TEDGlobal 2011
Alison Gopnik: What do babies think?
Alison Gopnik: O que pensam os bebês?
Filmed:
Readability: 3.4
4,341,974 views
"Bebês e crianças são a divisão de pesquisa e desenvolvimento da espécie humana", diz a psicóloga Alison Gopnik. Sua pesquisa explora o desenvolvimento sofisticado da inteligência e tomada de decisões que os bebês fazem quando brincam.
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
O que está acontecendo
00:17
in this baby's mind?
1
2000
2000
na mente desse bebê?
00:19
If you'd asked people this 30 years ago,
2
4000
2000
Se perguntássemos isso 30 anos atrás,
00:21
most people, including psychologists,
3
6000
2000
a maioria das pessoas, inclusive os psicólogos,
00:23
would have said that this baby was irrational,
4
8000
3000
diriam que esse bebê é irracional,
00:26
illogical, egocentric --
5
11000
2000
ilógico, egocêntrico --
00:28
that he couldn't take the perspective of another person
6
13000
2000
que ele não poderia ter a perspectiva de outra pessoa
00:30
or understand cause and effect.
7
15000
2000
ou entender causa e efeito.
00:32
In the last 20 years,
8
17000
2000
Nos últimos 20 anos,
00:34
developmental science has completely overturned that picture.
9
19000
3000
a ciência do desenvolvimento mudou completamente esse quadro.
00:37
So in some ways,
10
22000
2000
Em algumas maneiras,
00:39
we think that this baby's thinking
11
24000
2000
nós achamos que o pensamento desse bebê
00:41
is like the thinking of the most brilliant scientists.
12
26000
4000
é como o pensamento da maioria dos cientistas brilhantes.
00:45
Let me give you just one example of this.
13
30000
2000
Deixem-me dar só um exemplo disso.
00:47
One thing that this baby could be thinking about,
14
32000
3000
Uma coisa que esse bebê poderia estar pensando,
00:50
that could be going on in his mind,
15
35000
2000
que poderia passar em sua mente,
00:52
is trying to figure out
16
37000
2000
é tentar descobrir
00:54
what's going on in the mind of that other baby.
17
39000
3000
o que está acontecendo na mente desse outro bebê.
00:57
After all, one of the things that's hardest for all of us to do
18
42000
3000
Afinal, uma das coisas mais difíceis para todos nós fazermos
01:00
is to figure out what other people are thinking and feeling.
19
45000
3000
é descobrir o que outras pessoas pensam e sentem.
01:03
And maybe the hardest thing of all
20
48000
2000
E talvez a coisa mais difícil de todas
01:05
is to figure out that what other people think and feel
21
50000
3000
seja descobrir que o que outras pessoas pensam e sentem
01:08
isn't actually exactly like what we think and feel.
22
53000
2000
não é exatamente aquilo que nós pensamos e sentimos.
01:10
Anyone who's followed politics can testify
23
55000
2000
Qualquer pessoa que se envolva em política pode
01:12
to how hard that is for some people to get.
24
57000
3000
confirmar como isso é difícil para alguns.
01:15
We wanted to know
25
60000
2000
Nós queremos saber
01:17
if babies and young children
26
62000
2000
se bebês e crianças
01:19
could understand this really profound thing about other people.
27
64000
3000
podem entender essa coisa profunda sobre outras pessoas.
01:22
Now the question is: How could we ask them?
28
67000
2000
Agora a questão é: como nós perguntamos a eles?
01:24
Babies, after all, can't talk,
29
69000
2000
Os bebês, afinal, não falam,
01:26
and if you ask a three year-old
30
71000
2000
e se você pedir para uma criança de 3 anos
01:28
to tell you what he thinks,
31
73000
2000
dizer o que ela pensa,
01:30
what you'll get is a beautiful stream of consciousness monologue
32
75000
3000
o que você consegue é um lindo monólogo inconsciente
01:33
about ponies and birthdays and things like that.
33
78000
3000
sobre pôneis e aniversários e coisas assim.
01:36
So how do we actually ask them the question?
34
81000
3000
Então como nós fazemos essa pergunta?
01:39
Well it turns out that the secret was broccoli.
35
84000
3000
Acontece que o segredo era o brócolis.
01:42
What we did -- Betty Rapacholi, who was one of my students, and I --
36
87000
4000
O que fizemos -- Betty Rapacholi, que era uma de minhas alunas, e eu --
01:46
was actually to give the babies two bowls of food:
37
91000
3000
foi dar a esses bebês dois pratos de comida:
01:49
one bowl of raw broccoli
38
94000
2000
um prato de brócolis cru
01:51
and one bowl of delicious goldfish crackers.
39
96000
3000
e um prato com salgadinhos deliciosos.
01:54
Now all of the babies, even in Berkley,
40
99000
3000
Todos esses bebês, mesmo em Berkley,
01:57
like the crackers and don't like the raw broccoli.
41
102000
3000
adoram os salgadinhos e não gostam de brócolis cru.
02:00
(Laughter)
42
105000
2000
(Risos)
02:02
But then what Betty did
43
107000
2000
Mas o que Betty fez
02:04
was to take a little taste of food from each bowl.
44
109000
3000
foi saborear um pouco da comida de cada prato.
02:07
And she would act as if she liked it or she didn't.
45
112000
2000
E ela encenaria como se ela gostasse ou não gostasse.
02:09
So half the time, she acted
46
114000
2000
Na metade do experimento, ela agiria
02:11
as if she liked the crackers and didn't like the broccoli --
47
116000
2000
como se gostasse dos salgadinhos e não do brócolis --
02:13
just like a baby and any other sane person.
48
118000
3000
assim como um bebê e qualquer pessoa sã.
