TED2011
Deb Roy: The birth of a word
Deb Roy: La nascita di una parola.
Filmed:
Readability: 4.2
2,809,941 views
Il ricercatore del MIT Deb Roy voleva capire come il suo bambino imparasse la lingua -- così ha riempito la sua casa di videocamere per catturare ogni momento (con alcune eccezioni) della vita di suo figlio, ha quindi analizzato 90.000 ore di video casalinghi per guardare "gaaa" trasformarsi lentamente in "water". Una ricerca strabiliante e ricca di dati, con profonde implicazioni su come impariamo.
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
Immaginate di poter registrare la vostra vita --
00:19
everything you said, everything you did,
1
4000
3000
ogni cosa detta, ogni cosa fatta,
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
disponibile in una perfetta unità di memoria a portata di mano,
00:25
so you could go back
3
10000
2000
così da poter tornare indietro
00:27
and find memorable moments and relive them,
4
12000
3000
e trovare momenti memorabili e riviverli,
00:30
or sift through traces of time
5
15000
3000
o setacciare le tracce del tempo
00:33
and discover patterns in your own life
6
18000
2000
e scoprire nella vostra vita dei modelli
00:35
that previously had gone undiscovered.
7
20000
3000
che in precedenza non erano stati scoperti.
00:38
Well that's exactly the journey
8
23000
2000
Bene, questo è esattamente il viaggio
00:40
that my family began
9
25000
2000
che la mia famiglia ha iniziato
00:42
five and a half years ago.
10
27000
2000
cinque anni e mezzo fa.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
Questa è mia moglie e la mia collaboratrice: Rupal.
00:47
And on this day, at this moment,
12
32000
2000
E in questo giorno, in questo momento,
00:49
we walked into the house with our first child,
13
34000
2000
stavamo entrando in casa con il nostro primo bambino,
00:51
our beautiful baby boy.
14
36000
2000
il nostro bellissimo maschietto.
00:53
And we walked into a house
15
38000
3000
Entravamo in una casa
00:56
with a very special home video recording system.
16
41000
4000
con un sistema molto speciale di registrazione video.
01:07
(Video) Man: Okay.
17
52000
2000
(Video) Uomo: Okay.
01:10
Deb Roy: This moment
18
55000
1000
Deb Roy: Questo momento
01:11
and thousands of other moments special for us
19
56000
3000
e migliaia di altri momenti speciali per noi
01:14
were captured in our home
20
59000
2000
sono stati catturati nella nostra casa
01:16
because in every room in the house,
21
61000
2000
perché in ogni sua stanza,
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
se si guardava in su, si poteva vedere una telecamera e un microfono,
01:21
and if you looked down,
23
66000
2000
e se si guardava in giù,
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
si aveva questa vista a occhio d'uccello della stanza.
01:25
Here's our living room,
25
70000
3000
Questo è il nostro salotto,
01:28
the baby bedroom,
26
73000
3000
la camera da letto del bimbo,
01:31
kitchen, dining room
27
76000
2000
la cucina, la sala da pranzo
01:33
and the rest of the house.
28
78000
2000
e il resto della casa.
01:35
And all of these fed into a disc array
29
80000
3000
Tutto ciò finiva in una raccolta su disco
01:38
that was designed for a continuous capture.
30
83000
3000
che era predisposta per una registrazione continua.
01:41
So here we are flying through a day in our home
31
86000
3000
Così voleremo attraverso un giorno nella nostra casa
01:44
as we move from sunlit morning
32
89000
3000
mentre ci muoviamo dall'assolato mattino
01:47
through incandescent evening
33
92000
2000
fino alla sera incandescente
01:49
and, finally, lights out for the day.
34
94000
3000
e, infine, le luci sulla giornata si spengono.
01:53
Over the course of three years,
35
98000
3000
Nel corso di tre anni,
01:56
we recorded eight to 10 hours a day,
36
101000
2000
abbiamo registrato da otto a dieci ore al giorno,
01:58
amassing roughly a quarter-million hours
37
103000
3000
accumulando circa un quarto di milione di ore
02:01
of multi-track audio and video.
38
106000
3000
di tracce multiple audio e video.
02:04
So you're looking at a piece of what is by far
39
109000
2000
Così state guardando un pezzo di ciò che finora,
02:06
the largest home video collection ever made.
40
111000
2000
è la più grande collezione di video casalinghi mai fatta.
02:08
(Laughter)
41
113000
3000
(Risate)
02:11
And what this data represents
42
116000
2000
Ciò che questi dati rappresentano
02:13
for our family at a personal level,
43
118000
4000
per la nostra famiglia ad un livello personale,
02:17
the impact has already been immense,
44
122000
2000
ha già avuto un impatto immenso,
02:19
and we're still learning its value.
45
124000
3000
e stiamo ancora imparandone il valore.
02:22
Countless moments
46
127000
2000
Innumerevoli ricordi
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
di momenti naturali non richiesti, momenti non in posa,
02:27
are captured there,
48
132000
2000
sono stati raccolti qui,
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
e stiamo imparando come scoprirli e trovarli.
