TED2011
Deb Roy: The birth of a word
Deb Roy: Bir kelimenin doğuşu
Filmed:
Readability: 4.2
2,809,941 views
MIT araştırmacısı Deb Roy, yeni doğmuş oğlunun konuşmayı nasıl öğrendiğini anlamak istedi -- oğlunun yaşantısındaki her bir anı (istisnalar hariç) yakalamak için evini video kameralarla donatarak 90.000 saatlik video kayıtlarını detaylı bir şekilde analiz ederek oğlunun çıkardığı "gaaaa" kelimesinin zamanla "water" (su)'ya dönüşmesini izledi. Nasıl öğrendiğimizle çok ilintili, büyüleyici, veriden zengin bir araştırma.
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
Bir an yaşantınızı kaydedebileceğinizi düşünün --
00:19
everything you said, everything you did,
1
4000
3000
söylediğiniz her şeyi, yaptığınız her şeyi,
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
hepsi elinizi uzatarak ulaşabilceğiniz kusursuz bir bellekte saklı,
00:25
so you could go back
3
10000
2000
böylece geri dönüp
00:27
and find memorable moments and relive them,
4
12000
3000
anımsamaya değer olayları bulup yeniden yaşayabilir,
00:30
or sift through traces of time
5
15000
3000
ya da zamanı eşeleyerek
00:33
and discover patterns in your own life
6
18000
2000
hayatınızla ilgili daha önce keşfetmediğiniz
00:35
that previously had gone undiscovered.
7
20000
3000
farklı kalıplar keşfedebilirsiniz.
00:38
Well that's exactly the journey
8
23000
2000
Bu, tam olarak
00:40
that my family began
9
25000
2000
benim ailemin beş buçuk yıl önce
00:42
five and a half years ago.
10
27000
2000
giriştiği yolculuğun tanımı.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
Bu benim eşim ve destekçim, Rupal.
00:47
And on this day, at this moment,
12
32000
2000
Ve bu gün, tam da bu anda,
00:49
we walked into the house with our first child,
13
34000
2000
kucağımızda ilk çocuğumuzla evimize girdik,
00:51
our beautiful baby boy.
14
36000
2000
harika bir erkek bebek.
00:53
And we walked into a house
15
38000
3000
Girdiğimiz ev
00:56
with a very special home video recording system.
16
41000
4000
özel bir video düzeneği ile donanmış bir evdi.
01:07
(Video) Man: Okay.
17
52000
2000
(Video) Adam: Tamam.
01:10
Deb Roy: This moment
18
55000
1000
Deb Roy: İşte bu an
01:11
and thousands of other moments special for us
19
56000
3000
ve biim için önemli olan binlerce diğer an
01:14
were captured in our home
20
59000
2000
evimizde kaydedildi
01:16
because in every room in the house,
21
61000
2000
çinkü evdeki her odada
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
eğer yukarı bakarsanız görebileceğiniz bir kamera ve mikrofon sistemi var
01:21
and if you looked down,
23
66000
2000
eğer yukarıdan bakacak olursanız,
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
tüm odayı balık gözü şeklinde görebilirsiniz.
01:25
Here's our living room,
25
70000
3000
Burası bizim oturma odamız,
01:28
the baby bedroom,
26
73000
3000
burası bebek odası,
01:31
kitchen, dining room
27
76000
2000
mutfak, yemek odası
01:33
and the rest of the house.
28
78000
2000
ve evin diğer kısımları.
01:35
And all of these fed into a disc array
29
80000
3000
Bu verilerin tamamı, sürekli gorüntü alabilecek biçimde tasarlanmış
01:38
that was designed for a continuous capture.
30
83000
3000
bir dizi diske kaydedildi.
01:41
So here we are flying through a day in our home
31
86000
3000
Burada, evde geçen bir günü hızlı bir şekilde görüyoruz
01:44
as we move from sunlit morning
32
89000
3000
sabahın ilk ışıklarından başlayıp
01:47
through incandescent evening
33
92000
2000
aydınlatılmış akşama
01:49
and, finally, lights out for the day.
34
94000
3000
ve sonunda gecenin karanlığına kadar.
01:53
Over the course of three years,
35
98000
3000
Üç yıl boyunca,
01:56
we recorded eight to 10 hours a day,
36
101000
2000
günde sekiz ila on saat arası kayıt yaptık,
01:58
amassing roughly a quarter-million hours
37
103000
3000
yaklaşık 250.000 saatlik
02:01
of multi-track audio and video.
38
106000
3000
çok kanallı ses ve görüntü kaydı.
02:04
So you're looking at a piece of what is by far
39
109000
2000
Yani, eğer gelmiş geçmiş en büyük
02:06
the largest home video collection ever made.
40
111000
2000
ev videoları koleksiyonunu arıyorsanız o burada.
02:08
(Laughter)
41
113000
3000
(Gülüşmeler)
02:11
And what this data represents
42
116000
2000
Bu verinin bizim ailemiz için
02:13
for our family at a personal level,
43
118000
4000
kişisel seviyedeki anlamı zaten
02:17
the impact has already been immense,
44
122000
2000
çok yoğun oldu
02:19
and we're still learning its value.
45
124000
3000
ve ne kadar değerli olduğunu fark etmeye devam ediyoruz.
02:22
Countless moments
46
127000
2000
Sayısız an
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
poz verilmemiş, ayralanmamış doğal anlar
02:27
are captured there,
48
132000
2000
burada kayda alındı,
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
ve bizler bunları nasıl keşfedeceğimizi ve bulacağımızı yeni yeni öğreniyoruz.