02:16
But half the time,
49
121000
2000
Mas na outra metade,
02:18
what she would do is take a little bit of the broccoli
50
123000
2000
ela pegaria um pouco do brócolis
02:20
and go, "Mmmmm, broccoli.
51
125000
3000
e diria: "Mmmmm, brócolis!
02:23
I tasted the broccoli. Mmmmm."
52
128000
3000
Experimentei o brócolis. Mmmmm."
02:26
And then she would take a little bit of the crackers,
53
131000
2000
E depois ela pegaria uma porção de salgadinhos,
02:28
and she'd go, "Eww, yuck, crackers.
54
133000
4000
e diria: "Uuuu, eca, salgadinhos.
02:32
I tasted the crackers. Eww, yuck."
55
137000
3000
Experimentei os salgadinhos. Uuuu, eca!"
02:35
So she'd act as if what she wanted
56
140000
2000
Então ela agiria como se gostasse daquilo
02:37
was just the opposite of what the babies wanted.
57
142000
3000
que era oposto do que os bebês gostavam.
02:40
We did this with 15 and 18 month-old babies.
58
145000
2000
Nós fizemos isso com bebês de 15 e de 18 meses.
02:42
And then she would simply put her hand out and say,
59
147000
3000
E depois ela simplesmente mostraria a mão e diria:
02:45
"Can you give me some?"
60
150000
2000
"Você pode me dar um pouco?"
02:47
So the question is: What would the baby give her,
61
152000
2000
Então a questão é: o que o bebê daria a ela,
02:49
what they liked or what she liked?
62
154000
2000
o que eles gostavam ou o que ela gostava?
02:51
And the remarkable thing was that 18 month-old babies,
63
156000
3000
E o mais impressionante foi que os bebês de 18 meses,
02:54
just barely walking and talking,
64
159000
2000
que estavam começando a andar e falar,
02:56
would give her the crackers if she liked the crackers,
65
161000
3000
dariam a ela os salgadinhos se ela gostasse dos salgadinhos,
02:59
but they would give her the broccoli if she liked the broccoli.
66
164000
3000
mas dariam a ela o brócolis se ela gostasse do brócolis.
03:02
On the other hand,
67
167000
2000
Por outro lado,
03:04
15 month-olds would stare at her for a long time
68
169000
2000
bebês de 15 meses ficariam olhando para ela por muito tempo
03:06
if she acted as if she liked the broccoli,
69
171000
2000
se ela encenasse que gostou do brócolis,
03:08
like they couldn't figure this out.
70
173000
3000
como se eles não conseguissem entender isso.
03:11
But then after they stared for a long time,
71
176000
2000
Mas depois de ficar olhando por um tempo,
03:13
they would just give her the crackers,
72
178000
2000
eles dariam a ela os salgadinhos,
03:15
what they thought everybody must like.
73
180000
2000
que é aquilo que acham que todo mundo gosta.
03:17
So there are two really remarkable things about this.
74
182000
3000
Então há duas coisas impressionantes sobre isso.
03:20
The first one is that these little 18 month-old babies
75
185000
3000
A primeira é que esses bebês de 18 meses
03:23
have already discovered
76
188000
2000
já descobriram
03:25
this really profound fact about human nature,
77
190000
2000
essa verdade profunda sobre a natureza humana,
03:27
that we don't always want the same thing.
78
192000
2000
que nós não gostamos sempre da mesma coisa.
03:29
And what's more, they felt that they should actually do things
79
194000
2000
E mais, eles acharam que deviam realmente fazer coisas
03:31
to help other people get what they wanted.
80
196000
3000
para ajudar as pessoas a conseguir o que elas queriam.
03:34
Even more remarkably though,
81
199000
2000
E ainda mais interessante que isso,
03:36
the fact that 15 month-olds didn't do this
82
201000
3000
o fato dos bebês de 15 meses não fazerem isso
03:39
suggests that these 18 month-olds had learned
83
204000
3000
sugere que os bebês de 18 meses aprenderam
03:42
this deep, profound fact about human nature
84
207000
3000
essa verdade profunda sobre a natureza humana
03:45
in the three months from when they were 15 months old.
85
210000
3000
em três meses, desde que tinham 15 meses de idade.
03:48
So children both know more and learn more
86
213000
2000
Então as crianças tanto sabem mais e aprendem mais
03:50
than we ever would have thought.
87
215000
2000
do que nós podíamos imaginar.
03:52
And this is just one of hundreds and hundreds of studies over the last 20 years
88
217000
4000
E este foi apenas um de centenas de estudos dos últimos 20 anos
03:56
that's actually demonstrated it.
89
221000
2000
que realmente demonstrou isso.
03:58
The question you might ask though is:
90
223000
2000
A questão que vocês podem estar pensando é:
04:00
Why do children learn so much?
91
225000
3000
Por que as crianças aprendem tanto?
04:03
And how is it possible for them to learn so much
92
228000
2000
E como é possível para elas aprenderem tanto
04:05
in such a short time?
93
230000
2000
em um período tão curto de tempo?
04:07
I mean, after all, if you look at babies superficially,
94
232000
2000
Quero dizer, afinal, se você olhar superficialmente para os bebês,
04:09
they seem pretty useless.
95
234000
2000
eles parecem praticamente inúteis.
04:11
And actually in many ways, they're worse than useless,
96
236000
3000
E de várias maneiras, eles são piores que inúteis,
04:14
because we have to put so much time and energy
97
239000
2000
pois nós precisamos investir muito tempo e energia
04:16
into just keeping them alive.
98
241000
2000
apenas para mantê-los vivos.
04:18
But if we turn to evolution
99
243000
2000
Mas se buscarmos na evolução
04:20
for an answer to this puzzle
100
245000
2000
a resposta para esse quebra-cabeça
04:22
of why we spend so much time
101
247000
2000
sobre porquê gastamos tanto tempo
04:24
taking care of useless babies,
102
249000
3000
tomando conta de bebês inúteis,
04:27
it turns out that there's actually an answer.