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
ma c'è anche una ragione scientifica che ha guidato questo progetto,
02:35
which was to use this natural longitudinal data
51
140000
4000
che era di usare questi dati longitudinali e naturali
02:39
to understand the process
52
144000
2000
per comprendere il processo
02:41
of how a child learns language --
53
146000
2000
di apprendimento di una lingua da parte di un bambino --
02:43
that child being my son.
54
148000
2000
mio figlio.
02:45
And so with many privacy provisions put in place
55
150000
4000
Così approntate le molte precauzioni per la privacy
02:49
to protect everyone who was recorded in the data,
56
154000
3000
per proteggere tutti coloro che sono registrati nei dati,
02:52
we made elements of the data available
57
157000
3000
abbiamo reso disponibili elementi dei dati
02:55
to my trusted research team at MIT
58
160000
3000
al mio fidato team di ricercatori al MIT
02:58
so we could start teasing apart patterns
59
163000
3000
così da poter cominciare ad individuare dei modelli
03:01
in this massive data set,
60
166000
3000
in questo massiccio insieme di dati,
03:04
trying to understand the influence of social environments
61
169000
3000
cercando di capire l'influenza dell'ambiente sociale
03:07
on language acquisition.
62
172000
2000
nell'acquisizione di una lingua.
03:09
So we're looking here
63
174000
2000
Qui stiamo guardando
03:11
at one of the first things we started to do.
64
176000
2000
una delle prime cose che abbiamo iniziato a fare.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
Questi siamo io e mia moglie che prepariamo la colazione in cucina.
03:17
and as we move through space and through time,
66
182000
3000
E mentre ci muoviamo attraverso il tempo e lo spazio,
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
un vero modello di vita quotidiana in cucina.
03:23
In order to convert
68
188000
2000
Per convertire
03:25
this opaque, 90,000 hours of video
69
190000
3000
queste 90.000 opache ore di video
03:28
into something that we could start to see,
70
193000
2000
in qualcosa che potevamo iniziare a guardare,
03:30
we use motion analysis to pull out,
71
195000
2000
usiamo l'analisi del movimento per estrarre,
03:32
as we move through space and through time,
72
197000
2000
mentre ci muoviamo nello spazio e nel tempo,
03:34
what we call space-time worms.
73
199000
3000
ciò che chiamiamo vermi spazio-temporali.
03:37
And this has become part of our toolkit
74
202000
3000
Questa è diventata una parte della nostra cassetta degli attrezzi
03:40
for being able to look and see
75
205000
3000
permettendoci di guardare e vedere
03:43
where the activities are in the data,
76
208000
2000
a quale punto dei dati ci sono le attività,
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
e con queste, tracciarne il modello, in particolare,
03:48
where my son moved throughout the home,
78
213000
2000
quando mio figlio si muove per la casa,
03:50
so that we could focus our transcription efforts,
79
215000
3000
così da poter focalizzare i nostri sforzi di trascrizione,
03:53
all of the speech environment around my son --
80
218000
3000
su tutti i discorsi dell'ambiente intorno a mio figlio --
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
tutte le parola che ha sentito da me, da mia moglie, dalla nostra tata,
03:59
and over time, the words he began to produce.
82
224000
3000
e nel tempo, le parole che ha iniziato a produrre.
04:02
So with that technology and that data
83
227000
3000
Così con quella tecnologia e quei dati,
04:05
and the ability to, with machine assistance,
84
230000
2000
e con la capacità di trascrivere i discorsi,
04:07
transcribe speech,
85
232000
2000
con l'aiuto di una macchina,
04:09
we've now transcribed
86
234000
2000
abbiamo fino ad ora trascritto
04:11
well over seven million words of our home transcripts.
87
236000
3000
circa sette milioni di parole dalle nostre trascrizioni casalinghe.
04:14
And with that, let me take you now
88
239000
2000
Detto ciò lasciate che ora vi porti
04:16
for a first tour into the data.
89
241000
3000
a fare un primo giro nei nostri dati.
04:19
So you've all, I'm sure,
90
244000
2000
Sicuramente voi tutti
04:21
seen time-lapse videos
91
246000
2000
avete visto dei video accelerati
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
in cui un fiore sboccia mentre si accelera il tempo.
04:26
I'd like you to now experience
93
251000
2000
Vorrei che ora faceste l'esperienza
04:28
the blossoming of a speech form.
94
253000
2000
dello sbocciare di una forma di discorso.
04:30
My son, soon after his first birthday,
95
255000
2000
Mio figlio, poco dopo il suo primo compleanno,
04:32
would say "gaga" to mean water.
96
257000
3000
diceva "gaga" al posto di acqua.
04:35
And over the course of the next half-year,
97
260000
3000
Nel corso dei successivi sei mesi,
04:38
he slowly learned to approximate
98
263000
2000
lentamente ha imparato ad approssimare
04:40
the proper adult form, "water."
99
265000
3000
la corretta forma adulta: "water".
04:43
So we're going to cruise through half a year
100
268000
2000
Così navigheremo attraverso questo mezzo anno
04:45
in about 40 seconds.
101
270000
2000
in circa 40 secondi.
04:47
No video here,
102
272000
2000
Niente video qui,
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
così potrete focalizzarvi sul suono, sull'acustica,
04:52
of a new kind of trajectory:
104
277000
2000
di un nuovo tipo di traiettoria:
04:54
gaga to water.
