vetettem fel, hogy a babák talán ugyanígy működnek.
09:42
So if you want to know what's going on
234
567000
2000
Szóval ha szeretnénk tudni, mi is folyik
09:44
underneath those beautiful brown eyes,
235
569000
2000
azok mögött a gyönyörű barna szemek mögött,
09:46
I think it actually looks something like this.
236
571000
2000
az szerintem valahogy ehhez hasonlóan néz ki.
09:48
This is Reverend Bayes's notebook.
237
573000
2000
Ez Bayes tiszteletes jegyzetfüzete.
09:50
So I think those babies are actually making complicated calculations
238
575000
3000
Azt gondolom, hogy a babák bonyolult kalkulációkat végeznek
09:53
with conditional probabilities that they're revising
239
578000
3000
feltételes valószínűség számításokkal elemeznek
09:56
to figure out how the world works.
240
581000
2000
és így fejtik meg hogyan is működik a világ.
09:58
All right, now that might seem like an even taller order to actually demonstrate.
241
583000
4000
Rendben, azt hiszem most itt a magas labda, hogy mindezt demonstrálnunk kell.
10:02
Because after all, if you ask even grownups about statistics,
242
587000
2000
Hiszen ha egy felnőttet kérdezel a statisztikáról,
10:04
they look extremely stupid.
243
589000
2000
elég bután fog rád nézni.
10:06
How could it be that children are doing statistics?
244
591000
3000
Hogyan lehetséges hogy ezek a gyerekek statisztikát számolnak?
10:09
So to test this we used a machine that we have
245
594000
2000
Ennek ellenőrzésére egy gépet használtunk
10:11
called the Blicket Detector.
246
596000
2000
melyet Blicket detektornak neveztünk.
10:13
This is a box that lights up and plays music
247
598000
2000
Ez egy doboz, ami fevillan és zenél
10:15
when you put some things on it and not others.
248
600000
3000
amikor beleteszel bizonyos meghatározott dolgokat.
10:18
And using this very simple machine,
249
603000
2000
Ennek a nagyon egyszerű szerkezetnek köszönhetően
10:20
my lab and others have done dozens of studies
250
605000
2000
az én csapatom és mások is tucatnyi kísérletet hajtottak végre
10:22
showing just how good babies are
251
607000
2000
bemutatva azt, hogy a babák milyen jók
10:24
at learning about the world.
252
609000
2000
a világról való tanulásban.
10:26
Let me mention just one
253
611000
2000
Hadd említsek meg csak egyet,
10:28
that we did with Tumar Kushner, my student.
254
613000
2000
melyet tanítványommal, Tumar Kushnerrel hajtottunk végre.
10:30
If I showed you this detector,
255
615000
2000
Ha megmutatnám Önnek ezt a szerkezetet,
10:32
you would be likely to think to begin with
256
617000
2000
valszínűleg azt gondolná, hogy úgy lehet
10:34
that the way to make the detector go
257
619000
2000
a detektort működésre bírni,
10:36
would be to put a block on top of the detector.
258
621000
3000
ha a tetejére teszünk egy kockát.
10:39
But actually, this detector
259
624000
2000
Ám valójában ez a szerkezet
10:41
works in a bit of a strange way.
260
626000
2000
egy kicsit furán működik.
10:43
Because if you wave a block over the top of the detector,
261
628000
3000
Mivel ha meglengetünk felette egy kockát,
10:46
something you wouldn't ever think of to begin with,
262
631000
3000
amiről nem is gondolnánk, hogy ettől működésbe léphet,
10:49
the detector will actually activate two out of three times.
263
634000
3000
a szerkezet három ilyen esetből kétszer aktiválódik.
10:52
Whereas, if you do the likely thing, put the block on the detector,
264
637000
3000
Míg, ha a valószínű dolgot tesszük, azaz rárakjuk a kockát a tetejére,
10:55
it will only activate two out of six times.
265
640000
4000
mindössze hatból kétszer aktiválódik.