103
252000
3000
descobriremos que há realmente uma resposta.
04:30
If we look across many, many different species of animals,
104
255000
3000
Se observarmos muitas espécies diferentes de animais,
04:33
not just us primates,
105
258000
2000
não apenas nós primatas,
04:35
but also including other mammals, birds,
106
260000
2000
mas também outros mamíferos, aves,
04:37
even marsupials
107
262000
2000
até mesmo marsupiais
04:39
like kangaroos and wombats,
108
264000
2000
como cangurus e vombátidos,
04:41
it turns out that there's a relationship
109
266000
2000
descobriremos que há uma relação
04:43
between how long a childhood a species has
110
268000
4000
entre a duração da infância de uma espécie
04:47
and how big their brains are compared to their bodies
111
272000
4000
e a comparação do tamanho de seus cérebros com seus corpos
04:51
and how smart and flexible they are.
112
276000
2000
e como são espertos e flexíveis.
04:53
And sort of the posterbirds for this idea are the birds up there.
113
278000
3000
E exemplos de aves para essa ideia são os pássaros ali.
04:56
On one side
114
281000
2000
De um lado
04:58
is a New Caledonian crow.
115
283000
2000
está um corvo-da-nova-caledônia.
05:00
And crows and other corvidae, ravens, rooks and so forth,
116
285000
3000
E corvos e outros corvídeos, gaios, gralhas e outros,
05:03
are incredibly smart birds.
117
288000
2000
são aves incrivelmente espertas.
05:05
They're as smart as chimpanzees in some respects.
118
290000
3000
Elas são espertas como chimpanzés em alguns aspectos.
05:08
And this is a bird on the cover of science
119
293000
2000
E esse é um pássaro na capa da Science
05:10
who's learned how to use a tool to get food.
120
295000
3000
que aprendeu como usar uma ferramenta para conseguir comida.
05:13
On the other hand,
121
298000
2000
Do outro lado,
05:15
we have our friend the domestic chicken.
122
300000
2000
nós temos nossa amiga galinha doméstica.
05:17
And chickens and ducks and geese and turkeys
123
302000
3000
E galinhas, patos, gansos e perus
05:20
are basically as dumb as dumps.
124
305000
2000
são basicamente burros como uma porta.
05:22
So they're very, very good at pecking for grain,
125
307000
3000
Então elas são muito boas em bicar grãos,
05:25
and they're not much good at doing anything else.
126
310000
3000
e não são eficientes em nada mais além disso.
05:28
Well it turns out that the babies,
127
313000
2000
Acontece que os bebês,
05:30
the New Caledonian crow babies, are fledglings.
128
315000
2000
os bebês dos corvos-da-nova-caledônia, são emplumados.
05:32
They depend on their moms
129
317000
2000
Eles dependem de suas mães
05:34
to drop worms in their little open mouths
130
319000
3000
para jogar minhocas em suas boquinhas abertas
05:37
for as long as two years,
131
322000
2000
durante dois anos,
05:39
which is a really long time in the life of a bird.
132
324000
2000
que é um tempo muito longo para a vida de uma ave.
05:41
Whereas the chickens are actually mature
133
326000
2000
Enquanto que as galinhas são praticamente maduras
05:43
within a couple of months.
134
328000
2000
depois de dois meses.
05:45
So childhood is the reason
135
330000
3000
Então a infância é a razão
05:48
why the crows end up on the cover of Science
136
333000
2000
pela qual corvos terminam na capa da Science
05:50
and the chickens end up in the soup pot.
137
335000
2000
e as galinhas terminam na panela de canja.
05:52
There's something about that long childhood
138
337000
3000
Há alguma coisa sobre essa infância longa
05:55
that seems to be connected
139
340000
2000
que parece estar conectada
05:57
to knowledge and learning.
140
342000
2000
com conhecimento e aprendizagem.
05:59
Well what kind of explanation could we have for this?
141
344000
3000
Então qual tipo de explicação poderíamos ter para isso?
06:02
Well some animals, like the chicken,
142
347000
3000
Alguns animais, como as galinhas,
06:05
seem to be beautifully suited
143
350000
2000
parecem estar maravilhosamente adaptadas
06:07
to doing just one thing very well.
144
352000
2000
a fazer apenas uma coisa muito bem.
06:09
So they seem to be beautifully suited
145
354000
3000
Então elas parecem estar maravilhosamente adaptadas
06:12
to pecking grain in one environment.
146
357000
2000
a bicar grãos em um ambiente.
06:14
Other creatures, like the crows,
147
359000
2000
Outras criaturas, como corvos,
06:16
aren't very good at doing anything in particular,
148
361000
2000
não são muito boas em fazer nada em particular,
06:18
but they're extremely good
149
363000
2000
mas elas são muito boas
06:20
at learning about laws of different environments.
150
365000
2000
em aprender regras de ambientes diferentes.
06:22
And of course, we human beings
151
367000
2000
E claro, nós seres humanos
06:24
are way out on the end of the distribution like the crows.
152
369000
3000
estamos além da curva de distribuição como os corvos.
06:27
We have bigger brains relative to our bodies
153
372000
2000
Nós temos cérebros grandes em relação aos nossos corpos
06:29
by far than any other animal.
154
374000
2000
maiores do que qualquer outro animal.
06:31
We're smarter, we're more flexible,
155
376000
2000
Somos mais inteligentes, mais flexíveis,
06:33
we can learn more,
156
378000
2000
podemos aprender mais,
06:35
we survive in more different environments,
157
380000
2000
sobrevivemos em mais ambientes diferentes,
06:37
we migrated to cover the world and even go to outer space.
158
382000
3000
nós migramos por todo o mundo e vamos até para o espaço sideral.