105
279000
2000
da "gaga" a "water".
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(Audio) Bambino: Gagagagagaga
05:08
Gaga gaga gaga
107
293000
4000
Gaga gaga gaga
05:12
guga guga guga
108
297000
5000
guga guga guga
05:17
wada gaga gaga guga gaga
109
302000
5000
wada gaga gaga guga gaga
05:22
wader guga guga
110
307000
4000
wader guga guga
05:26
water water water
111
311000
3000
water water water
05:29
water water water
112
314000
6000
water water water
05:35
water water
113
320000
4000
water water
05:39
water.
114
324000
2000
water.
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
DR: C'è l'ha decisamente fatta, non è vero?
05:43
(Applause)
116
328000
7000
(Applauso)
05:50
So he didn't just learn water.
117
335000
2000
Così non ha solo imparato la parola "water".
05:52
Over the course of the 24 months,
118
337000
2000
Nel corso di 24 mesi,
05:54
the first two years that we really focused on,
119
339000
3000
i primi due anni, sui quali ci siamo focalizzati,
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
questa è la mappa di tutte le parole che ha imparato in ordine cronologico.
06:01
And because we have full transcripts,
121
346000
3000
Dato che abbiamo le trascrizioni complete,
06:04
we've identified each of the 503 words
122
349000
2000
abbiamo identificato ognuna delle 503 parole
06:06
that he learned to produce by his second birthday.
123
351000
2000
che ha imparato a produrre entro il suo secondo compleanno.
06:08
He was an early talker.
124
353000
2000
Era un parlatore precoce.
06:10
And so we started to analyze why.
125
355000
3000
E così abbiamo cercato di analizzare il perché.
06:13
Why were certain words born before others?
126
358000
3000
Perché certe parole sono nate prima di altre?
06:16
This is one of the first results
127
361000
2000
Questo è uno dei primi risultati
06:18
that came out of our study a little over a year ago
128
363000
2000
che è emerso dal nostro studio poco meno di un anno fa
06:20
that really surprised us.
129
365000
2000
che ci ha veramente sorpreso.
06:22
The way to interpret this apparently simple graph
130
367000
3000
Il modo di interpretare questo grafico apparentemente semplice
06:25
is, on the vertical is an indication
131
370000
2000
è che sull'asse verticale c'è un indicazione
06:27
of how complex caregiver utterances are
132
372000
3000
della complessità delle espressioni degli adulti che gli stavano vicino
06:30
based on the length of utterances.
133
375000
2000
basata sulla lunghezza delle espressioni.
06:32
And the [horizontal] axis is time.
134
377000
3000
E l'asse orizzontale è quello del tempo.
06:35
And all of the data,
135
380000
2000
Tutti i dati
06:37
we aligned based on the following idea:
136
382000
3000
sono stati allineati basandosi sull'idea seguente:
06:40
Every time my son would learn a word,
137
385000
3000
Ogni volta che mio figlio avesse imparato una parola,
06:43
we would trace back and look at all of the language he heard
138
388000
3000
saremmo tornati indietro e avremmo cercato tutte le frasi che ha ascoltato
06:46
that contained that word.
139
391000
2000
che contenevano quella parola.
06:48
And we would plot the relative length of the utterances.
140
393000
4000
Avremmo riportato la lunghezza relativa di queste frasi.
06:52
And what we found was this curious phenomena,
141
397000
3000
Abbiamo scoperto questo fenomeno curioso,
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
il discorso dell'adulto si riduceva sistematicamente al minimo,
06:58
making language as simple as possible,
143
403000
3000
rendendo più semplice possibile la lingua,
07:01
and then slowly ascend back up in complexity.
144
406000
3000
e poi riguadagnava lentamente complessità.
07:04
And the amazing thing was
145
409000
2000
La cosa stupefacente era
07:06
that bounce, that dip,
146
411000
2000
che quel balzo, quella diminuzione,
07:08
lined up almost precisely
147
413000
2000
si allineava quasi esattamente
07:10
with when each word was born --
148
415000
2000
con la nascita di ogni parola --
07:12
word after word, systematically.
149
417000
2000
parola dopo parola, sistematicamente.
07:14
So it appears that all three primary caregivers --
150
419000
2000
Sembra che i tre adulti principali --
07:16
myself, my wife and our nanny --
151
421000
3000
io, mia moglie e la nostra tata --
07:19
were systematically and, I would think, subconsciously
152
424000
3000
stessero sistematicamente e, io credo, in modo inconscio
07:22
restructuring our language
153
427000
2000
destrutturando il proprio linguaggio
07:24
to meet him at the birth of a word
154
429000
3000
per incontrarlo alla nascita di una parola
07:27
and bring him gently into more complex language.
155
432000
4000
e poi portarlo gentilmente ad un linguaggio più complesso.
07:31
And the implications of this -- there are many,
156
436000
2000
L'implicazione di questo -- ce ne sono tante
07:33
but one I just want to point out,
157
438000
2000
ma voglio segnalarne una,
07:35
is that there must be amazing feedback loops.
158
440000
3000
è che ci devono essere degli stupefacenti cicli di risposta.