10:59
So the unlikely hypothesis
266
644000
2000
Tehát a valószínűtlen hipotézisnek
11:01
actually has stronger evidence.
267
646000
2000
erősebbek a bizonyítékai.
11:03
It looks as if the waving
268
648000
2000
Úgy látszik, hogy a lengetés
11:05
is a more effective strategy than the other strategy.
269
650000
2000
hatékonyabb stratégia, mint a másik.
11:07
So we did just this; we gave four year-olds this pattern of evidence,
270
652000
3000
Nos mi odaadtuk ezt a bizonyíték mintázatot egy négyévesnek,
11:10
and we just asked them to make it go.
271
655000
2000
és megkértük hogy bírja működésre.
11:12
And sure enough, the four year-olds used the evidence
272
657000
3000
És valóban, a négyévesek e bizonyítékot alkalmazták
11:15
to wave the object on top of the detector.
273
660000
3000
és lengették a tárgyat a szerkezet tetejénél.
11:18
Now there are two things that are really interesting about this.
274
663000
3000
Két dolog van ami nagyon izgalmas ezzel kapcsolatban.
11:21
The first one is, again, remember, these are four year-olds.
275
666000
3000
Az első, hogy tartsuk észben, hogy ezek négyéves gyerekek.
11:24
They're just learning how to count.
276
669000
2000
Éppenhogy csak tanulnak számolni.
11:26
But unconsciously,
277
671000
2000
Ám öntudatlanul
11:28
they're doing these quite complicated calculations
278
673000
2000
meglehetősen komplikált számításokat végeznek,
11:30
that will give them a conditional probability measure.
279
675000
3000
melyek feltételes valószínűségi értékeket eredményeznek számukra.
11:33
And the other interesting thing
280
678000
2000
A másik izgalmas dolog az,
11:35
is that they're using that evidence
281
680000
2000
hogy ezt a bizonyítékot használják arra,
11:37
to get to an idea, get to a hypothesis about the world,
282
682000
3000
hogy eljussanak egy elméletig, egy a világról alkotott hipotézisig,
11:40
that seems very unlikely to begin with.
283
685000
3000
ami kezdetben elég valószínűtlennek tűnik.
11:43
And in studies we've just been doing in my lab, similar studies,
284
688000
3000
A csoportomban jelenleg is futó kutatásokban, hasonló kutatásokban,
11:46
we've show that four year-olds are actually better
285
691000
2000
bemutattuk, hogy a négyévesek valójában jobbak
11:48
at finding out an unlikely hypothesis
286
693000
3000
a valószínűtlen hipotézisek megfejtésében,
11:51
than adults are when we give them exactly the same task.
287
696000
3000
mint a felnőttek, akik teljesen ugyanolyan feladatot kapnak.
11:54
So in these circumstances,
288
699000
2000
Ilyen körülmények között tehát
11:56
the children are using statistics to find out about the world,
289
701000
3000
a gyerekek statisztikát alkalmaznak,a világ felderítésére,
11:59
but after all, scientists also do experiments,
290
704000
3000
de hát végülis a tudósok is kisérleteznek,
12:02
and we wanted to see if children are doing experiments.
291
707000
3000
meg akartuk tudni, vajon a gyerekek is ezt teszik -e.
12:05
When children do experiments we call it "getting into everything"
292
710000
3000
Amikor a gyerekek kísérleteznek, ezt úgy hívjuk: "minden lében kanál"
12:08
or else "playing."
293
713000
2000
vagy más szóval "játék".
12:10
And there's been a bunch of interesting studies recently
294
715000
3000
Igen sok érdekes kísérlet volt mostanában
12:13
that have shown this playing around
295
718000
3000
melyek azt mutatják, hogy a játék
12:16
is really a kind of experimental research program.
296
721000
2000
valójában egyfajta kísérleti kutatás program.
12:18
Here's one from Cristine Legare's lab.
297
723000
3000
Itt is van egy Cristine Legare laborjából.
12:21
What Cristine did was use our Blicket Detectors.