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
Ama bu projeye ivme veren bir bilimsel neden de var,
02:35
which was to use this natural longitudinal data
51
140000
4000
o da bu dikey veriyi kullanarak
02:39
to understand the process
52
144000
2000
bi çocuğun konuşmayı öğrenme sürecini
02:41
of how a child learns language --
53
146000
2000
nasıl anlayabiliriz --
02:43
that child being my son.
54
148000
2000
ki buradaki çocuk benim oğlum.
02:45
And so with many privacy provisions put in place
55
150000
4000
Böylece, kayıtların içinde yer alan kişilerin
02:49
to protect everyone who was recorded in the data,
56
154000
3000
özel hayatını koruyacak pekçok önlemden sonra,
02:52
we made elements of the data available
57
157000
3000
bu verinin bileşenlerini
02:55
to my trusted research team at MIT
58
160000
3000
MIT'deki güvenilir araştırma ekibimle paylaştık,
02:58
so we could start teasing apart patterns
59
163000
3000
böylece bu yoğun veri setini
03:01
in this massive data set,
60
166000
3000
inceleyerek, içindeki şablonları ayıklayarak
03:04
trying to understand the influence of social environments
61
169000
3000
dil öğrenme sürecindeki sosyal çevrenin etkisini
03:07
on language acquisition.
62
172000
2000
anlamaya başlayabildik.
03:09
So we're looking here
63
174000
2000
Burada gördüğümüz şey
03:11
at one of the first things we started to do.
64
176000
2000
ilk yapmaya başladığımız şeylerden biri.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
Bu eşim ve mutfakta kahvaltı hazırlıyor.
03:17
and as we move through space and through time,
66
182000
3000
Zaman ve mekan içinde hareket ederken,
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
mutfakta günlük bir şablon var.
03:23
In order to convert
68
188000
2000
Bu 90.000 saatlik videoyu
03:25
this opaque, 90,000 hours of video
69
190000
3000
birşeyler görebileceğimiz hale
03:28
into something that we could start to see,
70
193000
2000
getirebilmek için
03:30
we use motion analysis to pull out,
71
195000
2000
hareket analiz noktaları yerleştirdik,
03:32
as we move through space and through time,
72
197000
2000
böylece zaman ve mekanda hareket ettikçe
03:34
what we call space-time worms.
73
199000
3000
zaman-mekan solucanı dediğimiz şeyler ortaya çıkıyor.
03:37
And this has become part of our toolkit
74
202000
3000
Bu, bizim verinin içinde
03:40
for being able to look and see
75
205000
3000
nerede aktivite olduğunu görmemize yarayan
03:43
where the activities are in the data,
76
208000
2000
bir yöntem oldu,
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
bununla, özellikle de oğlumun evin içindeki
03:48
where my son moved throughout the home,
78
213000
2000
hareketinin izini çıkarıyoruz,
03:50
so that we could focus our transcription efforts,
79
215000
3000
böylece kayıt çabalarımızı
03:53
all of the speech environment around my son --
80
218000
3000
oğlumun etrafında oluşan konuşma ortamına odaklayabiliyoruz --
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
benden, eşimden ya da dadısından duyduğu tüm kelimeler,
03:59
and over time, the words he began to produce.
82
224000
3000
ve zaman içinde onun üretmeye başladığı kelimeler.
04:02
So with that technology and that data
83
227000
3000
Elimizdeki bu teknoloji, veri ve
04:05
and the ability to, with machine assistance,
84
230000
2000
makina yardımı ile konuşmayı kaydetme
04:07
transcribe speech,
85
232000
2000
yetisi aracılığı ile,
04:09
we've now transcribed
86
234000
2000
ev ortamımızdaki kelimelerden yedi milyondan fazlasını
04:11
well over seven million words of our home transcripts.
87
236000
3000
kayda almayı başardık.
04:14
And with that, let me take you now
88
239000
2000
Bu verinin içindeki ilk tura
04:16
for a first tour into the data.
89
241000
3000
sizi götürmeme izin verin.
04:19
So you've all, I'm sure,
90
244000
2000
Eminim hepiniz time-lapse videolar
04:21
seen time-lapse videos
91
246000
2000
seyretmişssinizdir,
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
hani bir çiçek açarken çekilen ve hızlı oynatılan videolardan.
04:26
I'd like you to now experience
93
251000
2000
Şimdi ise sizlerin bir dilin
04:28
the blossoming of a speech form.
94
253000
2000
ortaya çımasına şahit olmanızı istiyorum.
04:30
My son, soon after his first birthday,
95
255000
2000
Oğlum, birinci yaşgününden hemen sonra
04:32
would say "gaga" to mean water.
96
257000
3000
su (water) yerine "gaga" demeye başladı.
04:35
And over the course of the next half-year,
97
260000
3000
Ve bunu takiben altı ay içinde de
04:38
he slowly learned to approximate
98
263000
2000
yavaş yavaş yetişkin formu olan
04:40
the proper adult form, "water."
99
265000
3000
"su" (water) kelimesini geçiş yaptı.
04:43
So we're going to cruise through half a year
100
268000
2000
Şimdi bu altı aylık süreyi
04:45
in about 40 seconds.
101
270000
2000
yaklaşık 40 sn içinde göreceğiz.
04:47
No video here,
102
272000
2000
Burada video yok,
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
böylelikle sese ve akustiklere odaklanabilirsiniz,
04:52
of a new kind of trajectory:
104
277000
2000
gaga'dan su (water)'a
04:54
gaga to water.
105
279000
2000
yeni bir rota.