06:40
And our babies and children are dependent on us
159
385000
3000
E nossos bebês e crianças são dependentes de nós
06:43
for much longer than the babies of any other species.
160
388000
3000
por mais tempo do que os bebês de qualquer outra espécie.
06:46
My son is 23.
161
391000
2000
Meu filho tem 23 anos.
06:48
(Laughter)
162
393000
2000
(Risos)
06:50
And at least until they're 23,
163
395000
2000
E pelo menos até que tenham 23 anos,
06:52
we're still popping those worms
164
397000
2000
nós ainda estamos jogando essas minhocas
06:54
into those little open mouths.
165
399000
3000
em suas boquinhas abertas.
06:57
All right, why would we see this correlation?
166
402000
3000
Muito bem, por que veríamos essa correlação?
07:00
Well an idea is that that strategy, that learning strategy,
167
405000
4000
Bem, uma ideia é que a estratégia, a estratégia de aprendizagem,
07:04
is an extremely powerful, great strategy for getting on in the world,
168
409000
3000
é uma estratégia extremamente poderosa para se manter no mundo,
07:07
but it has one big disadvantage.
169
412000
2000
mas tem essa grande desvantagem.
07:09
And that one big disadvantage
170
414000
2000
E essa única grande desvantagem
07:11
is that, until you actually do all that learning,
171
416000
3000
é que, até que você passe por toda essa aprendizagem,
07:14
you're going to be helpless.
172
419000
2000
você estará vulnerável.
07:16
So you don't want to have the mastodon charging at you
173
421000
3000
Então você não vai querer um mastodonte atrás de você
07:19
and be saying to yourself,
174
424000
2000
e perguntando a si mesmo:
07:21
"A slingshot or maybe a spear might work. Which would actually be better?"
175
426000
4000
"Uma funda ou uma lança podem funcionar. Qual seria a melhor opção?"
07:25
You want to know all that
176
430000
2000
Você quer saber tudo isso
07:27
before the mastodons actually show up.
177
432000
2000
antes que o mastodonte apareça.
07:29
And the way the evolutions seems to have solved that problem
178
434000
3000
E a forma como a evolução parece ter resolvido esse problema
07:32
is with a kind of division of labor.
179
437000
2000
foi como um tipo de divisão de trabalho.
07:34
So the idea is that we have this early period when we're completely protected.
180
439000
3000
A ideia é que temos essa fase inicial em que estamos completamente protegidos.
07:37
We don't have to do anything. All we have to do is learn.
181
442000
3000
Não precisamos fazer nada. Tudo que temos de fazer é aprender.
07:40
And then as adults,
182
445000
2000
E depois quando adultos,
07:42
we can take all those things that we learned when we were babies and children
183
447000
3000
nós podemos usar todas as coisas que aprendemos quando éramos bebês e crianças
07:45
and actually put them to work to do things out there in the world.
184
450000
3000
e colocá-las em prática para fazer coisas pelo mundo.
07:48
So one way of thinking about it
185
453000
2000
Então uma forma de pensar sobre isso
07:50
is that babies and young children
186
455000
2000
é que os bebês e crianças
07:52
are like the research and development division of the human species.
187
457000
3000
são como a divisão de pesquisa da espécie humana.
07:55
So they're the protected blue sky guys
188
460000
3000
Então eles são os cientistas protegidos
07:58
who just have to go out and learn and have good ideas,
189
463000
2000
que vão aprender e ter boas ideias,
08:00
and we're production and marketing.
190
465000
2000
e nós estamos na produção e marketing.
08:02
We have to take all those ideas
191
467000
2000
Nós vamos usar todas essas ideias
08:04
that we learned when we were children
192
469000
2000
que aprendemos quando éramos crianças
08:06
and actually put them to use.
193
471000
2000
e colocá-las em prática.
08:08
Another way of thinking about it
194
473000
2000
Outra forma de pensar sobre isso
08:10
is instead of thinking of babies and children
195
475000
2000
é em vez de pensar em bebês e crianças
08:12
as being like defective grownups,
196
477000
2000
como adultos imperfeitos,
08:14
we should think about them
197
479000
2000
nós devemos pensar neles
08:16
as being a different developmental stage of the same species --
198
481000
2000
como um estágio de desenvolvimento diferente da mesma espécie --
08:18
kind of like caterpillars and butterflies --
199
483000
3000
como as lagartas e borboletas --
08:21
except that they're actually the brilliant butterflies
200
486000
2000
exceto que eles são as belas borboletas
08:23
who are flitting around the garden and exploring,
201
488000
3000
que estão voando pelo jardim e explorando,
08:26
and we're the caterpillars
202
491000
2000
e nós somos as lagartas
08:28
who are inching along our narrow, grownup, adult path.
203
493000
3000
que estão tateando nosso pequeno caminho adulto.
08:31
If this is true, if these babies are designed to learn --
204
496000
3000
Se isso é verdade, se esses bebês são projetados para aprender --
08:34
and this evolutionary story would say children are for learning,
205
499000
3000
e essa história evolucionária diria que crianças são para aprender,
08:37
that's what they're for --
206
502000
2000
é para isso que eles servem --
08:39
we might expect
207
504000
2000
nós podemos esperar
08:41
that they would have really powerful learning mechanisms.
208
506000
2000
que eles tenham mecanismos de aprendizagem poderosos.
08:43
And in fact, the baby's brain
209
508000
3000
E de fato, o cérebro do bebê
08:46
seems to be the most powerful learning computer
210
511000
2000
parece ser o computador de aprendizagem mais poderoso
08:48
on the planet.
211
513000
2000
do planeta.
08:50
But real computers are actually getting to be a lot better.
212
515000
3000
Mas computadores de verdade vão ficar ainda melhores.
08:53
And there's been a revolution
213
518000
2000
E recentemente houve uma revolução
08:55
in our understanding of machine learning recently.