07:38
Of course, my son is learning
159
443000
2000
Ovviamente mio figlio sta imparando
07:40
from his linguistic environment,
160
445000
2000
dal suo ambiente linguistico,
07:42
but the environment is learning from him.
161
447000
3000
ma l'ambiente sta imparando da lui.
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
Questo ambiente, queste persone, sono prese in queste stretti cicli di risposta
07:48
and creating a kind of scaffolding
163
453000
2000
e creano una sorta di impalcatura
07:50
that has not been noticed until now.
164
455000
3000
che fino ad ora non è stata notata.
07:54
But that's looking at the speech context.
165
459000
2000
Questo se guardiamo al contesto del discorso.
07:56
What about the visual context?
166
461000
2000
E il contesto visivo?
07:58
We're not looking at --
167
463000
2000
Stiamo guardando a --
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
pensate a questo come ad uno spaccato da casa di bambola della nostra casa.
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
Abbiamo preso queste lenti circolari a occhio di pesce,
08:05
and we've done some optical correction,
170
470000
2000
e abbiamo fatto qualche correzione ottica,
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
quindi possiamo renderle tridimensionali.
08:11
So welcome to my home.
172
476000
2000
Così, benvenuti a casa mia.
08:13
This is a moment,
173
478000
2000
Questo è un istante,
08:15
one moment captured across multiple cameras.
174
480000
3000
un istante catturato da telecamere multiple.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
Abbiamo fatto ciò per creare la macchina della memoria finale,
08:21
where you can go back and interactively fly around
176
486000
3000
con la quale puoi tornare indietro e volare in modo interattivo
08:24
and then breathe video-life into this system.
177
489000
3000
e infondere video vita in questo sistema.
08:27
What I'm going to do
178
492000
2000
Quello che sto per fare
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
è darvi una vista accelerata di 30 minuti,
08:32
again, of just life in the living room.
180
497000
2000
di semplice vita in un soggiorno.
08:34
That's me and my son on the floor.
181
499000
3000
Questi siamo io e mio figlio sul pavimento.
08:37
And there's video analytics
182
502000
2000
Con le analisi del video
08:39
that are tracking our movements.
183
504000
2000
tracciamo i nostri movimenti.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
Mio figlio lascia una traccia rossa, io una traccia verde.
08:44
We're now on the couch,
185
509000
2000
Ora siamo sul divano,
08:46
looking out through the window at cars passing by.
186
511000
3000
e guardiamo dalla finestra le auto che passano.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
E infine, mio figlio che gioca da solo con un giocattolo.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
Ora congeliamo l'azione, 30 minuti,
08:55
we turn time into the vertical axis,
189
520000
2000
mettiamo il tempo sull'asse verticale,
08:57
and we open up for a view
190
522000
2000
e creiamo una vista
08:59
of these interaction traces we've just left behind.
191
524000
3000
delle tracce d'interazione che abbiamo lasciato.
09:02
And we see these amazing structures --
192
527000
3000
E vediamo queste strutture affascinanti --
09:05
these little knots of two colors of thread
193
530000
3000
questi piccoli nodi di tracce di due colori
09:08
we call "social hot spots."
194
533000
2000
le chiamiamo 'spazi sociali caldi'.
09:10
The spiral thread
195
535000
2000
La traccia a spirale
09:12
we call a "solo hot spot."
196
537000
2000
la chiamiamo 'spazio solitario caldo'.
09:14
And we think that these affect the way language is learned.
197
539000
3000
Pensiamo che questi influiscano sull'apprendimento del linguaggio.
09:17
What we'd like to do
198
542000
2000
Ciò che vorremmo fare
09:19
is start understanding
199
544000
2000
è cominciare a comprendere
09:21
the interaction between these patterns
200
546000
2000
l'interazione tra questi tracciati
09:23
and the language that my son is exposed to
201
548000
2000
e il linguaggio a cui mio figlio è esposto
09:25
to see if we can predict
202
550000
2000
per vedere se possiamo indovinare
09:27
how the structure of when words are heard
203
552000
2000
come la struttura del quando le parole vengono ascoltate
09:29
affects when they're learned --
204
554000
2000
influisca sul quando vengono imparate --
09:31
so in other words, the relationship
205
556000
2000
in altre parole, la relazione
09:33
between words and what they're about in the world.
206
558000
4000
tra le parole e ciò che rappresentano nel mondo.
09:37
So here's how we're approaching this.
207
562000
2000
Ecco qual'è il nostro approccio.
09:39
In this video,
208
564000
2000
In questo video,
09:41
again, my son is being traced out.
209
566000
2000
si traccia ancora [il movimento] di mio figlio.
09:43
He's leaving red ink behind.
210
568000
2000
Si lascia dietro una traccia rossa.
09:45
And there's our nanny by the door.
211
570000
2000
C'è la nostra tata vicino alla porta.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(Video) Tata: Vuoi dell'acqua? (Bambino: Aaaa.)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
Tata: Va bene. (Bambino: Aaaa.)
09:53
DR: She offers water,
214
578000
2000
DR: Gli offre dell'acqua,
09:55
and off go the two worms
215
580000
2000
ed ecco che le due tracce vanno
09:57
over to the kitchen to get water.
216
582000
2000
verso la cucina a prendere l'acqua.
