TED2010
Temple Grandin: The world needs all kinds of minds
Temple Grandin: Dünyanın her türlü akla ihtiyacı var
Filmed:
Readability: 3.4
5,588,848 views
Temple Grandin, çocukken otizm teşhisi koyulmuş biri olarak, bizlere aklının nasıl çalıştığından bahsediyor-- "fotoğraflarla düşünme" yetisini paylaşırken, nörotipik beyinlerin atlayabileceği problemleri nasıl çözdüğünü anlatıyor. Dünyanın otistik spekturumdaki akıllara; görsel düşünenlere, sözlü düşünenlere ve her çeşit bilgisayar kurdu çocuklara ihtiyacı olduğunu söylerek davasını ortaya koyuyor.
Temple Grandin - Livestock handling designer, autism activist
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds. Full bio
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds. Full bio
Double-click the English transcript below to play the video.
00:15
I think I'll start out and just talk a little bit about
0
0
2000
Otizmin tam olarak ne olduğunu
00:17
what exactly autism is.
1
2000
2000
anlatarak başlayacağım.
00:19
Autism is a very big continuum
2
4000
3000
Otizm en ağır formunda çocuğun sözcüksüz kaldığı seviyeden
00:22
that goes from very severe -- the child remains non-verbal --
3
7000
3000
tüm o parlak bilim adamları ve mühendislerin seviyesine
00:25
all the way up to brilliant scientists and engineers.
4
10000
3000
dek uzanan çok uzun bir süreçtir.
00:28
And I actually feel at home here,
5
13000
2000
Ve aslında burada kendimi evde hissediyorum.
00:30
because there's a lot of autism genetics here.
6
15000
2000
Çünkü burada pek çok otizm genetiği var.
00:32
You wouldn't have any...
7
17000
2000
Yoksa....
00:34
(Applause)
8
19000
4000
Alkışlar
00:38
It's a continuum of traits.
9
23000
2000
Bu kişisel özellikler sürecidir.
00:40
When does a nerd turn into
10
25000
3000
İnek bir öğrenci ne zaman
00:43
Asperger, which is just mild autism?
11
28000
2000
Asperger'e döner? Bu ılımlı otizmdir.
00:45
I mean, Einstein and Mozart
12
30000
3000
Yani Einstein, Mozart ve Tesla
00:48
and Tesla would all be probably diagnosed
13
33000
2000
hepsi bugün muhtemelen otistik spektrum içinde
00:50
as autistic spectrum today.
14
35000
2000
değerlendiriliyor olurlardı.
00:52
And one of the things that is really going to concern me is
15
37000
3000
Beni gerçekten düşündüren şeylerden birisi de
00:55
getting these kids to be the ones that are going to invent
16
40000
3000
bu çocukların geleceğin enerji şeylerini icad etmelerini
00:58
the next energy things,
17
43000
2000
nasıl sağlamaya çalışacağımız.
01:00
you know, that Bill Gates talked about this morning.
18
45000
4000
Bill Gates bu sabah bunlardan bahsetmişti.
01:04
OK. Now, if you want to understand
19
49000
2000
Tamam, şimdi eğer siz otizmi anlamak istiyorsanız
01:06
autism, animals.
20
51000
2000
hayvanları anlayacaksınız.
01:08
And I want to talk to you now about different ways of thinking.
21
53000
2000
Size düşünmenin farklı yollarından bahsetmek de istiyorum.
01:10
You have to get away from verbal language.
22
55000
3000
Konuşma dilinden uzaklaşmanız gerekiyor.
01:13
I think in pictures,
23
58000
2000
Ben fotoğraflarla düşünüyorum.
01:15
I don't think in language.
24
60000
3000
Ben lisanla düşünmem.
01:18
Now, the thing about the autistic mind
25
63000
2000
Şimdi, otistik akıldaki olay şu;
01:20
is it attends to details.
26
65000
3000
detaylara dikkat eder.
01:23
OK, this is a test where you either have to
27
68000
2000
Şimdi bu testte sizin büyük harfleri mi yoksa
01:25
pick out the big letters, or pick out the little letters,
28
70000
2000
küçük harfleri mi seçtiğinize bakılıyor.
01:27
and the autistic mind picks out the
29
72000
2000
Ve otistik akıllar küçük olan harfleri
01:29
little letters more quickly.
30
74000
2000
daha çabuk algılar.
01:31
And the thing is, the normal brain ignores the details.
31
76000
4000
Ve olay da şu; aslında normal bir beyinin detayları atlar.
01:35
Well, if you're building a bridge, details are pretty important
32
80000
2000
Yani eğer bir köprü inşa ediyorsanız, detaylar önemlidir
01:37
because it will fall down if you ignore the details.
33
82000
3000
çünkü detayları atlarsanız köprü çöker.
01:40
And one of my big concerns with a lot of policy things today
34
85000
3000
Ve benim en bugüne ait politikalarla ilgili en büyük endişem
01:43
is things are getting too abstract.
35
88000
2000
işlerin giderek soyut ve özet hale gelmesidir.
01:45
People are getting away from doing
36
90000
2000
İnsanlar elleriyle birşeyler yapmaktan
01:47
hands-on stuff.
37
92000
2000
uzaklaşıyorlar.
01:49
I'm really concerned that a lot of the schools have taken out
38
94000
2000
Pek çok okul müfredatından el yapımına dair dersleri
01:51
the hands-on classes,
39
96000
2000
çıkarmaya başlamasından endişeliyim,
01:53
because art, and classes like that,
40
98000
2000
çünkü sanat ve benzer dersler,
01:55
those are the classes where I excelled.
41
100000
2000
benim sivrilebildiğim dersler olmuştur.
01:57
In my work with cattle,
42
102000
2000
Sığırlarla yaptığım çalışmada,
01:59
I noticed a lot of little things that most people don't notice
43
104000
3000
sığırların ürkmesiyle ilgili pek çok insanın fark edemediği
02:02
would make the cattle balk. Like, for example,
44
107000
2000
pek çok şeyi fark edebildim. Örneğin;
02:04
this flag waving, right in front of the veterinary facility.