214
520000
2000
em nossa compreensão de aprendizagem de máquinas.
08:57
And it all depends on the ideas of this guy,
215
522000
3000
E tudo isso depende das ideias desse cara,
09:00
the Reverend Thomas Bayes,
216
525000
2000
o Reverendo Thomas Bayes,
09:02
who was a statistician and mathematician in the 18th century.
217
527000
3000
que era um matemático estatístico no século 18.
09:05
And essentially what Bayes did
218
530000
3000
E o que Bayes fez essencialmente
09:08
was to provide a mathematical way
219
533000
2000
foi fornecer um modo matemático
09:10
using probability theory
220
535000
2000
usando a teoria da probabilidade
09:12
to characterize, describe,
221
537000
2000
de caracterizar e descrever,
09:14
the way that scientists find out about the world.
222
539000
2000
a maneira como os cientistas descobrem o mundo.
09:16
So what scientists do
223
541000
2000
Então o que os cientistas fazem
09:18
is they have a hypothesis that they think might be likely to start with.
224
543000
3000
é ter uma hipótese que acham que pode funcionar para começar.
09:21
They go out and test it against the evidence.
225
546000
2000
Eles saem por aí e testam-na contra a evidência.
09:23
The evidence makes them change that hypothesis.
226
548000
2000
A evidência os faz mudar a hipótese.
09:25
Then they test that new hypothesis
227
550000
2000
Então eles testam essa nova hipótese
09:27
and so on and so forth.
228
552000
2000
e assim por diante.
09:29
And what Bayes showed was a mathematical way that you could do that.
229
554000
3000
E o que Bayes mostrou foi um modo matemático para fazer isso.
09:32
And that mathematics is at the core
230
557000
2000
E a matemática está no coração
09:34
of the best machine learning programs that we have now.
231
559000
2000
da melhor máquina de aprendizagem que temos agora.
09:36
And some 10 years ago,
232
561000
2000
E há cerca de 10 anos,
09:38
I suggested that babies might be doing the same thing.
233
563000
4000
eu sugeri que os bebês podiam estar fazendo a mesma coisa.
09:42
So if you want to know what's going on
234
567000
2000
Então se você quer saber o que está acontecendo
09:44
underneath those beautiful brown eyes,
235
569000
2000
por trás desses lindos olhos castanhos,
09:46
I think it actually looks something like this.
236
571000
2000
eu penso realmente que parece algo assim.
09:48
This is Reverend Bayes's notebook.
237
573000
2000
Este é o caderno do Reverendo Bayes.
09:50
So I think those babies are actually making complicated calculations
238
575000
3000
Eu penso que esses bebês estão fazendo cálculos complicados
09:53
with conditional probabilities that they're revising
239
578000
3000
com probabilidades condicionais que estão revisando
09:56
to figure out how the world works.
240
581000
2000
para descobrir como o mundo funciona.
09:58
All right, now that might seem like an even taller order to actually demonstrate.
241
583000
4000
Tudo bem, agora isso parece estar num nível maior do que seja demonstrável.
10:02
Because after all, if you ask even grownups about statistics,
242
587000
2000
Por causa disso, se você perguntar aos adultos sobre estatística,
10:04
they look extremely stupid.
243
589000
2000
eles parecerão extremamente estúpidos.
10:06
How could it be that children are doing statistics?
244
591000
3000
Como é possível que crianças façam estatística?
10:09
So to test this we used a machine that we have
245
594000
2000
Então para testar isso nós usamos nossa máquina
10:11
called the Blicket Detector.
246
596000
2000
chamada de Detector Blicket.
10:13
This is a box that lights up and plays music
247
598000
2000
Isso é uma caixa que acende e toca música
10:15
when you put some things on it and not others.
248
600000
3000
se você colocar algumas coisas em cima e não outras.
10:18
And using this very simple machine,
249
603000
2000
E usando essa máquina muito simples,
10:20
my lab and others have done dozens of studies
250
605000
2000
meu laboratório realizou dezenas de estudos
10:22
showing just how good babies are
251
607000
2000
mostrando como os bebês são bons
10:24
at learning about the world.
252
609000
2000
em aprender sobre o mundo.
10:26
Let me mention just one
253
611000
2000
Deixem-me mencionar apenas um
10:28
that we did with Tumar Kushner, my student.
254
613000
2000
que fizemos com Tumar Kushner, meu aluno.
10:30
If I showed you this detector,
255
615000
2000
Se eu mostrasse a você esse detector,
10:32
you would be likely to think to begin with
256
617000
2000
provavelmente você começaria a pensar
10:34
that the way to make the detector go
257
619000
2000
que a maneira de ligar o detector
10:36
would be to put a block on top of the detector.
258
621000
3000
seria colocar um bloco no topo do detector.
10:39
But actually, this detector
259
624000
2000
Mas na verdade, esse detector
10:41
works in a bit of a strange way.
260
626000
2000
funciona de um jeito estranho.
10:43
Because if you wave a block over the top of the detector,
261
628000
3000
Pois se você passar um bloco no topo do detector,
10:46
something you wouldn't ever think of to begin with,
262
631000
3000
algo que você sequer pensaria a princípio,
10:49
the detector will actually activate two out of three times.
263
634000
3000
o detector vai se ativar duas vezes em três tentativas.
10:52
Whereas, if you do the likely thing, put the block on the detector,
264
637000
3000
Ao passo que, se você fizer o mais provável, colocar o bloco sobre o detector,
10:55
it will only activate two out of six times.
265
640000
4000
ele vai se ativar só duas vezes em seis tentativas.
10:59
So the unlikely hypothesis
266
644000
2000
Então a hipótese improvável
11:01
actually has stronger evidence.
267
646000
2000
tem a evidência mais sólida.