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(Ses kaydı) Bebek: Gagagagaga
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. (su)
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
DR: Sonunda becerdi, değil mi?
05:43
(Applause)
116
328000
7000
(Alkışlar)
05:50
So he didn't just learn water.
117
335000
2000
Sadece su'yu değil, başka şeyleri de öğrendi.
05:52
Over the course of the 24 months,
118
337000
2000
24 ay boyunca,
05:54
the first two years that we really focused on,
119
339000
3000
ilk iki yıl süresince, gerçekten iyi odaklandık,
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
bu öğrendiği her kelimenin tarihsel sıralaması.
06:01
And because we have full transcripts,
121
346000
3000
Elimizde tüm kayıtlar olduğu için
06:04
we've identified each of the 503 words
122
349000
2000
ikinci yaşgününe dek söylemeyi öğrendiği
06:06
that he learned to produce by his second birthday.
123
351000
2000
bu 503 kelimeyi tek tek saptayabildik.
06:08
He was an early talker.
124
353000
2000
Erken konuşan bir çocuk.
06:10
And so we started to analyze why.
125
355000
3000
Biz de nedenleri araştırmaya başladık.
06:13
Why were certain words born before others?
126
358000
3000
Neden bazı kelimeler diğerlerinden önce öğreniliyor?
06:16
This is one of the first results
127
361000
2000
Bu vardığımız sonuçlardan ilki,
06:18
that came out of our study a little over a year ago
128
363000
2000
araştırmamızda bir sene kadar önce saptadık
06:20
that really surprised us.
129
365000
2000
ve bizi epey şaşırttı.
06:22
The way to interpret this apparently simple graph
130
367000
3000
Bu basit görünen grafiği anlamak için şu önemli
06:25
is, on the vertical is an indication
131
370000
2000
dikey eksende bakıcının
06:27
of how complex caregiver utterances are
132
372000
3000
konuşmasındaki karmaşıklık gösteriliyor.
06:30
based on the length of utterances.
133
375000
2000
bunu tekrarların sayısına göre işaretledik.
06:32
And the [horizontal] axis is time.
134
377000
3000
yatay eksen ise zamanı gösteriyor.
06:35
And all of the data,
135
380000
2000
Buraya yerleştirdiğimiz
06:37
we aligned based on the following idea:
136
382000
3000
tüm veriler şu fikre dayalı:
06:40
Every time my son would learn a word,
137
385000
3000
Oğlum her bir yeni kelimeyi öğrendiğinde,
06:43
we would trace back and look at all of the language he heard
138
388000
3000
zamanda geriye gidip duyduğu konuşmalar içinde
06:46
that contained that word.
139
391000
2000
o kelimeyi arıyoruz.
06:48
And we would plot the relative length of the utterances.
140
393000
4000
Ve o kelimenin kaç kere tekrarlandığını kaydediyoruz.
06:52
And what we found was this curious phenomena,
141
397000
3000
Bunun sonucunda şöyle ilginç bir şey bulduk,
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
bakıcının konuşması önce en aza iniyor,
06:58
making language as simple as possible,
143
403000
3000
dili olabildiğince basit hale getiriyor,
07:01
and then slowly ascend back up in complexity.
144
406000
3000
daha sonra yavaş yavaş karmaşıklığı artırıyor.
07:04
And the amazing thing was
145
409000
2000
İnanılmaz olan şey ise
07:06
that bounce, that dip,
146
411000
2000
bu çukur noktanın
07:08
lined up almost precisely
147
413000
2000
hemen hemen her bir kelimenin
07:10
with when each word was born --
148
415000
2000
doğuşu ile eş zamanlı ortaya çıkması --
07:12
word after word, systematically.
149
417000
2000
kelime kelime, düzenli bir şekilde bu oldu.
07:14
So it appears that all three primary caregivers --
150
419000
2000
Görünen o ki, oğlumun üç bakıcısı da --
07:16
myself, my wife and our nanny --
151
421000
3000
yani ben, eşim ve dadımız --
07:19
were systematically and, I would think, subconsciously
152
424000
3000
sistematik olarak, ve sanırım bilinçaltımızda
07:22
restructuring our language
153
427000
2000
konuştuğumuz dili yeniden yapılandırıyor
07:24
to meet him at the birth of a word
154
429000
3000
ve onunla bir kelimenin doğuşunda aynı seviyeye iniyor
07:27
and bring him gently into more complex language.
155
432000
4000
sonra onu daha karmaşık dil yapısına taşıyoruz.
07:31
And the implications of this -- there are many,
156
436000
2000
Bunun sonuçları ise -- ki birden fazlalar,
07:33
but one I just want to point out,
157
438000
2000
ama bir tanesini hemen göstermek istiyorum,
07:35
is that there must be amazing feedback loops.
158
440000
3000
bu sürecin içinde inanılmaz geri bildirim döngülerinin varlığı.
07:38
Of course, my son is learning
159
443000
2000
Elbette, oğlum
07:40
from his linguistic environment,
160
445000
2000
çevresindeki dilden zengin ortamdan öğreniyor,
07:42
but the environment is learning from him.
161
447000
3000
ama o ortam da ondan öğreniyor.
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
Bu sıkı geri bildirim döngüsündeki çevre, çevredeki insanlar,
07:48
and creating a kind of scaffolding
163
453000
2000
ve böylesine bir yapı
07:50
that has not been noticed until now.
164
455000
3000
şimdiye dek fark edilmemişti.
07:54
But that's looking at the speech context.
165
459000
2000
Bu kısma kadar konuşmanın içeriğine baktık.