45
109000
3000
bu dalgalanan bayrak, tam olarak veterinerlik fakültesinin önünde.,
02:07
This feed yard was going to tear down their whole veterinary facility;
46
112000
3000
Bu besi ağılı neredeyse tüm veterinerlik fakültesini yerle bir edecekti,
02:10
all they needed to do was move the flag.
47
115000
2000
tek yapmaları gerekense bayrağı kaldırmaktı.
02:12
Rapid movement, contrast.
48
117000
3000
Hızlı hareketler ve kontrast.
02:15
In the early '70s when I started, I got right down
49
120000
2000
70'lerin başlarında işe başladığımda, kanalın
02:17
in the chutes to see what cattle were seeing.
50
122000
2000
hemen altından sığırların ne gördüklerini gördüm.
02:19
People thought that was crazy. A coat on a fence would make them balk,
51
124000
3000
İnsanlar bunun delilik olduğunu düşündü. Çite asılı bir palto onları ürkütüyordu.
02:22
shadows would make them balk, a hose on the floor ...
52
127000
3000
Gölgeler onları ürkütüyordu, yerdeki bir çoraptan ürküyorlardı.
02:25
people weren't noticing these things --
53
130000
2000
İnsanlar bu tarz şeyleri farketmiyorlar,
02:27
a chain hanging down --
54
132000
2000
yukarıya asılı bir zincir,
02:29
and that's shown very, very nicely in the movie.
55
134000
2000
ve bunlar filmde çok çok güzel gösterilmiş.
02:31
In fact, I loved the movie, how they
56
136000
2000
Aslında filmi ve tüm projelerimi nasıl da
02:33
duplicated all my projects. That's the geek side.
57
138000
2000
kopyaladıklarını çok sevindim. O işte içimdeki zeki kişi.
02:35
My drawings got to star in the movie too.
58
140000
3000
Çizimlerim de filmde yıldız haline gelmiş.
02:38
And actually it's called "Temple Grandin,"
59
143000
2000
Ve aslında ismi de Temple Grandin,
02:40
not "Thinking In Pictures."
60
145000
2000
Fotoğraflarla Düşünmek değil.
02:42
So, what is thinking in pictures? It's literally movies
61
147000
2000
Peki, fotoğraflarla düşünmek nedir? Bu gerçekten de
02:44
in your head.
62
149000
2000
kafanızdaki filmlerdir.
02:46
My mind works like Google for images.
63
151000
2000
Benim aklım google görseller gibi çalışıyor.
02:48
Now, when I was a young kid I didn't know my thinking was different.
64
153000
3000
Ben genç bir çocukken düşünme şeklimin farklı olduğunu bilmiyordum.
02:51
I thought everybody thought in pictures.
65
156000
2000
Herkesin fotoğraflarla düşündüğünü sanıyordum.
02:53
And then when I did my book, "Thinking In Pictures,"
66
158000
2000
Ve Fotoğraflarla Düşünmek kitabımı yazdığımda,
02:55
I start interviewing people about how they think.
67
160000
3000
insanlarla nasıl düşündükleri konusunda ropörtajlar yapmaya başladım.
02:58
And I was shocked to find out that
68
163000
2000
Ve düşünme şeklimin bir parça değişik olduğunu,
03:00
my thinking was quite different. Like if I say,
69
165000
2000
farkettiğimde de şok oldum. Dediğim gibi,
03:02
"Think about a church steeple"
70
167000
2000
"Kilise kulesini düşünün"
03:04
most people get this sort of generalized generic one.
71
169000
2000
pek çok insanın aklına bu genel ve yaygın şey gelir.
03:06
Now, maybe that's not true in this room,
72
171000
2000
Şimdi belki bu odadakiler için bu doğru olmayabilir.
03:08
but it's going to be true in a lot of different places.
73
173000
4000
Ama pek çok yer için bu doğru olacaktır.
03:12
I see only specific pictures.
74
177000
2000
Bense sadece spesifik fotoğraflar görürüm.
03:14
They flash up into my memory, just like Google for pictures.
75
179000
4000
Hafızamda ortaya çıkarlar, tam olarak google görseller gibi.
03:18
And in the movie, they've got a great scene in there
76
183000
2000
Ve filmde de burada harika bir sahnem var,
03:20
where the word "shoe" is said, and a whole bunch of '50s and '60s shoes
77
185000
4000
"ayakkabı" kelimesi söylendiğinde, bir deste 50'lerin 60'ların ayakkabıları
03:24
pop into my imagination.
78
189000
2000
hafızamda patlayıveriyor.
03:26
OK, there is my childhood church,
79
191000
2000
Tamam, bu benim çocukluk kilisem.
03:28
that's specific. There's some more, Fort Collins.
80
193000
3000
Bu spesifik. Başka da var, Fort Collins.
03:31
OK, how about famous ones?
81
196000
2000
Peki ya meşhurlar?
03:33
And they just kind of come up, kind of like this.
82
198000
3000
Bir şekilde bana bunlar geliyor, aynı böyle.
03:36
Just really quickly, like Google for pictures.
83
201000
3000
Ve gerçekten Google görseller gibi hızlı geliyorlar.
03:39
And they come up one at a time,
84
204000
2000
Ve her biri tek tek geliyor.
03:41
and then I think, "OK, well maybe we can have it snow,
85
206000
2000
Ve sonra ben belki de kar yağdırmalıyım veya
03:43
or we can have a thunderstorm,"
86
208000
2000
buraya bir şimsek düşsün diye düşünüp
03:45
and I can hold it there and turn them into videos.
87
210000
3000
onları tutarak videolara çeviriyorum.
03:48
Now, visual thinking was a tremendous asset
88
213000
3000
Şimdi, görsel düşünmem sığır bakım tesisleri
03:51
in my work designing cattle-handling facilities.
89
216000
3000
dizayn etme işim için olağanüstü bir değer.
03:54
And I've worked really hard on improving
90
219000
2000
Ve kesim tesisinde sığırlara nasıl davranıldığı
03:56
how cattle are treated at the slaughter plant.
91
221000
2000
konusunda da gerçekten ilerleme kaydettim.
03:58
I'm not going to go into any gucky slaughter slides.