11:03
It looks as if the waving
268
648000
2000
Parece que o passar do objeto
11:05
is a more effective strategy than the other strategy.
269
650000
2000
é uma estratégia mais eficiente do que a outra estratégia.
11:07
So we did just this; we gave four year-olds this pattern of evidence,
270
652000
3000
Então fizemos apenas isso: nós demos a crianças de 4 anos esse padrão de evidência,
11:10
and we just asked them to make it go.
271
655000
2000
e nós pedimos a elas para fazer isso funcionar.
11:12
And sure enough, the four year-olds used the evidence
272
657000
3000
E como esperado, as crianças de 4 anos usaram a evidência
11:15
to wave the object on top of the detector.
273
660000
3000
para passar o objeto no topo do detector.
11:18
Now there are two things that are really interesting about this.
274
663000
3000
Agora há duas coisas que são muito interessantes a respeito disso.
11:21
The first one is, again, remember, these are four year-olds.
275
666000
3000
A primeira é, novamente, lembrar que são crianças de 4 anos.
11:24
They're just learning how to count.
276
669000
2000
Elas estão começando a aprender a contar.
11:26
But unconsciously,
277
671000
2000
Mas inconscientemente,
11:28
they're doing these quite complicated calculations
278
673000
2000
elas estão fazendo esses cálculos complicados
11:30
that will give them a conditional probability measure.
279
675000
3000
que vão dar a elas uma medida probabilística condicional.
11:33
And the other interesting thing
280
678000
2000
E a outra coisa interessante
11:35
is that they're using that evidence
281
680000
2000
é que elas estão usando essa evidência
11:37
to get to an idea, get to a hypothesis about the world,
282
682000
3000
para chegar a uma ideia, chegar a uma hipótese sobre o mundo,
11:40
that seems very unlikely to begin with.
283
685000
3000
que parecia muito improvável a princípio.
11:43
And in studies we've just been doing in my lab, similar studies,
284
688000
3000
E nos estudos que fizemos em meu laboratório, estudos parecidos,
11:46
we've show that four year-olds are actually better
285
691000
2000
nós mostramos que crianças de 4 anos são melhores
11:48
at finding out an unlikely hypothesis
286
693000
3000
em descobrir uma hipótese improvável
11:51
than adults are when we give them exactly the same task.
287
696000
3000
que adultos quando damos a eles exatamente a mesma tarefa.
11:54
So in these circumstances,
288
699000
2000
Então nessas circunstâncias,
11:56
the children are using statistics to find out about the world,
289
701000
3000
as crianças estão usando estatísticas para descobrir sobre o mundo,
11:59
but after all, scientists also do experiments,
290
704000
3000
mas afinal, cientistas também fazem experimentos,
12:02
and we wanted to see if children are doing experiments.
291
707000
3000
e nós queremos ver se crianças estão fazendo experimentos.
12:05
When children do experiments we call it "getting into everything"
292
710000
3000
Quando as crianças fazem experimentos nós chamamos de "mexer em tudo"
12:08
or else "playing."
293
713000
2000
ou ainda de "brincar".
12:10
And there's been a bunch of interesting studies recently
294
715000
3000
E recentemente há um monte de estudos interessantes
12:13
that have shown this playing around
295
718000
3000
que mostraram que essa brincadeira
12:16
is really a kind of experimental research program.
296
721000
2000
é na verdade um tipo de programa de pesquisa experimental.
12:18
Here's one from Cristine Legare's lab.
297
723000
3000
Eis aqui um do laboratório de Cristine Legare.
12:21
What Cristine did was use our Blicket Detectors.
298
726000
3000
O que Cristine fez foi usar nosso Detector Blicket.
12:24
And what she did was show children
299
729000
2000
E o que ela fez foi mostrar a crianças
12:26
that yellow ones made it go and red ones didn't,
300
731000
2000
que os amarelos o ligavam e os vermelhos não,
12:28
and then she showed them an anomaly.
301
733000
3000
e depois ela mostrou a elas uma anomalia.
12:31
And what you'll see
302
736000
2000
E o que vocês verão
12:33
is that this little boy will go through five hypotheses
303
738000
3000
é que esse garotinho vai tentar cinco hipóteses
12:36
in the space of two minutes.
304
741000
3000
no espaço de dois minutos.
12:39
(Video) Boy: How about this?
305
744000
3000
(Vídeo) Garoto: Que tal isso?
12:43
Same as the other side.
306
748000
3000
Igual ao outro lado.
12:46
Alison Gopnik: Okay, so his first hypothesis has just been falsified.
307
751000
4000
Alison Gopnik: Ok, então sua primeira hipótese foi falseada.
12:55
(Laughter)
308
760000
2000
(Risos)
12:57
Boy: This one lighted up, and this one nothing.
309
762000
3000
Garoto: Essa ligou, e essa nada.
13:00
AG: Okay, he's got his experimental notebook out.
310
765000
3000
AG: Ok, ele está tomando notas experimentais.
13:06
Boy: What's making this light up.
311
771000
4000
Garoto: O que faz isso ligar?
13:11
(Laughter)
312
776000
9000
(Risos)
13:20
I don't know.
313
785000
2000
Eu não sei.
13:22
AG: Every scientist will recognize that expression of despair.
314
787000
4000
AG: Qualquer cientista vai reconhecer sua expressão de desespero.
13:26
(Laughter)
315
791000
3000
(Risos)
13:29
Boy: Oh, it's because this needs to be like this,
316
794000
6000
Garoto: Ah, é porque isso precisa estar assim,
13:35
and this needs to be like this.
317
800000
2000
e isso precisa estar assim.
13:37
AG: Okay, hypothesis two.
318
802000
3000
AG: OK, hipótese dois.
13:40
Boy: That's why.
319
805000
2000
Garoto: É por isso.