07:56
What about the visual context?
166
461000
2000
Peki ya görsel içerik?
07:58
We're not looking at --
167
463000
2000
Ona bakmıyoruz --
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
bunun evimizim oyuncak ev kesiti olduğunu varsayın.
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
Şu dairesel balık gözü kameralardan aldık ve
08:05
and we've done some optical correction,
170
470000
2000
biraz optik düzeltme yaparak görüntüleri
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
üç boyutlu hale getirdik.
08:11
So welcome to my home.
172
476000
2000
Evime hoş geldiniz.
08:13
This is a moment,
173
478000
2000
Bu gördüğünüz an,
08:15
one moment captured across multiple cameras.
174
480000
3000
birden fazla kamera tarafından kaydedilmiş bir an.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
Bunu yapmamızdaki neden, en yetkin hafıza makinasını yaratmak idi,
08:21
where you can go back and interactively fly around
176
486000
3000
zamanda geri gidebileceğiniz ve interaktif olarak içinde gezinebileceğiniz
08:24
and then breathe video-life into this system.
177
489000
3000
canlı görüntüler oluşturmak istedik.
08:27
What I'm going to do
178
492000
2000
Şimdi size,
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
sadece oturma odasındaki yaşantımızdan
08:32
again, of just life in the living room.
180
497000
2000
hızlandırılmış bir 30 dk'lık kesit göstereceğim.
08:34
That's me and my son on the floor.
181
499000
3000
Bu benim, ve yerde de oğlum var.
08:37
And there's video analytics
182
502000
2000
Bunlar da hareketlerimizi izleyen
08:39
that are tracking our movements.
183
504000
2000
video analiz cihazları.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
Oğlum görüntüde kırmızı iz bırakıyor, benimki ise yeşil.
08:44
We're now on the couch,
185
509000
2000
Şimdi koltuktayız,
08:46
looking out through the window at cars passing by.
186
511000
3000
camdan dışarıdan geçen arabalara bakıyoruz.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
Sonrasında da oğlum kendi kendine yürüyen bir oyuncakla oynuyor.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
Burada hareketi donduralım, 30 dakikalık hareket,
08:55
we turn time into the vertical axis,
189
520000
2000
ve zamanı dikey eksene çevirelim,
08:57
and we open up for a view
190
522000
2000
ve bu birbirimizle etkileşim izlerimizi
08:59
of these interaction traces we've just left behind.
191
524000
3000
incelemeye açalım.
09:02
And we see these amazing structures --
192
527000
3000
Burada müthiş bir yapı görüyoruz --
09:05
these little knots of two colors of thread
193
530000
3000
bu iki rengin birbiri ile iç içe girip
09:08
we call "social hot spots."
194
533000
2000
düğümlendiği noktalara sosyal sıcak noktalar diyoruz.
09:10
The spiral thread
195
535000
2000
Bu spiral ize ise
09:12
we call a "solo hot spot."
196
537000
2000
yalın sıcak nokta diyoruz.
09:14
And we think that these affect the way language is learned.
197
539000
3000
Bu noktaların, dil öğrenme sürecimizi etkilediği görüşündeyiz.
09:17
What we'd like to do
198
542000
2000
Yapmak istediğimiz
09:19
is start understanding
199
544000
2000
bu şablonlar arasındaki
09:21
the interaction between these patterns
200
546000
2000
iletişimi, ya da oğlumun deneyimlediği
09:23
and the language that my son is exposed to
201
548000
2000
konuşmaları anlamaya çalışmak ve
09:25
to see if we can predict
202
550000
2000
böylece kelimelerin duyulduğu zamanın
09:27
how the structure of when words are heard
203
552000
2000
öğrenildiği zamanı ne şekilde
09:29
affects when they're learned --
204
554000
2000
etkilediğini öngörebilirmiyiz anlamak.
09:31
so in other words, the relationship
205
556000
2000
bir diğer deyişle, kelimeler ve dünyada
09:33
between words and what they're about in the world.
206
558000
4000
taşıdıkları anlam arasındaki ilişkiyi gözlemek.
09:37
So here's how we're approaching this.
207
562000
2000
Bu duruma şöyle yaklaşıyoruz.
09:39
In this video,
208
564000
2000
Bu videoda,
09:41
again, my son is being traced out.
209
566000
2000
oğlumun bıraktığı izi görebiliyorsunuz.
09:43
He's leaving red ink behind.
210
568000
2000
Kırmızı bir iz bırakıyor.
09:45
And there's our nanny by the door.
211
570000
2000
Kapıda gördüğünüz dadımız.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(Video) Dadı: Su mu istiyorsun? (Bebek: Aaaa.)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
Dadı: Tamam. (Bebek: Aaaa.)
09:53
DR: She offers water,
214
578000
2000
DR: Ona su veriyor,
09:55
and off go the two worms
215
580000
2000
ve iki solucanın mutfağa,
09:57
over to the kitchen to get water.
216
582000
2000
su almaya yöneldiğini görüyorsunuz.
09:59
And what we've done is use the word "water"
217
584000
2000
Bizim yaptığımız "su" kelimesi ile
10:01
to tag that moment, that bit of activity.
218
586000
2000
o anı, o aktiviteyi etiketlemek.
10:03
And now we take the power of data
219
588000
2000
Şimdi verinin gücünü kullanıyoruz ve
10:05
and take every time my son
220
590000
3000
oğlumun "su" kelimesini duyduğu
10:08
ever heard the word water
221
593000
2000
her anı ve "su"yu gördüğü
10:10
and the context he saw it in,
222
595000
2000
her bir anı alıyoruz ve
10:12
and we use it to penetrate through the video
223
597000
3000
bu anları video kaydı üzerinde kesiştirerek
10:15
and find every activity trace
224
600000
3000
su ile ilgili olan eş zamanlı gerçekleşmiş
10:18
that co-occurred with an instance of water.