92
223000
3000
Şimdi karmakarışık sığır kesimi slidelarına girmeyeceğim.
04:01
I've got that stuff up on YouTube if you want to look at it.
93
226000
2000
Eğer ilgilenen varsa materyalleri youtube'a yükledim, bakarsınız.
04:03
But, one of the things that I was able to do in my design work
94
228000
4000
Ama tasarım işimde başarabildiğim şeylerden birisi de
04:07
is I could actually test run
95
232000
2000
bir ekipman parçasını
04:09
a piece of equipment in my mind,
96
234000
2000
aklımda çalıştırıp test edebilmem,
04:11
just like a virtual reality computer system.
97
236000
3000
tam olarak bilgisayarlı sanal gerçeklik sistemi gibi.
04:14
And this is an aerial view
98
239000
2000
ve aslında buda filmde
04:16
of a recreation of one of my projects that was used in the movie.
99
241000
3000
kullanılmış olan projelerimden birisinin hayali bir görüntüsü.
04:19
That was like just so super cool.
100
244000
2000
Bu çok güzel, süper havalı olmuş.
04:21
And there were a lot of kind of Asperger types
101
246000
2000
Ve o filmin çekildiği sette pek çok çeşit Asperger tipi
04:23
and autism types working out there on the movie set too.
102
248000
3000
ve otizm tipleri de aktif olarak çalışıyordu.
04:26
(Laughter)
103
251000
2000
kahkahalar
04:28
But one of the things that really worries me
104
253000
2000
İşte beni endişelendiren şeylerden birisi,
04:30
is: Where's the younger version of those kids going today?
105
255000
4000
bugün daha genç nesile ait o çocuklar nereye gidiyorlar?
04:34
They're not ending up in Silicon Valley, where they belong.
106
259000
3000
Ait oldukları yer olan Silikon Vadisinde artık bulunmuyorlar.
04:37
(Laughter)
107
262000
3000
kahkahalar
04:40
(Applause)
108
265000
5000
alkışlar
04:45
Now, one of the things I learned very early on because I wasn't that social,
109
270000
3000
Ve, sosyal biri olmadığım için çok erken öğrenmek zorunda kaldığım şeylerden
04:48
is I had to sell my work, and not myself.
110
273000
4000
birisi de kendimi değil, işimi satmak zorunda oluşum.
04:52
And the way I sold livestock jobs
111
277000
2000
Ve çiftlik hayvanlacılığıyla ilgili işimi
04:54
is I showed off my drawings, I showed off pictures of things.
112
279000
3000
satış şeklim de, çizimlerimde ve fotoğraflarda gösterdiğim gibi.
04:57
Another thing that helped me as a little kid
113
282000
2000
Küçük bir çocukken bana yardımcı olan diğer şeyde
04:59
is, boy, in the '50s, you were taught manners.
114
284000
2000
50'lerde görgü ve terbiyenin öğretilmesiydi.
05:01
You were taught you can't pull the merchandise off the shelves
115
286000
2000
Dükkanların raflarındaki satılık eşyaları aşağıya çekemeyeceğiniz
05:03
in the store and throw it around.
116
288000
2000
ve etrafa atamayacağınız öğretilirdi.
05:05
Now, when kids get to be in third or fourth grade,
117
290000
3000
Şimdi 3.veya 4. sınıf çocukları bana geldiklerinde,
05:08
you might see that this kid's going to be a visual thinker,
118
293000
3000
o çocuğun görsel düşünen biri olduğunu farkedebilirsiniz,
05:11
drawing in perspective. Now, I want to
119
296000
2000
resimleri perspektifle çizmiş.. Şimdi size
05:13
emphasize that not every autistic kid
120
298000
2000
her otistik çocuğun görsel düşünmeyeceğini
05:15
is going to be a visual thinker.
121
300000
2000
söylemem gerekiyor.
05:17
Now, I had this brain scan done several years ago,
122
302000
4000
Bu beyin taramasını bir kaç yıl önce yaptırdım,
05:21
and I used to joke around about having a
123
306000
2000
Ve etrafta görsel hafıza korteksime giden
05:23
gigantic Internet trunk line
124
308000
2000
devasa bir internet kablosuna sahip
05:25
going deep into my visual cortex.
125
310000
2000
olmakla ilgili şakalar yapıp durdum.
05:27
This is tensor imaging.
126
312000
2000
Bu tensör görüntüleme.
05:29
And my great big internet trunk line
127
314000
2000
Ve işte büyük internet ana hattım da
05:31
is twice as big as the control's.
128
316000
2000
kontrolünkinden iki kat büyük.
05:33
The red lines there are me,
129
318000
2000
Kırmızı çizgiler benim,
05:35
and the blue lines are the sex and age-matched control.
130
320000
4000
mavi çizgiler de cinsiyet ve yaş uyumlu kontrolümün.
05:39
And there I got a gigantic one,
131
324000
2000
Ve işte orada benimki devasa boyutta
05:41
and the control over there, the blue one,
132
326000
2000
kontrol de burada mavi olan,
05:43
has got a really small one.
133
328000
4000
onunki gerçekten de çok küçük.
05:47
And some of the research now is showing
134
332000
2000
Son yapılan araştırmalar, spekturumdaki
05:49
is that people on the spectrum actually think with primary visual cortex.
135
334000
4000
kişilerin primer görsel korteksle düşündüğünü gösteriyor.
05:53
Now, the thing is, the visual thinker's just one kind of mind.
136
338000
3000
Şimdi olay şu, görsel düşünme sadece tek bir akıl çeşididir.
05:56
You see, the autistic mind tends to be a specialist mind --
137
341000
3000
Otistik akıllar uzmanlaşmaya eğilimlidir
05:59
good at one thing, bad at something else.
138
344000
4000
Bir işte çok iyi, başkasında kötü.
06:03
And where I was bad was algebra. And I was never allowed
139
348000
2000
Ben cebirde berbattım. Geometri ve trigonometri almama
06:05
to take geometry or trig.
140
350000
2000
hiç izin verilmedi.
06:07
Gigantic mistake: I'm finding a lot of kids who need to skip algebra,
141
352000
3000
Devasa bir hata. Pek çok çocuğun cebiri atlayıp direk geometri ve,
06:10
go right to geometry and trig.