13:42
Oh.
320
807000
2000
Ah.
13:44
(Laughter)
321
809000
5000
(Risos)
13:49
AG: Now this is his next idea.
322
814000
2000
AG: Agora essa é sua próxima ideia.
13:51
He told the experimenter to do this,
323
816000
2000
Ele disse ao experimentador para fazer isso,
13:53
to try putting it out onto the other location.
324
818000
4000
tentar botar isso em outro lugar.
13:57
Not working either.
325
822000
2000
Também não funciona.
14:02
Boy: Oh, because the light goes only to here,
326
827000
4000
Garoto: Ah, é porque a luz só sai aqui,
14:06
not here.
327
831000
3000
não aqui.
14:09
Oh, the bottom of this box
328
834000
3000
Ah, o fundo dessa caixa
14:12
has electricity in here,
329
837000
2000
tem eletricidade aqui,
14:14
but this doesn't have electricity.
330
839000
2000
mas isso não tem eletricidade.
14:16
AG: Okay, that's a fourth hypothesis.
331
841000
2000
AG: Ok, essa é a quarta hipótese.
14:18
Boy: It's lighting up.
332
843000
2000
Garoto: Está acendendo.
14:20
So when you put four.
333
845000
5000
Então precisa botar quatro.
14:26
So you put four on this one to make it light up
334
851000
3000
Você bota quatro nesse lado para fazer isso acender
14:29
and two on this one to make it light up.
335
854000
2000
e dois desse para fazer isso acender.
14:31
AG: Okay,there's his fifth hypothesis.
336
856000
2000
AG: Ok, essa é a quinta hipótese.
14:33
Now that is a particularly --
337
858000
3000
Agora este é particularmente --
14:36
that is a particularly adorable and articulate little boy,
338
861000
3000
este é um garoto adorável e articulado,
14:39
but what Cristine discovered is this is actually quite typical.
339
864000
3000
mas o que Cristine descobriu foi que isso é bem comum.
14:42
If you look at the way children play, when you ask them to explain something,
340
867000
3000
Se você olhar a forma como as crianças brincam, quando pede a elas para explicar algo,
14:45
what they really do is do a series of experiments.
341
870000
3000
o que elas fazem realmente é uma série de experimentos.
14:48
This is actually pretty typical of four year-olds.
342
873000
3000
Isto é bem comum para crianças de 4 anos.
14:51
Well, what's it like to be this kind of creature?
343
876000
3000
Bem, como é ser esse tipo de criatura?
14:54
What's it like to be one of these brilliant butterflies
344
879000
3000
Como é ser uma dessas lindas borboletas
14:57
who can test five hypotheses in two minutes?
345
882000
3000
que podem testar cinco hipóteses em dois minutos?
15:00
Well, if you go back to those psychologists and philosophers,
346
885000
3000
Bem, se você voltar para esses psicólogos e filósofos,
15:03
a lot of them have said
347
888000
2000
muitos deles disseram
15:05
that babies and young children were barely conscious
348
890000
2000
que bebês e crianças são quase conscientes
15:07
if they were conscious at all.
349
892000
2000
se é que são conscientes.
15:09
And I think just the opposite is true.
350
894000
2000
E eu penso que o oposto é verdade.
15:11
I think babies and children are actually more conscious than we are as adults.
351
896000
3000
Eu penso que bebês e crianças são mais conscientes do que nós como adultos.
15:14
Now here's what we know about how adult consciousness works.
352
899000
3000
Agora eis aqui o que sabemos sobre como a consciência adulta funciona.
15:17
And adults' attention and consciousness
353
902000
2000
E a atenção e consciência de adultos
15:19
look kind of like a spotlight.
354
904000
2000
se parece com um refletor.
15:21
So what happens for adults
355
906000
2000
Então o que acontece em adultos
15:23
is we decide that something's relevant or important,
356
908000
2000
é que se decidimos que algo é relevante ou importante,
15:25
we should pay attention to it.
357
910000
2000
nós devemos prestar atenção nisso.
15:27
Our consciousness of that thing that we're attending to
358
912000
2000
Nossa consciência desse algo que atentamos
15:29
becomes extremely bright and vivid,
359
914000
3000
se torna extremamente brilhante e vívido,
15:32
and everything else sort of goes dark.
360
917000
2000
e todo o resto se torna escuro.
15:34
And we even know something about the way the brain does this.
361
919000
3000
E até sabemos alguma coisa sobre como o cérebro faz isso.
15:37
So what happens when we pay attention
362
922000
2000
Então o que acontece quando prestamos atenção
15:39
is that the prefrontal cortex, the sort of executive part of our brains,
363
924000
3000
é que o córtex pré frontal, meio que a parte executiva de nossos cérebros,
15:42
sends a signal
364
927000
2000
envia um sinal
15:44
that makes a little part of our brain much more flexible,
365
929000
2000
que faz uma pequena parte do nosso cérebro mais flexível,
15:46
more plastic, better at learning,
366
931000
2000
mais plástico, melhor no aprendizado,
15:48
and shuts down activity
367
933000
2000
e desliga a atividade
15:50
in all the rest of our brains.
368
935000
2000
de todo o resto de nosso cérebro.
15:52
So we have a very focused, purpose-driven kind of attention.
369
937000
4000
Então temos um tipo de atenção muito focada, dirigida voluntariamente.
15:56
If we look at babies and young children,
370
941000
2000
Se olharmos os bebês e as crianças,
15:58
we see something very different.
371
943000
2000
veremos algo muito diferente.
16:00
I think babies and young children
372
945000
2000
E acho que bebês e crianças
16:02
seem to have more of a lantern of consciousness
373
947000
2000
parecem ter mais uma lanterna de consciência
16:04
than a spotlight of consciousness.
374
949000
2000
que um refletor de consciência.