225
603000
3000
her tür aktivite izini bulabiliyoruz.
10:21
And what this data leaves in its wake
226
606000
2000
Bu veri, derlenmesinin sonunda
10:23
is a landscape.
227
608000
2000
bir yüzey şekli oluşturuyor.
10:25
We call these wordscapes.
228
610000
2000
Bunlara kelime-haritaları adını taktık.
10:27
This is the wordscape for the word water,
229
612000
2000
Bu gördüğünüz su kelimesinin kelime haritası,
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
çoğu hareketin mutfakta olduğunu görebilirsiniz.
10:31
That's where those big peaks are over to the left.
231
616000
3000
Şu soldaki yüksek tepeler mutfakta.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
Karşılaştırma için bunu herhangi bir kelime için yapabiliriz.
10:37
We can take the word "bye"
233
622000
2000
Mesela "hoşçakal" kelimesini alalım,
10:39
as in "good bye."
234
624000
2000
"hadi hoşçakal"daki gibi.
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
Şimdi gördüğümüz yer evin giriş kapısı.
10:43
And we look, and we find, as you would expect,
236
628000
3000
Ve baktığımızda, tahmin ettiğiniz gibi
10:46
a contrast in the landscape
237
631000
2000
"hoşçakal" kelimesinin daha sıklıkla
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
yapısal olarak kullandığı yerin farklı olduğunu görüyoruz.
10:51
So we're using these structures
239
636000
2000
Biz, bu yapıları
10:53
to start predicting
240
638000
2000
dil öğrenme basamaklarını
10:55
the order of language acquisition,
241
640000
3000
öngörmede kullanıyoruz,
10:58
and that's ongoing work now.
242
643000
2000
bu halen devam eden bir süreç.
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
Benim laboratuvarımda, ki şu an ona bakıyoruz, MIT'de --
11:03
this is at the media lab.
244
648000
2000
burası medya laboratuvarı.
11:05
This has become my favorite way
245
650000
2000
Herhangi bir mekanın bu tip videografını çekmek
11:07
of videographing just about any space.
246
652000
2000
benim en sevdiğim yöntem haline geldi.
11:09
Three of the key people in this project,
247
654000
2000
Bu projede çalışan üç kilit isim var,
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
Philip DeCamp, Rony Kubat ve Brandon Roy, burada resimde görüyorsunuz.
11:14
Philip has been a close collaborator
249
659000
2000
Phillip, izlediğiniz görüntülemeler konusunda
11:16
on all the visualizations you're seeing.
250
661000
2000
çok katkıda bulundu.
11:18
And Michael Fleischman
251
663000
3000
Laboratuvarımdaki bir başka
11:21
was another Ph.D. student in my lab
252
666000
2000
doktora öğrencisi olan Michael Fleishman ise
11:23
who worked with me on this home video analysis,
253
668000
3000
ev videolarının analizinde benimle çalıştı,
11:26
and he made the following observation:
254
671000
3000
ve şu gözlemini benimle paylaştı:
11:29
that "just the way that we're analyzing
255
674000
2000
"Senin evinde, konuşmanın, bir dilin oluşmasına
11:31
how language connects to events
256
676000
3000
zemin hazırlayan olaylarla bağlantısını
11:34
which provide common ground for language,
257
679000
2000
incelerken kullandığımız yöntemi
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
evin dışında da kullanabiliriz Deb,
11:40
and we can apply it to the world of public media."
259
685000
3000
bunu kamusal medya ile de yapabiliriz."
11:43
And so our effort took an unexpected turn.
260
688000
3000
Böylece çalışmalarımız beklenmedik bir yöne kaydı.
11:46
Think of mass media
261
691000
2000
Medya'nın
11:48
as providing common ground
262
693000
2000
orta bir payda yarattığını ve
11:50
and you have the recipe
263
695000
2000
sizin de elinizde bu fikirleri
11:52
for taking this idea to a whole new place.
264
697000
3000
yeni bir yerlere taşıyacak bir reçete olduğunu düşünün.
11:55
We've started analyzing television content
265
700000
3000
Aynı prensipleri kullanarak
11:58
using the same principles --
266
703000
2000
televizyon programlarının içeriklerini incelemeye başladık --
12:00
analyzing event structure of a TV signal --
267
705000
3000
TV sinyalinin içindeki olayların yapısı --
12:03
episodes of shows,
268
708000
2000
dizilerin bölümleri,
12:05
commercials,
269
710000
2000
reklamlar,
12:07
all of the components that make up the event structure.
270
712000
3000
ve bir olay yapısını ortaya çıkaran tüm bileşenler.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
Ve şu anda, uydu antenleri sayesinde, Amerika'da seyredilen
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
TV programlarının büyük çoğunluğunu analiz edebiliyoruz.
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
İnsanların konuşmalarınıa kaydedebilmek için oturma odalarına girip
12:19
to get people's conversations,
274
724000
2000
oralara mikrofon döşemenize gerek kalmıyor,
12:21
you just tune into publicly available social media feeds.
275
726000
3000
sadece kamuya açık olan sosyal medya verilerine ulaşmanız yeterli.
12:24
So we're pulling in
276
729000
2000
Şu anda ayda yaklaşık
12:26
about three billion comments a month,
277
731000
2000
3 milyar yorum indiriyoruz.