09:59
And what we've done is use the word "water"
217
584000
2000
Ciò che abbiamo fatto è usare la parola "acqua"
10:01
to tag that moment, that bit of activity.
218
586000
2000
per taggare questo momento, questo pezzo di attività.
10:03
And now we take the power of data
219
588000
2000
Ora usiamo il potere dei dati
10:05
and take every time my son
220
590000
3000
e prendiamo ogni momento in cui mio figlio
10:08
ever heard the word water
221
593000
2000
ha sentito la parola "acqua"
10:10
and the context he saw it in,
222
595000
2000
e il contesto in cui l'ha sentita usare,
10:12
and we use it to penetrate through the video
223
597000
3000
e li usiamo per penetrare attraverso il video
10:15
and find every activity trace
224
600000
3000
e trovare ogni traccia di attività
10:18
that co-occurred with an instance of water.
225
603000
3000
che si presentava assieme alla richiesta di acqua.
10:21
And what this data leaves in its wake
226
606000
2000
Quello che questi dati lasciano nella loro scia
10:23
is a landscape.
227
608000
2000
è un panorama.
10:25
We call these wordscapes.
228
610000
2000
Noi lo chiamiamo parolorama.
10:27
This is the wordscape for the word water,
229
612000
2000
Questo è il parolorama per la parola acqua,
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
e potete vedere che la maggior parte dell'azione è nella cucina.
10:31
That's where those big peaks are over to the left.
231
616000
3000
Dove troviamo quei grossi picchi sulla sinistra.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
E possiamo fare un confronto utilizzando qualsiasi parola.
10:37
We can take the word "bye"
233
622000
2000
Possiamo prendere
10:39
as in "good bye."
234
624000
2000
la parola 'ciao'.
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
E ci focalizziamo sull'ingresso della casa.
10:43
And we look, and we find, as you would expect,
236
628000
3000
Guardiamo e troviamo, come ci si aspetta,
10:46
a contrast in the landscape
237
631000
2000
un contrasto nel panorama
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
poiché la parola 'ciao' si presenta in contesti molto più strutturati.
10:51
So we're using these structures
239
636000
2000
Così usiamo queste strutture
10:53
to start predicting
240
638000
2000
per iniziare a predire
10:55
the order of language acquisition,
241
640000
3000
l'ordine di acquisizione del linguaggio,
10:58
and that's ongoing work now.
242
643000
2000
è il lavoro che stiamo facendo ora.
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
Nel mio laboratorio al MIT, nel quale stiamo sbirciando ora --
11:03
this is at the media lab.
244
648000
2000
questo è nel Media Lab.
11:05
This has become my favorite way
245
650000
2000
Questo è diventato il mio modo preferito
11:07
of videographing just about any space.
246
652000
2000
di registrare su video ogni tipo di spazio,
11:09
Three of the key people in this project,
247
654000
2000
Tre delle persone chiave in questo progetto,
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
Philip DeCamp, Rony Kubat e Brandon Roy sono in questa foto.
11:14
Philip has been a close collaborator
249
659000
2000
Philip è stato uno stretto collaboratore
11:16
on all the visualizations you're seeing.
250
661000
2000
nel fare tutte le visualizzazioni che state vedendo.
11:18
And Michael Fleischman
251
663000
3000
Michael Fleischman
11:21
was another Ph.D. student in my lab
252
666000
2000
era un altro dottorando nel mio laboratorio
11:23
who worked with me on this home video analysis,
253
668000
3000
che lavorava con me in questa analisi di video casalinghi,
11:26
and he made the following observation:
254
671000
3000
e ha osservato che:
11:29
that "just the way that we're analyzing
255
674000
2000
"il modo in cui analizziamo
11:31
how language connects to events
256
676000
3000
come il linguaggio si connette con gli eventi
11:34
which provide common ground for language,
257
679000
2000
come ci dà una base comune per il linguaggio,
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
quella stessa idea la possiamo fare uscire da casa tua, Deb,
11:40
and we can apply it to the world of public media."
259
685000
3000
e la possiamo applicare al mondo dei media."
11:43
And so our effort took an unexpected turn.
260
688000
3000
Così i nostri sforzi hanno preso una piega inaspettata.
11:46
Think of mass media
261
691000
2000
Pensate ai mass media
11:48
as providing common ground
262
693000
2000
come fornitori di una base comune
11:50
and you have the recipe
263
695000
2000
ed avrete la ricetta
11:52
for taking this idea to a whole new place.
264
697000
3000
per portare questa idea in un orizzonte interamente nuovo.
11:55
We've started analyzing television content
265
700000
3000
Abbiamo iniziato ad analizzare i contenuti televisivi
11:58
using the same principles --
266
703000
2000
usando gli stessi principi --
12:00
analyzing event structure of a TV signal --
267
705000
3000
analizzando la struttura di un evento di un segnale TV --
12:03
episodes of shows,
268
708000
2000
episodi di spettacoli,
12:05
commercials,
269
710000
2000
pubblicità,
12:07
all of the components that make up the event structure.
270
712000
3000
tutte le componenti che costituiscono la struttura dell'evento.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
Con l'aiuto delle piattaforme satellitari stiamo ora registrando ed analizzando
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
una buona parte di tutte le televisioni guardate negli Stati Uniti.