142
355000
2000
trigonometriye geçmeliler.
06:12
Now, another kind of mind is the pattern thinker.
143
357000
3000
Diğer türde bir akıl da kalıpsal düşünen akıllardır.
06:15
More abstract. These are your engineers,
144
360000
2000
Daha soyutturlar. Bunlar sizin mühendisleriniz,
06:17
your computer programmers.
145
362000
2000
bilgisayar programcılarınızdır.
06:19
Now, this is pattern thinking. That praying mantis
146
364000
2000
Bu kalıpsal düşünme. Bu peygamberdevesi
06:21
is made from a single sheet of paper --
147
366000
2000
bant kullanılmadan ve kesilmeden
06:23
no scotch tape, no cuts.
148
368000
2000
tek bir parça kağıttan yapılmış.
06:25
And there in the background is the pattern for folding it.
149
370000
3000
İşte katlama modelinin altında yatan şey de burada.
06:28
Here are the types of thinking:
150
373000
2000
İşte düşünme tipleri,
06:30
photo-realistic visual thinkers, like me;
151
375000
3000
fotoğrafik gerçeklikte görsel düşünenler, ben yani,
06:33
pattern thinkers, music and math minds.
152
378000
4000
Kalıpsal düşünenler, müzik ve matematik.
06:37
Some of these oftentimes have problems with reading.
153
382000
2000
Bunların çoğunun okumayla ilgili sorunları olur.
06:39
You also will see these kind of problems
154
384000
2000
Bu çeşit problemleri aynı zamanda disleksik
06:41
with kids that are dyslexic.
155
386000
3000
çocuklarda da görüyoruz.
06:44
You'll see these different kinds of minds.
156
389000
2000
Tüm bu değişik çeşitteki akılları görüyorsunuz.
06:46
And then there's a verbal mind, they know every fact about everything.
157
391000
3000
Ve birde sözsel akıllar var. Her konudaki her gerçeği bilirler.
06:49
Now, another thing is the sensory issues.
158
394000
2000
Diğer birşey de duyusal konular.
06:51
I was really concerned about having to wear this gadget on my face.
159
396000
4000
Bu aleti yüzüme giymek zorunda olmam beni endişelendirmişti.
06:55
And I came in half an hour beforehand
160
400000
3000
Bunu takmak için yarım saat
06:58
so I could have it put on and kind of get used to it,
161
403000
2000
önce geldim, belki bir şekilde alışırım diye.
07:00
and they got it bent so it's not hitting my chin.
162
405000
3000
Çeneme değmemesi için ucunu kıvırmak zorundaydılar.
07:03
But sensory is an issue. Some kids are bothered by fluorescent lights;
163
408000
3000
Duyular meseledir. Bazı çocuklar florasan ışıklardan rahatsız olur.
07:06
others have problems with sound sensitivity.
164
411000
3000
Bazılarının sese karşı hassasiyeti vardır.
07:09
You know, it's going to be variable.
165
414000
3000
Gördüğünüz gibi değişken oluyor.
07:12
Now, visual thinking gave me a whole lot of insight
166
417000
4000
Şimdi, görsel düşünmek bana hayvanların aklıyla
07:16
into the animal mind.
167
421000
2000
ilgili pek çok içgörü sağladı.
07:18
Because think about it: An animal is a sensory-based thinker,
168
423000
3000
Çünkü düşünün. Bir hayvan sadece duyusal temelli düşünür,
07:21
not verbal -- thinks in pictures,
169
426000
4000
sözlerle değil. Resimlerle düşünür.
07:25
thinks in sounds, thinks in smells.
170
430000
3000
Seslerle ve kokularla düşünür.
07:28
Think about how much information there is there on the local fire hydrant.
171
433000
3000
O lokal yangın söndürücü üstünde ne kadar çok bilgi var düşünsenize.
07:31
He knows who's been there, when they were there.
172
436000
3000
Kimin oraya geldiğini, ne zaman geldiğini,
07:34
Are they friend or foe? Is there anybody he can go mate with?
173
439000
3000
arkadaş mı rakip mi olduğunu, çiftleşecek biri olup olmadığını...
07:37
There's a ton of information on that fire hydrant.
174
442000
3000
O yangın söndürücüde tonla bilgi var.
07:40
It's all very detailed information,
175
445000
4000
Ve hepsi de çok detaylı bilgiler.
07:44
and, looking at these kind of details
176
449000
2000
Ve bu tür detayları gözlemek bana hayvanlar
07:46
gave me a lot of insight into animals.
177
451000
2000
hakkında çok fazla içgörü kazandırdı.
07:48
Now, the animal mind, and also my mind,
178
453000
4000
Hayvan aklı ve aynı zamanda benim aklım
07:52
puts sensory-based information
179
457000
2000
duyusal gelen verileri
07:54
into categories.
180
459000
2000
kategorize ediyor.
07:56
Man on a horse
181
461000
2000
At üstünde bir adam
07:58
and a man on the ground --
182
463000
2000
ve yerde bir adam,
08:00
that is viewed as two totally different things.
183
465000
2000
bu tamamen farklı iki şey olarak görülüyor.
08:02
You could have a horse that's been abused by a rider.
184
467000
3000
Sürücüsü tarafından eziyete uğramış bir atınız olabilir.
08:05
They'll be absolutely fine with the veterinarian
185
470000
2000
Veterinerde harika olacaklardır,
08:07
and with the horseshoer, but you can't ride him.
186
472000
3000
ayrıca nalbantla da, ama onu süremezsiniz.
08:10
You have another horse, where maybe the horseshoer beat him up
187
475000
3000
Başka bir atınız daha var, ve nalbant onu dövmüş,
08:13
and he'll be terrible for anything on the ground,
188
478000
2000
ve böyle birşeyden dolayı veterinerde yerdeyken
08:15
with the veterinarian, but a person can ride him.
189
480000
3000
delirecektir, ama siz ona binebilirsiniz.
08:18
Cattle are the same way.
190
483000
2000
Sığırlar da böyledir.
08:20
Man on a horse,
191
485000
2000
At üstündeki adam,
08:22
a man on foot -- they're two different things.