12:28
and then the magic happens.
278
733000
2000
Sonra büyülü bir şey oluyor.
12:30
You have the event structure,
279
735000
2000
Elinizde bir olay yapısı mevcut,
12:32
the common ground that the words are about,
280
737000
2000
kelimelerin içerikleri ile ilgili ortak bir yapı,
12:34
coming out of the television feeds;
281
739000
3000
televizyon yayınlarından geliyor;
12:37
you've got the conversations
282
742000
2000
bu konularla ilgili
12:39
that are about those topics;
283
744000
2000
karşılıklı konuşmalar da var;
12:41
and through semantic analysis --
284
746000
3000
ve kelime analizleri ile --
12:44
and this is actually real data you're looking at
285
749000
2000
ki şu anda bizim gerçekten üzerinde çalıştığımız
12:46
from our data processing --
286
751000
2000
bir veriye bakıyorsunuz --
12:48
each yellow line is showing a link being made
287
753000
3000
her bir sarı çizgi ortaya yapılan bir yorum ile
12:51
between a comment in the wild
288
756000
3000
televiyon yayınlarından gelen program yapısı
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
arasındaki bağlantıyı oluşturuyor.
12:57
And the same idea now
290
762000
2000
Şimdi aynı fikri buraya da
12:59
can be built up.
291
764000
2000
uygulayabiliriz.
13:01
And we get this wordscape,
292
766000
2000
Böylece bu kelime haritasını elde ediyoruz,
13:03
except now words are not assembled in my living room.
293
768000
3000
tek farkı artık kelimelerin benim oturma odamla sınırlı olmaması.
13:06
Instead, the context, the common ground activities,
294
771000
4000
Onun yerine, içerik, ortak aktivitelerden değil
13:10
are the content on television that's driving the conversations.
295
775000
3000
televizyon programlarının içerdiklerinden ortaya çıkıyor.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
Burada gördüğümüz bu gökdelen benzeri yapılar
13:16
are commentary
297
781000
2000
televiyon programlarının içerikleri ile
13:18
that are linked to content on television.
298
783000
2000
bağlantısı olan yorumlar.
13:20
Same concept,
299
785000
2000
Aynı fikir,
13:22
but looking at communication dynamics
300
787000
2000
ama farklı bir boyuttan
13:24
in a very different sphere.
301
789000
2000
iletişim dinamiklerine bakıyor.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
Temelde, örneğin, içeriği
13:28
measuring content based on how many people are watching,
303
793000
3000
kaç kişinin izlediğine bakarak ölçümlemek yerine,
13:31
this gives us the basic data
304
796000
2000
içeriğin ortak özelliklerine bakmak
13:33
for looking at engagement properties of content.
305
798000
3000
bize daha temel bir veri sunuyor.
13:36
And just like we can look at feedback cycles
306
801000
3000
Aynı bir ailenin içindeki geri bildirim döngülerine
13:39
and dynamics in a family,
307
804000
3000
ve dinamiklere bakmak gibi.
13:42
we can now open up the same concepts
308
807000
3000
Artık aynı kavramları açarak
13:45
and look at much larger groups of people.
309
810000
3000
çok daha büyük insan gruplarına bakabiliriz.
13:48
This is a subset of data from our database --
310
813000
3000
Bu bizim veri bankamızdan bir alıntı --
13:51
just 50,000 out of several million --
311
816000
3000
birkaç milyon veri içinden sadece 50.000 tanesi --
13:54
and the social graph that connects them
312
819000
2000
ve kamuya açık kaynaklar aracılığı ile
13:56
through publicly available sources.
313
821000
3000
elde edilen onları birbirine bağlayan sosyal grafik.
13:59
And if you put them on one plain,
314
824000
2000
Bunları bir düzleme koyarsanız,
14:01
a second plain is where the content lives.
315
826000
3000
diğer düzlem içeriklerin bulunduğu yerdir.
14:04
So we have the programs
316
829000
3000
Burada programlar,
14:07
and the sporting events
317
832000
2000
spor programları,
14:09
and the commercials,
318
834000
2000
ve reklamlar var,
14:11
and all of the link structures that tie them together
319
836000
2000
ve birbirleri ile olan bağlantıları, onları şekillendirerek
14:13
make a content graph.
320
838000
2000
bir içerik grafiği oluşturuyor.
14:15
And then the important third dimension.
321
840000
4000
ve çok önemli bu üçüncü boyutu.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
Burada gördüğünüz her bir bağlantı
14:21
is an actual connection made
323
846000
2000
bir kimsenin söylediği bir şey ile
14:23
between something someone said
324
848000
3000
içerikler arasındaki gerçek
14:26
and a piece of content.
325
851000
2000
ğlantıları gösteriyor.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
Burada da öyle, onlarca milyon bağlantı
14:31
that give us the connective tissue of social graphs
327
856000
3000
sosyal grafiklerin bağ dokusunu oluşturuyor ve
14:34
and how they relate to content.
328
859000
3000
içerikle olan bağlantılarını gösteriyor.
14:37
And we can now start to probe the structure
329
862000
2000
Artık bu yapıyı ilginç şekillerde
14:39
in interesting ways.
330
864000
2000
kurcalayabiliriz.