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
E non dobbiamo andare a microfonare i soggiorni
12:19
to get people's conversations,
274
724000
2000
per registrare le conversazioni tra le persone,
12:21
you just tune into publicly available social media feeds.
275
726000
3000
basta sintonizzarsi ai canali pubblici disponibili.
12:24
So we're pulling in
276
729000
2000
Così stiamo estraendo
12:26
about three billion comments a month,
277
731000
2000
circa tre miliardi di commenti al mese.
12:28
and then the magic happens.
278
733000
2000
E poi accade la magia.
12:30
You have the event structure,
279
735000
2000
Ecco la struttura dell'evento,
12:32
the common ground that the words are about,
280
737000
2000
la base comune di cui trattano le parole,
12:34
coming out of the television feeds;
281
739000
3000
uscire dalle trasmissioni televisive;
12:37
you've got the conversations
282
742000
2000
abbiamo le conversazioni
12:39
that are about those topics;
283
744000
2000
che riguardano questi argomenti;
12:41
and through semantic analysis --
284
746000
3000
e attraverso l'analisi semantica --
12:44
and this is actually real data you're looking at
285
749000
2000
e questi che state guardando sono i dati reali
12:46
from our data processing --
286
751000
2000
usciti dalle nostre eleborazioni --
12:48
each yellow line is showing a link being made
287
753000
3000
ogni linea gialla mostra un collegamento che viene creato
12:51
between a comment in the wild
288
756000
3000
tra un commento allo stato puro
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
e una parte della struttura dell'evento che esce dal segnale televisivo.
12:57
And the same idea now
290
762000
2000
Ora la stessa idea
12:59
can be built up.
291
764000
2000
può essere incrementata.
13:01
And we get this wordscape,
292
766000
2000
E abbiamo questo parolorama,
13:03
except now words are not assembled in my living room.
293
768000
3000
eccetto il fatto che ora le parole non sono assemblate nel mio soggiorno.
13:06
Instead, the context, the common ground activities,
294
771000
4000
Invece il contesto, le attività di base,
13:10
are the content on television that's driving the conversations.
295
775000
3000
sono il contenuto televisivo sotteso alle conversazioni.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
E quello che vediamo qui, questi grattacieli,
13:16
are commentary
297
781000
2000
sono i commenti
13:18
that are linked to content on television.
298
783000
2000
che sono legati al contenuto televisivo.
13:20
Same concept,
299
785000
2000
Il concetto è lo stesso,
13:22
but looking at communication dynamics
300
787000
2000
ma guardando alla dinamica delle comunicazioni
13:24
in a very different sphere.
301
789000
2000
in una sfera molto diversa.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
Così fondamentalmente, piuttosto che, ad esempio,
13:28
measuring content based on how many people are watching,
303
793000
3000
misurare il contenuto basandosi su quante persone stanno guardando,
13:31
this gives us the basic data
304
796000
2000
questo ci dà i dati di base
13:33
for looking at engagement properties of content.
305
798000
3000
per osservare la capacità del contenuto di suscitare interesse.
13:36
And just like we can look at feedback cycles
306
801000
3000
E proprio come possiamo osservare i cicli di risposta
13:39
and dynamics in a family,
307
804000
3000
e le dinamiche in una famiglia,
13:42
we can now open up the same concepts
308
807000
3000
possiamo ora aprire gli stessi concetti
13:45
and look at much larger groups of people.
309
810000
3000
e osservare a gruppi di persone più ampi.
13:48
This is a subset of data from our database --
310
813000
3000
Questo è un sotto insieme di dati dal nostro database --
13:51
just 50,000 out of several million --
311
816000
3000
solo 50.000 su diversi milioni --
13:54
and the social graph that connects them
312
819000
2000
e il grafico sociale che collega i dati
13:56
through publicly available sources.
313
821000
3000
attraverso le fonti pubbliche disponibili.
13:59
And if you put them on one plain,
314
824000
2000
E se le mettiamo tutti su un piano,
14:01
a second plain is where the content lives.
315
826000
3000
un secondo piano in cui c'è il contenuto.
14:04
So we have the programs
316
829000
3000
Così abbiamo i programmi
14:07
and the sporting events
317
832000
2000
e gli eventi sportivi
14:09
and the commercials,
318
834000
2000
e la pubblicità,
14:11
and all of the link structures that tie them together
319
836000
2000
e tutte le le strutture che li legano
14:13
make a content graph.
320
838000
2000
costituiscono il grafico del contenuto.
14:15
And then the important third dimension.
321
840000
4000
E quindi l'importante terza dimensione.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
Ogni collegamento che vedete rappresentato qui
14:21
is an actual connection made
323
846000
2000
è una reale connessione fatta
14:23
between something someone said
324
848000
3000
tra qualcosa che ha detto qualcuno
14:26
and a piece of content.
325
851000
2000
e un contenuto.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
E ci sono ora decine di milioni di questi collegamenti
14:31
that give us the connective tissue of social graphs
327
856000
3000
che ci danno il tessuto connettivo dei grafici sociali
14:34
and how they relate to content.
328
859000
3000
e come si relazionano al contenuto.
14:37
And we can now start to probe the structure
329
862000
2000
Possiamo ora iniziare a testare la struttura
14:39
in interesting ways.