16:06
So babies and young children are very bad
375
951000
3000
Então os bebês e crianças são muito ruins
16:09
at narrowing down to just one thing.
376
954000
3000
em focar em apenas uma coisa.
16:12
But they're very good at taking in lots of information
377
957000
3000
Mas eles são muito bons em receber montes de informação
16:15
from lots of different sources at once.
378
960000
2000
de várias fontes diferentes de uma vez.
16:17
And if you actually look in their brains,
379
962000
2000
E se você olhar dentro de seus cérebros,
16:19
you see that they're flooded with these neurotransmitters
380
964000
3000
você verá que eles estão preenchidos com esses neurotransmissores
16:22
that are really good at inducing learning and plasticity,
381
967000
2000
que são ótimos para induzir aprendizagem e plasticidade,
16:24
and the inhibitory parts haven't come on yet.
382
969000
3000
e as partes inibitórias não apareceram ainda.
16:27
So when we say that babies and young children
383
972000
2000
Então quando dizemos que os bebês e crianças
16:29
are bad at paying attention,
384
974000
2000
são ruins em prestar atenção,
16:31
what we really mean is that they're bad at not paying attention.
385
976000
4000
o que queremos dizer é que são ruins em não prestar atenção.
16:35
So they're bad at getting rid
386
980000
2000
Então eles são ruins em se livrar
16:37
of all the interesting things that could tell them something
387
982000
2000
de todas as coisas interessantes que poderiam lhes dizer algo
16:39
and just looking at the thing that's important.
388
984000
2000
e apenas olhar para a coisa que é importante.
16:41
That's the kind of attention, the kind of consciousness,
389
986000
3000
Este é o tipo de atenção, o tipo de consciência,
16:44
that we might expect
390
989000
2000
que nós esperamos
16:46
from those butterflies who are designed to learn.
391
991000
2000
dessas borboletas que são projetadas para aprender.
16:48
Well if we want to think about a way
392
993000
2000
Se queremos pensar numa forma
16:50
of getting a taste of that kind of baby consciousness as adults,
393
995000
4000
de experimentar esse tipo de consciência infantil enquanto adultos,
16:54
I think the best thing is think about cases
394
999000
2000
eu acho que a melhor coisa é pensar sobre casos
16:56
where we're put in a new situation that we've never been in before --
395
1001000
3000
em que estamos numa situação nova que nunca estivemos antes --
16:59
when we fall in love with someone new,
396
1004000
2000
quando nos apaixonamos por alguém novo,
17:01
or when we're in a new city for the first time.
397
1006000
3000
ou quando estamos numa nova cidade pela primeira vez.
17:04
And what happens then is not that our consciousness contracts,
398
1009000
2000
E o que acontece não é que nossa consciência contrai,
17:06
it expands,
399
1011000
2000
mas ela se expande,
17:08
so that those three days in Paris
400
1013000
2000
então aqueles três dias em Paris
17:10
seem to be more full of consciousness and experience
401
1015000
2000
parecem estar mais cheios de consciência e experiência
17:12
than all the months of being
402
1017000
2000
do que todos os meses
17:14
a walking, talking, faculty meeting-attending zombie back home.
403
1019000
4000
andando, falando, se reunindo na faculdade e voltando para casa.
17:18
And by the way, that coffee,
404
1023000
2000
E a propósito, aquele café,
17:20
that wonderful coffee you've been drinking downstairs,
405
1025000
2000
aquele café maravilhoso que vocês beberam lá embaixo,
17:22
actually mimics the effect
406
1027000
2000
na verdade imita o efeito
17:24
of those baby neurotransmitters.
407
1029000
2000
dos neurotransmissores do bebê.
17:26
So what's it like to be a baby?
408
1031000
2000
Então como é ser um bebê?
17:28
It's like being in love
409
1033000
2000
É como estar apaixonado
17:30
in Paris for the first time
410
1035000
2000
em Paris pela primeira vez
17:32
after you've had three double-espressos.
411
1037000
2000
depois de tomar dois expressos duplos.
17:34
(Laughter)
412
1039000
3000
(Risos)
17:37
That's a fantastic way to be,
413
1042000
2000
Essa é uma forma fantástica de ser,
17:39
but it does tend to leave you waking up crying at three o'clock in the morning.
414
1044000
4000
mas tende a deixar você acordado e chorando às três da manhã.
17:43
(Laughter)
415
1048000
3000
(Risos)
17:46
Now it's good to be a grownup.
416
1051000
2000
Agora é bom ser um adulto.
17:48
I don't want to say too much about how wonderful babies are.
417
1053000
2000
Eu não quero falar muito sobre como os bebês são maravilhosos.
17:50
It's good to be a grownup.
418
1055000
2000
É bom ser um adulto.
17:52
We can do things like tie our shoelaces and cross the street by ourselves.
419
1057000
3000
Nós podemos fazer coisas como amarrar nossos cadarços e atravessar a rua sozinhos.
17:55
And it makes sense that we put a lot of effort
420
1060000
2000
E faz sentido que nós investimos muito esforço
17:57
into making babies think like adults do.
421
1062000
4000
em fazer os bebês pensarem como os adultos.
18:01
But if what we want is to be like those butterflies,
422
1066000
3000
Mas se nós quisermos ser como essas borboletas,
18:04
to have open-mindedness, open learning,
423
1069000
3000
ter mente aberta, aprendizagem ampla,
18:07
imagination, creativity, innovation,
424
1072000
2000
imaginação, criatividade, inovação,
18:09
maybe at least some of the time
425
1074000
2000
talvez ao menos uma parte do tempo
18:11
we should be getting the adults
426
1076000
2000
devemos fazer os adultos
18:13
to start thinking more like children.
427
1078000
2000
começarem a pensar como crianças.
18:15
(Applause)
428
1080000
8000
(Aplausos)
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