192
487000
2000
ayakta duran adam, tamamen farklı iki şey.
08:24
You see, it's a different picture.
193
489000
2000
Görüyorsunuz bu farklı bir fotoğraf.
08:26
See, I want you to think about just how specific this is.
194
491000
3000
Bunun ne kadar spesifik olduğu hakkında düşünmenizi istiyorum.
08:29
Now, this ability to put information into categories,
195
494000
4000
İşte bu bilgileri kategorize edebilme yeteneği,
08:33
I find a lot of people are not very good at this.
196
498000
3000
Pek çok insanın bu konuda iyi olmadığını görüyorum.
08:36
When I'm out troubleshooting equipment
197
501000
2000
Ekipmanlardaki sorunlar veya tesisteki
08:38
or problems with something in a plant,
198
503000
2000
bir problemi çözmek için çıktığımda,
08:40
they don't seem to be able to figure out, "Do I have a training people issue?
199
505000
4000
Sorunun ne olduğunu çözemediklerini görüyorum. "İnsan eğitim sorunu mu?"
08:44
Or do I have something wrong with the equipment?"
200
509000
2000
"Yoksa ekipman sorunu mu?"
08:46
In other words, categorize equipment problem
201
511000
2000
Diğer deyişle, insan sorunundan dolayı oluşan
08:48
from a people problem.
202
513000
2000
kategorize ekipman sorunu.
08:50
I find a lot of people have difficulty doing that.
203
515000
3000
Pek çok insanın bunda sıkıntı yaşadığını görüyorum.
08:53
Now, let's say I figure out it's an equipment problem.
204
518000
3000
Diyelim ki bir ekipman sorunu var.
08:56
Is it a minor problem, with something simple I can fix?
205
521000
2000
Bu küçük mü, basitce düzeltebilir miyim?
08:58
Or is the whole design of the system wrong?
206
523000
3000
Yada sistemin tamamının dizaynında bir hata mı var?
09:01
People have a hard time figuring that out.
207
526000
3000
İnsanlar bunu algılamakta güçlük yaşıyorlar.
09:04
Let's just look at something like, you know,
208
529000
2000
Şimdi şöyle birşeye bakalım,
09:06
solving problems with making airlines safer.
209
531000
2000
havayollarını güvenli yapacak sorunları çözelim.
09:08
Yeah, I'm a million-mile flier.
210
533000
2000
Evet, bir milyon mil uçucusuyum.
09:10
I do lots and lots of flying,
211
535000
2000
Çok ama çok fazla uçuyorum.
09:12
and if I was at the FAA,
212
537000
3000
Ve eğer FFA'da isem,
09:15
what would I be doing a lot of direct observation of?
213
540000
4000
direk gözlemleme yapacağım şey ne olabilir?
09:19
It would be their airplane tails.
214
544000
2000
Uçak kuyrukları olabilir.
09:21
You know, five fatal wrecks in the last 20 years,
215
546000
3000
Biliyorsunuz, son 20 senede beş ölümcül kaza,
09:24
the tail either came off or steering stuff inside the tail broke
216
549000
4000
kuyruk ya çıktı, yada kuyruktaki idare mekanizması
09:28
in some way.
217
553000
2000
bir şekilde kırıldı.
09:30
It's tails, pure and simple.
218
555000
2000
Bunlar kuyruk, çok net ve basit.
09:32
And when the pilots walk around the plane, guess what? They can't see
219
557000
2000
Ve pilotlar uçağın etrafında yürüdüklerinde ne oluyor tahmin edin?
09:34
that stuff inside the tail.
220
559000
2000
Kuyruğun içindeki o şeyi göremiyorlar.
09:36
You know, now as I think about that,
221
561000
2000
Şu anda bunu düşünürken, tüm o spesifik bilgiyi toparladığımın
09:38
I'm pulling up all of that specific information.
222
563000
3000
artık sizde farkındasınız.
09:41
It's specific. See, my thinking's bottom-up.
223
566000
3000
Çok spesifik. Yani, benim düşünme şeklimin altı üstte.
09:44
I take all the little pieces and I put the pieces together like a puzzle.
224
569000
4000
Tüm o küçük detayları alırım ve bir bulmaca gibi birleştiririm.
09:48
Now, here is a horse that was deathly afraid
225
573000
2000
Ve işte bu at da siyah kovboy şapkalarından
09:50
of black cowboy hats.
226
575000
2000
ölümüne korkuyordu.
09:52
He'd been abused by somebody with a black cowboy hat.
227
577000
2000
Siyah şapkası olan birinin kötü davranışına maruz kalmış.
09:54
White cowboy hats, that was absolutely fine.
228
579000
3000
Beyaz kovboy şapkaları ise, tamamen uygun.
09:57
Now, the thing is, the world is going to need
229
582000
3000
Buradaki şey, dünyanın tüm bu farklı tiplerdeki
10:00
all of the different kinds of minds
230
585000
2000
akıllarla birlikte çalışmaya
10:02
to work together.
231
587000
2000
ihtiyacının olması.
10:04
We've got to work on developing all these different kinds of minds.
232
589000
3000
Tüm bu insan akıl çeşitlerini geliştirmek için çalışmalıyız.
10:07
And one of the things that is driving me really crazy,
233
592000
3000
Ve beni delirten şeylerden birisi de,
10:10
as I travel around and I do autism meetings,
234
595000
2000
çevredeki otizm toplantıları için dolaştığımda,
10:12
is I'm seeing a lot of smart, geeky, nerdy kids,
235
597000
3000
çok fazla bilgisayar düşkünü inek tipli ufaklık görmem.
10:15
and they just aren't very social,
236
600000
3000
Ve kesinlikle sosyal değiller.
10:18
and nobody's working on developing their interest
237
603000
2000
Ve kimse de ilgi alanlarını bilim gibi bir konuda
10:20
in something like science.
238
605000
2000
geliştirmelerine yardım etmiyor.
10:22
And this brings up the whole thing of my science teacher.
239
607000
3000
Ve bu fen öğretmenimle ilgili özelliği bana anımsatıyor.
10:25
My science teacher is shown absolutely beautifully in the movie.