330
864000
2000
in modo interessante.
14:41
So if we, for example, trace the path
331
866000
3000
Così se noi, ad esempio, tracciamo il percorso
14:44
of one piece of content
332
869000
2000
di un pezzo di contenuto
14:46
that drives someone to comment on it,
333
871000
2000
che porta qualcuno a commentarlo,
14:48
and then we follow where that comment goes,
334
873000
3000
e seguiamo dove va questo commento,
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
e quindi guardiamo all'intero grafico sociale che viene attivato
14:54
and then trace back to see the relationship
336
879000
3000
e torniamo indietro per vedere la relazione
14:57
between that social graph and content,
337
882000
2000
tra il grafico sociale e il contenuto,
14:59
a very interesting structure becomes visible.
338
884000
2000
diventa visibile una struttura veramente interessante.
15:01
We call this a co-viewing clique,
339
886000
2000
Chiamiamo ciò un gruppo di visione condivisa,
15:03
a virtual living room if you will.
340
888000
3000
o se volete un salotto virtuale.
15:06
And there are fascinating dynamics at play.
341
891000
2000
Sono in gioco dinamiche affascinanti.
15:08
It's not one way.
342
893000
2000
Non è un senso unico.
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
Una parte di contenuto, un evento, fa parlare qualcuno.
15:13
They talk to other people.
344
898000
2000
Che parla con altre persone.
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
Questo porta un comportamento di sintonizzazione dei mass media,
15:18
and you have these cycles
346
903000
2000
e si hanno questi cicli
15:20
that drive the overall behavior.
347
905000
2000
che guidano il comportamento collettivo.
15:22
Another example -- very different --
348
907000
2000
Un altro esempio -- molto diverso --
15:24
another actual person in our database --
349
909000
3000
un'altra persona reale nel nostro database --
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
e ne troviamo a centinaia se non a migliaia.
15:30
We've given this person a name.
351
915000
2000
Abbiamo dato un nome a questa persona.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
E' un critico dei media, un pro-amateur o pro-am
15:35
who has this high fan-out rate.
353
920000
3000
che ha questo alto tasso di apertura.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
Così molte persone lo seguono -- è molto influente --
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
e hanno la propensione di parlare di ciò che c'è in TV.
15:43
So this person is a key link
356
928000
3000
Così questa persona è un collegamento chiave
15:46
in connecting mass media and social media together.
357
931000
3000
nel connettere i mass media e i media sociali.
15:49
One last example from this data:
358
934000
3000
Un ultimo esempio da questi dati:
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
a volte ad essere speciale è un contenuto.
15:55
So if we go and look at this piece of content,
360
940000
4000
Così se andiamo a guardare questo contenuto,
15:59
President Obama's State of the Union address
361
944000
3000
il discorso sullo Stato dell'Unione del Presidente Obama
16:02
from just a few weeks ago,
362
947000
2000
di qualche settimana fa,
16:04
and look at what we find in this same data set,
363
949000
3000
e guardiamo quello che troviamo in questo stesso insieme di dati,
16:07
at the same scale,
364
952000
3000
alla stessa scala,
16:10
the engagement properties of this piece of content
365
955000
2000
la capacità di creare delle connessioni di questo contenuto
16:12
are truly remarkable.
366
957000
2000
è veramente notevole.
16:14
A nation exploding in conversation
367
959000
2000
Una nazione intera che discute
16:16
in real time
368
961000
2000
in tempo reale
16:18
in response to what's on the broadcast.
369
963000
3000
in risposta a ciò che viene trasmesso.
16:21
And of course, through all of these lines
370
966000
2000
Ovviamente, attraverso tutte queste tracce
16:23
are flowing unstructured language.
371
968000
2000
c'è un fluente linguaggio non strutturato.
16:25
We can X-ray
372
970000
2000
Possiamo passare a i raggi X
16:27
and get a real-time pulse of a nation,
373
972000
2000
ed avere in tempo reale il polso di una nazione,
16:29
real-time sense
374
974000
2000
il senso in tempo reale
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
delle reazioni sociali presenti nei diversi circuiti del grafico sociale
16:34
being activated by content.
376
979000
3000
che sono attivati da questo contenuto.
16:37
So, to summarize, the idea is this:
377
982000
3000
Così, per riassumere, l'idea è questa:
16:40
As our world becomes increasingly instrumented
378
985000
3000
Man mano che il nostro mondo diventa sempre più tecnologico
16:43
and we have the capabilities
379
988000
2000
ed abbiamo la capacità
16:45
to collect and connect the dots
380
990000
2000
di raccogliere e collegare i dati
16:47
between what people are saying
381
992000
2000
tra quello che la gente sta dicendo
16:49
and the context they're saying it in,
382
994000
2000
e il contesto in cui lo dicono,
16:51
what's emerging is an ability
383
996000
2000
ciò che emerge è la capacità
16:53
to see new social structures and dynamics
384
998000
3000
di vedere nuove strutture sociali e dinamiche
16:56
that have previously not been seen.
385
1001000
2000
che non si erano mai viste prima.
16:58
It's like building a microscope or telescope
386
1003000
2000
E' come costruire un microscopio o un telescopio
17:00
and revealing new structures
387
1005000
2000
e svelare nuove strutture
17:02
about our own behavior around communication.