298
726000
3000
Cristin a mi szerkezetünket használta.
12:24
And what she did was show children
299
729000
2000
Megmutatta a gyerekeknek
12:26
that yellow ones made it go and red ones didn't,
300
731000
2000
hogy a sárgáktól működik, a pirosaktól nem,
12:28
and then she showed them an anomaly.
301
733000
3000
és mutatott nekik egy anomáliát.
12:31
And what you'll see
302
736000
2000
Amit látni fogunk
12:33
is that this little boy will go through five hypotheses
303
738000
3000
hogy a kisfiú öt különböző hipotézist próbál ki
12:36
in the space of two minutes.
304
741000
3000
két percen belül.
12:39
(Video) Boy: How about this?
305
744000
3000
(Video) Fiú: És így?
12:43
Same as the other side.
306
748000
3000
Ugyanaz mint a másik oldalról.
12:46
Alison Gopnik: Okay, so his first hypothesis has just been falsified.
307
751000
4000
Alison Gopnik: Ok, az első hipotézis hamisnak bizonyult.
12:55
(Laughter)
308
760000
2000
(Nevetés)
12:57
Boy: This one lighted up, and this one nothing.
309
762000
3000
Fiú: Ettől felvillant, ettől meg semmi.
13:00
AG: Okay, he's got his experimental notebook out.
310
765000
3000
AG: Ok, elővette a kísérleti jegyzetfüzetét.
13:06
Boy: What's making this light up.
311
771000
4000
Fiú: Mitől villan ez fel.
13:11
(Laughter)
312
776000
9000
(Nevetés)
13:20
I don't know.
313
785000
2000
Nem tudom.
13:22
AG: Every scientist will recognize that expression of despair.
314
787000
4000
AG: Minden kutató fel fogja ismerni ezt a kétségbeesett kifejezést.
13:26
(Laughter)
315
791000
3000
(Nevetés)
13:29
Boy: Oh, it's because this needs to be like this,
316
794000
6000
Fiú: Ó, mert ezt így kellene,
13:35
and this needs to be like this.
317
800000
2000
ezt pedig így.
13:37
AG: Okay, hypothesis two.
318
802000
3000
AG: Ok, második hipotézis.
13:40
Boy: That's why.
319
805000
2000
Fiú: Hát ezért.
13:42
Oh.
320
807000
2000
Ó.
13:44
(Laughter)
321
809000
5000
(Nevetés)
13:49
AG: Now this is his next idea.
322
814000
2000
AG: Itt is van a következő ötlete.
13:51
He told the experimenter to do this,
323
816000
2000
Azt mondta a kísérletet végzőnek, hogy
13:53
to try putting it out onto the other location.
324
818000
4000
tegyék át egy másik helyre.
13:57
Not working either.
325
822000
2000
Ez sem működik.
14:02
Boy: Oh, because the light goes only to here,
326
827000
4000
Fiú: Ó, mert a villanás itt megy,
14:06
not here.
327
831000
3000
nem itt.
14:09
Oh, the bottom of this box
328
834000
3000
Ó, a doboz alján
14:12
has electricity in here,
329
837000
2000
itt van elektromosság,
14:14
but this doesn't have electricity.
330
839000
2000
de ennek nincs elektromossága.
14:16
AG: Okay, that's a fourth hypothesis.
331
841000
2000
AG: Ok, ez a negyedik hipotézis.
14:18
Boy: It's lighting up.
332
843000
2000
Fiú: Felvillan.
14:20
So when you put four.
333
845000
5000
Amikor négyet teszel rá.
14:26
So you put four on this one to make it light up
334
851000
3000
Négyet teszel erre, hogy felvillanjon
14:29
and two on this one to make it light up.
335
854000
2000
és kettőt erre, hogy felvillanjon.
14:31
AG: Okay,there's his fifth hypothesis.
336
856000
2000
AG: Ok, ez az ötödik hipotézise.