14:41
So if we, for example, trace the path
331
866000
3000
Örneğin, biri tarafından yorum yapılmış
14:44
of one piece of content
332
869000
2000
bir içeriğin bağlantısını
14:46
that drives someone to comment on it,
333
871000
2000
takip edelim ve bakalım
14:48
and then we follow where that comment goes,
334
873000
3000
o yorum nereye gidiyor,
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
daha sonra aktif hale gelen tüm sosyal grafiğe bakalım
14:54
and then trace back to see the relationship
336
879000
3000
ilk içerik ile sosyal grafik arasındaki
14:57
between that social graph and content,
337
882000
2000
ilişkinin sınırlarını izleyelim,
14:59
a very interesting structure becomes visible.
338
884000
2000
çok ilginç bir yapı ortaya çıkıyor.
15:01
We call this a co-viewing clique,
339
886000
2000
Biz buna eş-zamanlı izlem grubu diyoruz,
15:03
a virtual living room if you will.
340
888000
3000
bir nevi sanal oturma odası.
15:06
And there are fascinating dynamics at play.
341
891000
2000
Ve burada inanılmaz dinamikler iş başında.
15:08
It's not one way.
342
893000
2000
Tek yönlü değil.
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
Bir içerik, bir olay, birilerinin konuşmasına neden oluyor.
15:13
They talk to other people.
344
898000
2000
Onlar da başka insanlarla konuşuyorlar.
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
Bu durum, kitle iletişim araçlarında belirli bir davranışa neden oluyor
15:18
and you have these cycles
346
903000
2000
ve toplu davranışları yöneten
15:20
that drive the overall behavior.
347
905000
2000
döngüleri görebiliyorsunuz.
15:22
Another example -- very different --
348
907000
2000
Bir başka örnek -- oldukça farklı --
15:24
another actual person in our database --
349
909000
3000
bizim veri tabanımızdaki gerçek bir insan --
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
ve bunlardan yüzlerce hatta balki de binlercesini buluyoruz.
15:30
We've given this person a name.
351
915000
2000
Bu kişiye bir isim verdik.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
Bu yarı profesyonel amatör, bir medya eleştirmeni
15:35
who has this high fan-out rate.
353
920000
3000
ve gittikçe yayılan bir popülerliği var.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
Bu nedenle pek çok kişi bu kişiyi takip ediyor -- çok etkili birisi--
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
ve genelde de TV'de olan şeyler hakkında konuşmaya eğilimliler.
15:43
So this person is a key link
356
928000
3000
Bu kişi, anahtar kitle iletişim araçları ile
15:46
in connecting mass media and social media together.
357
931000
3000
sosyal iletişim araçlarını birlşetiren kilit bir konumda.
15:49
One last example from this data:
358
934000
3000
Bu verilerden son bir örnek daha vermek istiyorum.
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
Bazen, içeriğin bir parçası gerçekten de çok özel ve önemlidir.
15:55
So if we go and look at this piece of content,
360
940000
4000
O zaman gidip bu bileşeni aramaya koyuluruz.
15:59
President Obama's State of the Union address
361
944000
3000
Başkan Obama'nın birkaç hafta önce yaptığı
16:02
from just a few weeks ago,
362
947000
2000
Ulusa Sesleniş konuşması,
16:04
and look at what we find in this same data set,
363
949000
3000
bakın bu veri dizisinde ne bulduk,
16:07
at the same scale,
364
952000
3000
aynı oranda,
16:10
the engagement properties of this piece of content
365
955000
2000
bu içeriğin birleştirici özelliği gerçekten de
16:12
are truly remarkable.
366
957000
2000
takdire değerdi.
16:14
A nation exploding in conversation
367
959000
2000
Gerçek zamanlı olarak bir ulus
16:16
in real time
368
961000
2000
yapılan yayına cevap olarak
16:18
in response to what's on the broadcast.
369
963000
3000
inanılmaz bir şekilde iletişime geçti.
16:21
And of course, through all of these lines
370
966000
2000
Ve tüm bu satırlar içinde
16:23
are flowing unstructured language.
371
968000
2000
yapılanmamış bir dil akışı var.
16:25
We can X-ray
372
970000
2000
Bir röntgen çeker gibi
16:27
and get a real-time pulse of a nation,
373
972000
2000
bir ulusun gerçek zamanlı nabzını
16:29
real-time sense
374
974000
2000
sosyal grafikteki farklı devreler içinde
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
içerikle aktive olan farklı sosyal tepkilere bakarak
16:34
being activated by content.
376
979000
3000
gerçek zamanlı olarak ölçebiliriz.
16:37
So, to summarize, the idea is this:
377
982000
3000
Özetleyecek olursak, ana fikir şu:
16:40
As our world becomes increasingly instrumented
378
985000
3000
Dünyamız gittikçe artan bir şekilde cihazlarla donanırken,
16:43
and we have the capabilities
379
988000
2000
bizler insanların söylediği şeyleri
16:45
to collect and connect the dots
380
990000
2000
ve bunları hangi içerikte söylediklerini
16:47
between what people are saying
381
992000
2000
toplayacak ve noktaları birleştirecek
16:49
and the context they're saying it in,
382
994000
2000
imkana sahibiz.
16:51
what's emerging is an ability
383
996000
2000
Şu anda gelişmekte olan şey ise
16:53
to see new social structures and dynamics
384
998000
3000
daha önce görülmemiş, yeni
16:56
that have previously not been seen.
385
1001000
2000
sosyal yapılar ve dinamikler görmek.
16:58
It's like building a microscope or telescope
386
1003000
2000
Bu bir mikroskop ya da teleskop yapmak gibi birşey
17:00
and revealing new structures
387
1005000
2000
kendi davranışlarımız ve aramızdaki iletişimimiz
17:02
about our own behavior around communication.
388
1007000
3000
hakkında yeni yapılar ortaya çıkarmak.