240
610000
3000
Fen öğretmenim filmde neredeyse tamamen güzelce sunulmuş.
10:28
I was a goofball student. When I was in high school
241
613000
2000
Ben serseri bir çocuktum. Lisedeydim.
10:30
I just didn't care at all about studying,
242
615000
3000
Ders çalışmak umurumda değildi.
10:33
until I had Mr. Carlock's science class.
243
618000
3000
Ta ki bay Carlock'ın fen dersine kadar.
10:36
He was now Dr. Carlock in the movie.
244
621000
3000
Filmde şimdi Dr. Carlock oldu.
10:39
And he got me challenged
245
624000
3000
Ve o bana görsel bir illüzyon
10:42
to figure out an optical illusion room.
246
627000
3000
odasıyla ilgili meydan okudu.
10:45
This brings up the whole thing of you've got to show kids
247
630000
2000
İşte buda çocuklara ilginç şeyler göstermek zorunda olduğunuz
10:47
interesting stuff.
248
632000
2000
konusuna geliyor.
10:49
You know, one of the things that I think maybe TED ought to do
249
634000
3000
Belki de TED'in yapması gereken tüm okullara TED'de harika
10:52
is tell all the schools about all the great lectures that are on TED,
250
637000
3000
dersler olduğundan bahsetmektir, ve internette de
10:55
and there's all kinds of great stuff on the Internet
251
640000
2000
bu çocukları tahrik edip ateşleyecek her çeşit
10:57
to get these kids turned on.
252
642000
2000
harika şeyi bulmak mümkün,
10:59
Because I'm seeing a lot of these geeky nerdy kids,
253
644000
3000
Bu bilgisayar düşkünü inek tipli çocuklardan ve öğretmenlerden
11:02
and the teachers out in the Midwest, and the other parts of the country,
254
647000
3000
orta batıda ve ülkenin diğer yerlerinden de çok fazla gördüğüm içim
11:05
when you get away from these tech areas,
255
650000
2000
bu tenolojik alanlardan uzaklaştığınızda
11:07
they don't know what to do with these kids.
256
652000
2000
bu çocuklarla da ne yapacağınızı bilemiyorsunuz.
11:09
And they're not going down the right path.
257
654000
2000
Ve doğru yolda da ilerlemiyorlar.
11:11
The thing is, you can make a mind
258
656000
2000
Olay şu ki bir aklı daha çok düşünen ve daha
11:13
to be more of a thinking and cognitive mind,
259
658000
3000
kognitif bir akıl haline getirebilirsiniz.
11:16
or your mind can be wired to be more social.
260
661000
3000
Aklınızla daha sosyal olmak için donanımlanabilirsiniz.
11:19
And what some of the research now has shown in autism
261
664000
2000
Ve şimdi bazı araştırmacıların dediğine göre otizmde
11:21
is there may by extra wiring back here,
262
666000
2000
bu gerçekten parlak akıllarda, burayı biraz ekstra kabloladığımızda
11:23
in the really brilliant mind, and we lose a few social circuits here.
263
668000
3000
şuradan da bir kaç sosyal devreyi kaybedebiliyoruz.
11:26
It's kind of a trade-off between thinking and social.
264
671000
4000
Bu düşünme ve sosyalleşme arasında ticaret yapmak gibi.
11:30
And then you can get into the point where it's so severe
265
675000
2000
Ve çok şiddetli olduğu noktaya vardığınızda da
11:32
you're going to have a person that's going to be non-verbal.
266
677000
3000
sözcüğü olmayan bir insana sahip oluyorsunuz.
11:35
In the normal human mind
267
680000
2000
Normal insan aklında
11:37
language covers up the visual thinking we share with animals.
268
682000
3000
hayvanlarla paylaştığımız görsel düşünmeyi dil kapatıyor.
11:40
This is the work of Dr. Bruce Miller.
269
685000
3000
Bu Dr. Bruce Miller'in bir çalışması.
11:43
And he studied Alzheimer's patients
270
688000
3000
Frontal lob demansları olan Alzheimer
11:46
that had frontal temporal lobe dementia.
271
691000
2000
hastalarını da çalışmış.
11:48
And the dementia ate out the language parts of the brain,
272
693000
3000
Ve demans beyinlerindeki dil kısmını yediği için,
11:51
and then this artwork came out of somebody who used to install stereos in cars.
273
696000
5000
işte bu sanat çalışması eskiden arabalara stereo döşeyen birisinin elinden çıkmış.
11:56
Now, Van Gogh doesn't know anything about physics,
274
701000
4000
Şimdi, Van Gogh fizik hakkında birşey bilmezdi.
12:00
but I think it's very interesting
275
705000
2000
Ama bu konuda çalışma yaptığını
12:02
that there was some work done to show that
276
707000
2000
bu tablosundaki girdapsal modeli takip eden
12:04
this eddy pattern in this painting
277
709000
2000
türbülans istatistik modelinden anlıyoruz
12:06
followed a statistical model of turbulence,
278
711000
3000
ve bu bana çok ilginç geliyor.
12:09
which brings up the whole interesting idea
279
714000
2000
Ve buda bende, bu matematiksel desenlerden
12:11
of maybe some of this mathematical patterns
280
716000
2000
bazılarının kafamızın içinde olduğu ile ilgili
12:13
is in our own head.
281
718000
2000
yeni ve tuhaf bir fikir veriyor.
12:15
And the Wolfram stuff -- I was taking
282
720000
2000
Bu Wolfram şeyiyle ilgili notlar aldım
12:17
notes and I was writing down all the
283
722000
2000
kullanabileceğim tüm arama kelimelerini
12:19
search words I could use,
284
724000
2000
yazdım, sanıyorum
12:21
because I think that's going to go on in my autism lectures.
285
726000
4000
çünkü bunlar otizm derslerinde olacak konular
12:25
We've got to show these kids interesting stuff.
286
730000
2000
Bu çocuklara ilginç şeyler göstermeliyiz.
12:27
And they've taken out the autoshop class
287
732000
2000
Ve auto-shop dersini, tasarım dersini
12:29
and the drafting class and the art class.
288
734000
2000
ve sanat dersini müfredattan çıkarıyorlar.