14:33
Now that is a particularly --
337
858000
3000
Ez egy kifejezetten
14:36
that is a particularly adorable and articulate little boy,
338
861000
3000
imádnivaló és világos gondolkodású kisfiú,
14:39
but what Cristine discovered is this is actually quite typical.
339
864000
3000
de Cristine azt fedezte fel, hogy ez a gondolkodás teljesen általános.
14:42
If you look at the way children play, when you ask them to explain something,
340
867000
3000
Ha megfigyeljük, hogy a gyerekek miként játszanak, ha megkérjük őket,
14:45
what they really do is do a series of experiments.
341
870000
3000
hogy magyarázzanak el valamit, akkor ők kísérletezésbe fognak.
14:48
This is actually pretty typical of four year-olds.
342
873000
3000
Ez elég általános a négyéveseknél.
14:51
Well, what's it like to be this kind of creature?
343
876000
3000
Milyen is lehet ilyen kis teremtménynek lenni?
14:54
What's it like to be one of these brilliant butterflies
344
879000
3000
Milyen is lehet brilliáns pillangónak lenni,
14:57
who can test five hypotheses in two minutes?
345
882000
3000
aki öt hipotézist ellenőriz két percen belül?
15:00
Well, if you go back to those psychologists and philosophers,
346
885000
3000
Nos, ha visszatérünk a pszichológusokhoz és filozófusokhoz,
15:03
a lot of them have said
347
888000
2000
elég sokan mondták közülük azt,
15:05
that babies and young children were barely conscious
348
890000
2000
hogy a babák és a kisgyerekek éppen csak hogy tudatosak
15:07
if they were conscious at all.
349
892000
2000
ha egyáltalán...
15:09
And I think just the opposite is true.
350
894000
2000
Én azt gondolom ennek pont az ellenkezője igaz.
15:11
I think babies and children are actually more conscious than we are as adults.
351
896000
3000
Azt hiszem a babák és a gyerekek tudatosabbak mint mi, felnőttek vagyunk.
15:14
Now here's what we know about how adult consciousness works.
352
899000
3000
A következőket tudjuk arról, miként működik a felnőtt tudatosság.
15:17
And adults' attention and consciousness
353
902000
2000
A felnőtt figyelme és tudatossága
15:19
look kind of like a spotlight.
354
904000
2000
olyasmi mint a reflektorfény.
15:21
So what happens for adults
355
906000
2000
Nos egy felnőttben annyi történik, hogy
15:23
is we decide that something's relevant or important,
356
908000
2000
eldöntjük valamiről hogy lényeges vagy fontos,
15:25
we should pay attention to it.
357
910000
2000
és figyelmet kell szentelnünk neki.
15:27
Our consciousness of that thing that we're attending to
358
912000
2000
A tudatosságunk ezzel a dologgal kapcsolatban
15:29
becomes extremely bright and vivid,
359
914000
3000
rendkívül élénkké és fényessé válik
15:32
and everything else sort of goes dark.
360
917000
2000
minden egyéb elsötétül.
15:34
And we even know something about the way the brain does this.
361
919000
3000
Még arról is tudunk egy keveset, hogy az agy miképpen műveli ezt.
15:37
So what happens when we pay attention
362
922000
2000
Tehát amikor valamire elkezdünk odafigyelni
15:39
is that the prefrontal cortex, the sort of executive part of our brains,
363
924000
3000
a prefrontális kéreg, az agyunk végrehajtó
15:42
sends a signal
364
927000
2000
része küld egy jelet, ami
15:44
that makes a little part of our brain much more flexible,
365
929000
2000
az agyunk egy kicsi részét rugalmasabbá teszi,
15:46
more plastic, better at learning,
366
931000
2000
plasztikusabbá, tanulásra fogékonyabbá,
15:48
and shuts down activity
367
933000
2000
és leállítja az aktivitást
15:50
in all the rest of our brains.
368
935000
2000
az agyunk többi részében.
15:52
So we have a very focused, purpose-driven kind of attention.
369
937000
4000
Tehát igen erősen fókuszált, céltudatos figyelmünk van.