388
1007000
3000
riguardo il nostro comportamento nell'ambito della comunicazione.
17:05
And I think the implications here are profound,
389
1010000
3000
Penso che le implicazioni qui siano profonde,
17:08
whether it's for science,
390
1013000
2000
sia per la scienza,
17:10
for commerce, for government,
391
1015000
2000
che per il commercio, per la politica
17:12
or perhaps most of all,
392
1017000
2000
o forse principalmente,
17:14
for us as individuals.
393
1019000
3000
per noi come individui.
17:17
And so just to return to my son,
394
1022000
3000
E così per tornare a mio figlio,
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
mentre stavo preparando questo discorso, mi stava guardando da dietro le spalle
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
e gli ho mostrato le clip che vi avrei mostrato oggi,
17:25
and I asked him for permission -- granted.
397
1030000
3000
e ho chiesto il suo permesso -- accordato.
17:28
And then I went on to reflect,
398
1033000
2000
Poi ho continuato a riflettere,
17:30
"Isn't it amazing,
399
1035000
3000
"Non è stupefacente,
17:33
this entire database, all these recordings,
400
1038000
3000
tutto questo database, tutte queste registrazioni,
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
che passerò a te e a tua sorella,"
17:38
who arrived two years later --
402
1043000
3000
che è arrivata due anni dopo.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"e voi ragazzi avrete la possibilità di tornare indietro e rifare l'esperienza
17:44
that you could never, with your biological memory,
404
1049000
3000
di momenti che non avreste mai, con la vostra memoria biologica,
17:47
possibly remember the way you can now?"
405
1052000
2000
potuto ricordare in questo modo."
17:49
And he was quiet for a moment.
406
1054000
2000
E lui è stato in silenzio per un momento.
17:51
And I thought, "What am I thinking?
407
1056000
2000
E io ho pensato: "Cosa sto pensando?
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
Ha cinque anni. Non capirà queste cose."
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
E proprio mentre stavo pensando questo, mi ha guardato e ha detto,
17:58
"So that when I grow up,
410
1063000
2000
"Così quando sarò grande,
18:00
I can show this to my kids?"
411
1065000
2000
potrò mostrarlo ai miei bambini?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
E ho pensato: "Wow, questa è roba potente."
18:05
So I want to leave you
413
1070000
2000
Così voglio lasciarvi
18:07
with one last memorable moment
414
1072000
2000
con un ultimo momento memorabile
18:09
from our family.
415
1074000
3000
che riguarda la nostra famiglia.
18:12
This is the first time our son
416
1077000
2000
Questa è la prima volta che nostro figlio
18:14
took more than two steps at once --
417
1079000
2000
ha fatto più di due passi alla volta --
18:16
captured on film.
418
1081000
2000
catturata in un film.
18:18
And I really want you to focus on something
419
1083000
3000
E voglio davvero che vi focalizziate su una cosa
18:21
as I take you through.
420
1086000
2000
mentre vi guido.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
E' un ambiente disordinato; è vita reale.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
Mia madre è in cucina, e sta cucinando,
18:27
and, of all places, in the hallway,
423
1092000
2000
e di tutti i posti, nell'entrata,
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
capisco che sta per farcela a fare più di due passi.
18:32
And so you hear me encouraging him,
425
1097000
2000
Così mi sentite incoraggiarlo,
18:34
realizing what's happening,
426
1099000
2000
comprendendo cosa sta accadendo,
18:36
and then the magic happens.
427
1101000
2000
e infine la magia accade.
18:38
Listen very carefully.
428
1103000
2000
Ascoltate molto attentamente.
18:40
About three steps in,
429
1105000
2000
Al terzo passo,
18:42
he realizes something magic is happening,
430
1107000
2000
lui capisce che sta accadendo qualcosa di magico.
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
Ed ecco il più strabiliante dei cicli di risposta,
18:47
and he takes a breath in,
432
1112000
2000
fa un gran respiro,
18:49
and he whispers "wow"
433
1114000
2000
e sussurra "wow"
18:51
and instinctively I echo back the same.
434
1116000
4000
e istintivamente io gli faccio eco.
18:56
And so let's fly back in time
435
1121000
3000
Così possiamo volare indietro nel tempo
18:59
to that memorable moment.
436
1124000
2000
a questo momento memorabile.
19:05
(Video) DR: Hey.
437
1130000
2000
(Video) DR: Hey.
19:07
Come here.
438
1132000
2000
Vieni qui.
19:09
Can you do it?
439
1134000
3000
Ci riesci?
19:13
Oh, boy.
440
1138000
2000
Oh, ragazzo.
19:15
Can you do it?
441
1140000
3000
Ci riesci?
19:18
Baby: Yeah.
442
1143000
2000
Bambino: Sì.
19:20
DR: Ma, he's walking.
443
1145000
3000
DR: Mamma sta camminando.
19:24
(Laughter)
444
1149000
2000
(Risate)
19:26
(Applause)
445
1151000
2000
(Applausi)
19:28
DR: Thank you.
446
1153000
2000
DR: Grazie.
19:30
(Applause)
447
1155000
15000
(Applausi)
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