12:31
I mean art was my best subject in school.
289
736000
3000
Sanat okulda en iyi olduğum dersti.
12:34
We've got to think about all these different kinds of minds,
290
739000
2000
Tüm bu değişik akıl çeşitlerini düşünmek zorundayız.
12:36
and we've got to absolutely work with these kind of minds,
291
741000
3000
Gelecekte bu çeşit insanlara ihtiyacımız olacağı için
12:39
because we absolutely are going to need
292
744000
3000
bu tarzda akıllarla birlikte çalışmak
12:42
these kind of people in the future.
293
747000
3000
mecburiyetindeyiz.
12:45
And let's talk about jobs.
294
750000
2000
Biraz da işten bahsedelim.
12:47
OK, my science teacher got me studying
295
752000
2000
Evet, fen öğretmenim beni çalıştırdı,
12:49
because I was a goofball that didn't want to study.
296
754000
3000
çünkü tembeldim ve çalışmak istemiyordum.
12:52
But you know what? I was getting work experience.
297
757000
2000
Ama birşey var, ben iş deneyimi elde ediyordum.
12:54
I'm seeing too many of these smart kids who haven't learned basic things,
298
759000
2000
Basit bazı şeyleri öğrenmemiş çok fazla zeki çocuğa rastlıyorum,
12:56
like how to be on time.
299
761000
2000
örneğin dakik biri olmak gibi.
12:58
I was taught that when I was eight years old.
300
763000
2000
Bu bana sekiz yaşımdayken öğretilmişti.
13:00
You know, how to have table manners at granny's Sunday party.
301
765000
3000
Ninenin pazar partisinde masada sofra adabına nasıl uyulur, gibi.
13:03
I was taught that when I was very, very young.
302
768000
3000
Bu bana çok ama çok gençken öğretilmişti.
13:06
And when I was 13, I had a job at a dressmaker's shop
303
771000
3000
Ve 13 yaşımda bir terzinin yanında iş bulup çalışmaya başlamıştım
13:09
sewing clothes.
304
774000
2000
elbise satıyordum.
13:11
I did internships in college,
305
776000
3000
Üniversitede intörnlük yaptım.
13:14
I was building things,
306
779000
3000
Birşeyler inşa ettim.
13:17
and I also had to learn how to do assignments.
307
782000
3000
Ve ayrıca verilen görevleri nasıl yapacağımı da öğrenmek zorundaydım.
13:20
You know, all I wanted to do was draw pictures of horses when I was little.
308
785000
4000
Bilirsiniz, küçükken tek yapmak istediğim atların resmini yapmaktı.
13:24
My mother said, "Well let's do a picture of something else."
309
789000
2000
Annem "Tamam, hadi başka birşeyin de resmini yapalım" dedi.
13:26
They've got to learn how to do something else.
310
791000
2000
Başka birşeyler yapmayı da öğrenmek zorundalar.
13:28
Let's say the kid is fixated on Legos.
311
793000
2000
diyelim ki çocuk legolara fikse olmuş durumda.
13:30
Let's get him working on building different things.
312
795000
3000
Ona farklı şeyler inşa ettirin.
13:33
The thing about the autistic mind
313
798000
2000
Otistik akıllarla ilgili diğer bir şey de
13:35
is it tends to be fixated.
314
800000
2000
fiksasyon göstermeye eğilimleridir.
13:37
Like if a kid loves racecars,
315
802000
2000
Eğer bir çocuk yarış arabalarını seviyorsa
13:39
let's use racecars for math.
316
804000
2000
matematik için o yarış arabalarını kullanmak gibi.
13:41
Let's figure out how long it takes a racecar to go a certain distance.
317
806000
3000
Hadi bakalım şu mesafeye bir yarış arabasının gitmesi ne kadar zaman alır?
13:44
In other words, use that fixation
318
809000
4000
Diğer deyişle, fiksasyonu kullanın
13:48
in order to motivate that kid, that's one of the things we need to do.
319
813000
3000
ve çocuğu motive edin. Bu yapmak zorunda olduğumuz şeylerden biri.
13:51
I really get fed up when they, you know, the teachers,
320
816000
3000
Ülkenin bu kısmından uzaklaştığınızda, bu zeki
13:54
especially when you get away from this part of the country,
321
819000
3000
çocuklar ile ne yapacağını bilemeyen..--bilirsiniz---
13:57
they don't know what to do with these smart kids.
322
822000
2000
öğretmenlerden bana gına geldi.
13:59
It just drives me crazy.
323
824000
2000
Beni delirtiyorlar.
14:01
What can visual thinkers do when they grow up?
324
826000
2000
Görsel düşünenler büyüyünce ne yaparlar?
14:03
They can do graphic design, all kinds of stuff with computers,
325
828000
3000
Grafik dizaynı, bilgisayarlarla ilgili herşey,
14:06
photography, industrial design.
326
831000
5000
fotoğrafcılık, endüstriel tasarım.
14:11
The pattern thinkers, they're the ones that are going to be
327
836000
2000
Kalıpsal düşünenler, onlar da matematikçiler olacak,
14:13
your mathematicians, your software engineers,
328
838000
3000
yazılım mühendisleri, bilgisayar programcıları
14:16
your computer programmers, all of those kinds of jobs.
329
841000
4000
bu tarzda tüm işleri yapabilirler.
14:20
And then you've got the word minds. They make great journalists,
330
845000
3000
Sözsel düşünen akıllardan harika gazeteciler olur
14:23
and they also make really, really good stage actors.
331
848000
3000
Ayrıca çok da iyi sahne sanatçısı olurlar.
14:26
Because the thing about being autistic is,
332
851000
2000
Çünkü otistik olmanın bir yönü bu,
14:28
I had to learn social skills like being in a play.
333
853000
3000
piyesler gibi sosyal seyleri öğrenmek zorundaydım
14:31
It's just kind of -- you just have to learn it.
334
856000
3000
Bir şekilde öğrenmek zorunda kalıyorsunuz.
14:34
And we need to be working with these students.
335
859000
3000
Bu öğrencilerle birlikte çalışmaya ihtiyacımız var,
14:37
And this brings up mentors.
336
862000
2000
Buda danışman konusunu açıyor.