15:56
If we look at babies and young children,
370
941000
2000
Ha a babákat és a kisgyerekeket vizsgáljuk,
15:58
we see something very different.
371
943000
2000
valami egészen mást tapasztalunk.
16:00
I think babies and young children
372
945000
2000
Azt gondolom, a babák tudatossága
16:02
seem to have more of a lantern of consciousness
373
947000
2000
sokkal inkább lámpáshoz hasonlítható
16:04
than a spotlight of consciousness.
374
949000
2000
és nem reflektorfény tudatosság.
16:06
So babies and young children are very bad
375
951000
3000
Így a babák és a kisgyerekek nagyon gyengék
16:09
at narrowing down to just one thing.
376
954000
3000
az egy dologra fókuszálásban.
16:12
But they're very good at taking in lots of information
377
957000
3000
Viszont nagyon jók a a sok különböző forrásból
16:15
from lots of different sources at once.
378
960000
2000
egyszerre érkező rengeteg információ feldolgozásában.
16:17
And if you actually look in their brains,
379
962000
2000
És ha belenézünk az agyukba, azt látjuk,
16:19
you see that they're flooded with these neurotransmitters
380
964000
3000
hogy tele vannak olyan neurotranszmitterekkel,
16:22
that are really good at inducing learning and plasticity,
381
967000
2000
amelyek igen jók a tanulás és plaszticitás gerjesztésében,
16:24
and the inhibitory parts haven't come on yet.
382
969000
3000
ám a gátló hatások ekkor még nem alakultak ki.
16:27
So when we say that babies and young children
383
972000
2000
Tehát amikor azt mondjuk, hogy a babák és kisgyerekek
16:29
are bad at paying attention,
384
974000
2000
gyengék az odafigyelésben, akkor valójában
16:31
what we really mean is that they're bad at not paying attention.
385
976000
4000
azt értjük ez alatt, hogy nem tudnak nem odafigyelni mindenre!
16:35
So they're bad at getting rid
386
980000
2000
Tehát gyengék abban, hogy megszabaduljanak
16:37
of all the interesting things that could tell them something
387
982000
2000
az összes érdekes dologtól ami jelenthet nekik valamit,
16:39
and just looking at the thing that's important.
388
984000
2000
és csak arra az egyetlen dologra figyeljenek, ami fontos.
16:41
That's the kind of attention, the kind of consciousness,
389
986000
3000
Ez a fajta figyelem, ez a fajta tudatosság az,
16:44
that we might expect
390
989000
2000
amit azoktól a pillangóktól várhatunk el,
16:46
from those butterflies who are designed to learn.
391
991000
2000
akik tanulásra lettek tervezve.
16:48
Well if we want to think about a way
392
993000
2000
Ha bele szeretnénk élni magunkat felnőttként
16:50
of getting a taste of that kind of baby consciousness as adults,
393
995000
4000
abba, milyen is lehet a babák tudatossága,
16:54
I think the best thing is think about cases
394
999000
2000
azt hiszem a legjobb azokra az esetekre gondolnunk
16:56
where we're put in a new situation that we've never been in before --
395
1001000
3000
amikor valami új, eddig nem ismert helyzetbe kerülünk --
16:59
when we fall in love with someone new,
396
1004000
2000
amikor új szerelemre lobbanunk,
17:01
or when we're in a new city for the first time.
397
1006000
3000
vagy amikor új városba csöppenünk első alkalommal.
17:04
And what happens then is not that our consciousness contracts,
398
1009000
2000
És ilyenkor nemhogy csökken a tudatosságunk,
17:06
it expands,
399
1011000
2000
sokkal inkább kiterjed,
17:08
so that those three days in Paris
400
1013000
2000
és azok a háromnapos párizsi látogatások
17:10
seem to be more full of consciousness and experience
401
1015000
2000
sokkal tudatosabbnak és élménydúsabbnak hatnak,
17:12
than all the months of being
402
1017000
2000
mint azok a hosszú hónapok, amikor otthon
17:14
a walking, talking, faculty meeting-attending zombie back home.