17:05
And I think the implications here are profound,
389
1010000
3000
Ve bence bunun sonuçları da çok yoğun,
17:08
whether it's for science,
390
1013000
2000
ister bilim için olsun,
17:10
for commerce, for government,
391
1015000
2000
ister ticaret ya da devlet için,
17:12
or perhaps most of all,
392
1017000
2000
ya da en önemlisi,
17:14
for us as individuals.
393
1019000
3000
bizler, bireyler için olsun.
17:17
And so just to return to my son,
394
1022000
3000
Tekrar oğluma dönecek olursak,
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
ben bu konuşmayı yaparken, omuzumun üzerinden bakıyordu,
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
ben de ona, size bugün göstereceğim klibi gösterdim.
17:25
and I asked him for permission -- granted.
397
1030000
3000
ve ondan iznini istedim -- ve aldım da.
17:28
And then I went on to reflect,
398
1033000
2000
Daha sonra da ona dedim ki,
17:30
"Isn't it amazing,
399
1035000
3000
"Bu müthiş bir şey değil mi?
17:33
this entire database, all these recordings,
400
1038000
3000
bu verinin tamamı, tüm bu kayıtlar,
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
bunları sana ve kızkardeşine vereceğim,"
17:38
who arrived two years later --
402
1043000
3000
kızkardeşi iki yıl sonra doğdu.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"Ve sizler de zamanda geri gidip, biyolojik hafızanızla asla
17:44
that you could never, with your biological memory,
404
1049000
3000
anımsayamayacağınız, ya da şimdiki gibi anımsayamayacağınız
17:47
possibly remember the way you can now?"
405
1052000
2000
özel anları yeniden deneyimleyebileceksiniz."
17:49
And he was quiet for a moment.
406
1054000
2000
Bir an sessizce durdu.
17:51
And I thought, "What am I thinking?
407
1056000
2000
Ben de kendi kendime "Ne düşünüyordum ki?
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
O sadece beş yaşında. Bunun ne anlama geldiğini anlayamaz." dedim.
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
Tam ben bunları düşünürken, bana baktı ve dedi ki,
17:58
"So that when I grow up,
410
1063000
2000
"Yani ben büyüdüğümde,
18:00
I can show this to my kids?"
411
1065000
2000
bunu çocuklarıma gösterebilir miyim?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
O zaman "Bu gerçekten de çok güçlü bir şey" diye düşündüm.
18:05
So I want to leave you
413
1070000
2000
Bu nedenle sizi bizim ailemizin
18:07
with one last memorable moment
414
1072000
2000
en öenmli anılarından sonuncusu ile
18:09
from our family.
415
1074000
3000
başbaşa bırakıyorum.
18:12
This is the first time our son
416
1077000
2000
Bu, oğlumuzun iki adımdan
18:14
took more than two steps at once --
417
1079000
2000
uzun yürümeyi becerdiği anın
18:16
captured on film.
418
1081000
2000
kaydı.
18:18
And I really want you to focus on something
419
1083000
3000
Ve bunu izlerken bir şeye dikkat
18:21
as I take you through.
420
1086000
2000
etmenizi istiyorum.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
Bu gördüğünüz karmaşık bir ortam; doğal bir hayat.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
Annem mutfakte, yemek pişiriyor,
18:27
and, of all places, in the hallway,
423
1092000
2000
ve bütün ev dururken, koridorda
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
oğlumun iki adımdan fazla atacağını fark ediyorum.
18:32
And so you hear me encouraging him,
425
1097000
2000
Beni, onu yüreklendirmeye çalışırken duyacaksınız,
18:34
realizing what's happening,
426
1099000
2000
ne olduğunu farketmiş durumdayım,
18:36
and then the magic happens.
427
1101000
2000
derken büyülü bir şey oluyor.
18:38
Listen very carefully.
428
1103000
2000
Dikkatli dinleyin.
18:40
About three steps in,
429
1105000
2000
Hemen hemen üçüncü adımda,
18:42
he realizes something magic is happening,
430
1107000
2000
oğlum da büyülü bir şey olduğunu fark ediyor.
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
ve en inanılmaz geri bildirim döngülerinden biri devreye giriyor,
18:47
and he takes a breath in,
432
1112000
2000
derin bir nefes alıyor ve
18:49
and he whispers "wow"
433
1114000
2000
fısıldıyor "Vay be!"
18:51
and instinctively I echo back the same.
434
1116000
4000
ben de dürtüsel olarak aynı şeyi tekrarlıyorum.
18:56
And so let's fly back in time
435
1121000
3000
Şimdi zamanda geri gidelim
18:59
to that memorable moment.
436
1124000
2000
ve bu unutulmaz anı görelim.
19:05
(Video) DR: Hey.
437
1130000
2000
(Video) DR: Hey.
19:07
Come here.
438
1132000
2000
Buraya gel.
19:09
Can you do it?
439
1134000
3000
Becerebilir misin?
19:13
Oh, boy.
440
1138000
2000
Hadi oğlum.
19:15
Can you do it?
441
1140000
3000
Becerebilir misin?
19:18
Baby: Yeah.
442
1143000
2000
Bebek: Evet.
19:20
DR: Ma, he's walking.
443
1145000
3000
DR: Anne, yürüyor.
19:24
(Laughter)
444
1149000
2000
(Gülüşmeler)
19:26
(Applause)
445
1151000
2000
(Alkışlar)
19:28
DR: Thank you.
446
1153000
2000
DR: Teşekkür ederim.
19:30
(Applause)
447
1155000
15000
(Alkışlar)
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