403
1019000
4000
zombiként mászkálunk, beszélünk, gyűléseken veszünk részt.
17:18
And by the way, that coffee,
404
1023000
2000
Mellesleg a kávé
17:20
that wonderful coffee you've been drinking downstairs,
405
1025000
2000
az a csodás kávé amit odalenn ittak,
17:22
actually mimics the effect
406
1027000
2000
kicsit felidézi azt a hatást,
17:24
of those baby neurotransmitters.
407
1029000
2000
ahogy a babákban a neurotranszmitterek hatnak.
17:26
So what's it like to be a baby?
408
1031000
2000
Tehát milyen is babának lenni?
17:28
It's like being in love
409
1033000
2000
Olyan mint szerelmesnek lenni
17:30
in Paris for the first time
410
1035000
2000
az első párizsi utunkon
17:32
after you've had three double-espressos.
411
1037000
2000
három dupla eszpresszó elfogyasztása után.
17:34
(Laughter)
412
1039000
3000
(Nevetés)
17:37
That's a fantastic way to be,
413
1042000
2000
Ez egy fantasztikus állapot, ám ilyenkor
17:39
but it does tend to leave you waking up crying at three o'clock in the morning.
414
1044000
4000
az is benne lehet a pakliban, hogy hajnali háromkor sírva ébredünk!
17:43
(Laughter)
415
1048000
3000
(Nevetés)
17:46
Now it's good to be a grownup.
416
1051000
2000
Jó felnőttnek lenni.
17:48
I don't want to say too much about how wonderful babies are.
417
1053000
2000
Nem szeretnék túl sokat beszélni arról, milyen csodálatosak
17:50
It's good to be a grownup.
418
1055000
2000
a babák. Jó felnőttnek lenni.
17:52
We can do things like tie our shoelaces and cross the street by ourselves.
419
1057000
3000
Meg tudjuk kötni a cipőfűzőnket és át tudunk menni az úton egyedül.
17:55
And it makes sense that we put a lot of effort
420
1060000
2000
És annak is van értelme, hogy sok erőfeszítést teszünk annak érdekében,
17:57
into making babies think like adults do.
421
1062000
4000
hogy a babák elkezdjenek felnőttként gondolkodni.
18:01
But if what we want is to be like those butterflies,
422
1066000
3000
De ha szeretnénk olyanok lenni mint ezek a kis pillangók,
18:04
to have open-mindedness, open learning,
423
1069000
3000
hogy átéljük ezt a nyíltságot, tanulékonyságot,
18:07
imagination, creativity, innovation,
424
1072000
2000
fantáziát, kreativitást és innovációt,
18:09
maybe at least some of the time
425
1074000
2000
akár csak egy rövidke időre is,
18:11
we should be getting the adults
426
1076000
2000
de rá kell vennünk a felnőtteket,
18:13
to start thinking more like children.
427
1078000
2000
hogy kezdjenek el úgy gondolkodni mint a gyerekek.
18:15
(Applause)
428
1080000
8000
(taps)
ABOUT THE SPEAKER
Alison Gopnik - Child development psychologistAlison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do.
Why you should listen
What’s it really like to see through the eyes of a child? Are babies and young children just empty, irrational vessels to be formed into little adults, until they become the perfect images of ourselves? On the contrary, argues Alison Gopnik, professor of psychology and philosophy at the University of California at Berkeley.
The author of The Philosophical Baby, The Scientist in the Crib and other influential books on cognitive development, Gopnik presents evidence that babies and children are conscious of far more than we give them credit for, as they engage every sense and spend every waking moment discovering, filing away, analyzing and acting on information about how the world works. Gopnik’s work draws on psychological, neuroscientific, and philosophical developments in child development research to understand how the human mind learns, how and why we love, our ability to innovate, as well as giving us a deeper appreciation for the role of parenthood.
She says: "What's it like to be a baby? Being in love in Paris for the first time after you've had 3 double espressos."
Alison Gopnik | Speaker | TED.com