14:39
You know, my science teacher was not an accredited teacher.
337
864000
3000
Bilirsiniz, fen öğretmenim çok itibarlı biri filan değildi.
14:42
He was a NASA space scientist.
338
867000
2000
NASA uzay bilimcisiydi.
14:44
Now, some states now are getting it to where
339
869000
2000
Şimdi bazı eyaletlerde şu noktaya gelindi,
14:46
if you have a degree in biology, or a degree in chemistry,
340
871000
2000
eğer biyolojide bir dereceniz varsa veya kimyada
14:48
you can come into the school and teach biology or chemistry.
341
873000
3000
okula girip biyoloji veya kimya öğretebiliyorsunuz.
14:51
We need to be doing that.
342
876000
2000
Bunu yapmak zorundayız.
14:53
Because what I'm observing is
343
878000
2000
Çünkü gözlemlediğim kadarıyla
14:55
the good teachers, for a lot of these kids,
344
880000
2000
çocukların çoğu için gereken iyi öğretmenlerin
14:57
are out in the community colleges,
345
882000
2000
çoğunluğu devlet üniversitelerindeler.
14:59
but we need to be getting some of these good teachers into the high schools.
346
884000
3000
Bu iyi öğretmenlerden bazılarını oradan çıkarıp liselere almalıyız.
15:02
Another thing that can be very, very, very successful is
347
887000
3000
Diğer bir şey de, bu çok çok ama çok başarılı olabilir,
15:05
there is a lot of people that may have retired
348
890000
3000
yazılım sektöründen emekliye ayrılmış çok fazla
15:08
from working in the software industry, and they can teach your kid.
349
893000
3000
kişi var ve onlar bu çocuklara öğretebilirler.
15:11
And it doesn't matter if what they teach them is old,
350
896000
3000
Onlara öğreteceklerinin eski bilgi olması önemsiz,
15:14
because what you're doing is you're lighting the spark.
351
899000
3000
çünkü yaptığınız şey kıvılcımı çakmak olacak.
15:17
You're getting that kid turned on.
352
902000
3000
Çocuğu harekete geçiriyorsunuz.
15:20
And you get him turned on, then he'll learn all the new stuff.
353
905000
3000
Ve bunu başarırsanız, zaten yeni ne varsa kendisi öğrenecektir.
15:23
Mentors are just essential.
354
908000
2000
Danışmanlar çok elzem.
15:25
I cannot emphasize enough
355
910000
2000
Fen öğretmenimin bana yaptığı
15:27
what my science teacher did for me.
356
912000
3000
şeyi ne kadar vurgulasam da yetersiz kalacak.
15:30
And we've got to mentor them, hire them.
357
915000
3000
Onlara danışmanlık yapmalıyız, işe almalıyız.
15:33
And if you bring them in for internships in your companies,
358
918000
2000
Ve onları şirketlerinize stajer olarak alırsanız,
15:35
the thing about the autism, Asperger-y kind of mind,
359
920000
3000
otizmde, Aspergery türde akıllarda, onlara sadece
15:38
you've got to give them a specific task. Don't just say, "Design new software."
360
923000
3000
"Bir yazılım dizayn et" diyemezsiniz. Onlara spesifik görevler vereceksiniz.
15:41
You've got to tell them something a lot more specific:
361
926000
2000
Çok daha spesifik olmalısınız.
15:43
"Well, we're designing a software for a phone
362
928000
3000
"Bir telefon için yazılım dizayn ediyoruz
15:46
and it has to do some specific thing.
363
931000
2000
ve bu telefonun bazı spesifik özellikleri olmalı.
15:48
And it can only use so much memory."
364
933000
2000
Ve hafızadan da sadece bu kadarını kullanmalı" gibi....
15:50
That's the kind of specificity you need.
365
935000
2000
Bu türde spesifikliğe ihtiyaç duyacaksınız.
15:52
Well, that's the end of my talk.
366
937000
2000
Ve buda konuşmamın sonu.
15:54
And I just want to thank everybody for coming.
367
939000
2000
Herkese geldiği için teşekkür ediyorum.
15:56
It was great to be here.
368
941000
2000
Burada olmak harikaydı.
15:58
(Applause)
369
943000
12000
alkışlar
16:10
Oh, you've got a question for me? OK.
370
955000
3000
Ah, bana sorunuz mu var? Tamam.
16:13
(Applause)
371
958000
1000
alkışlar
16:14
Chris Anderson: Thank you so much for that.
372
959000
4000
CA: bunun için çok sağol.
16:18
You know, you once wrote, I like this quote,
373
963000
2000
Şöyle bir şey yazmışsın, hoşuma gitti
16:20
"If by some magic, autism had been
374
965000
2000
"Otizm dünyanın yüzeyinden
16:22
eradicated from the face of the Earth,
375
967000
3000
bir sihir yapılıp yok edilseydi,
16:25
then men would still be socializing in front of a wood fire
376
970000
3000
insanlar hala mağaraların girişlerinde yaktıkları ateşle ısınıyor
16:28
at the entrance to a cave."
377
973000
2000
ve sosyalleşiyor olurlardı.
16:30
Temple Grandin: Because who do you think made the first stone spears?
378
975000
2000
TG: İlk taş kıvılcımını kimin yaptığını sanıyorsun?
16:32
The Asperger guy. And if you were to get rid of all the autism genetics
379
977000
3000
Asperger adam. Tüm otistik genlerden kurtulsaydık
16:35
there would be no more Silicon Valley,
380
980000
2000
Silikon Vadi de kalmazdı
16:37
and the energy crisis would not be solved.
381
982000
2000
enerji sorunu da asla çözüme ulaşmazdı.
16:39
(Applause)
382
984000
3000
alkışlar
16:42
CA: So, I want to ask you a couple other questions,
383
987000
2000
CA:Sana birkaç soru daha soracağım
16:44
and if any of these feel inappropriate,
384
989000
2000
eğer uygunsuz gelirse
16:46
it's okay just to say, "Next question."
385
991000
2000
bana sıradaki soru diyebilirsin
16:48
But if there is someone here
386
993000
2000
Eğer burada otistik çocuğu
16:50
who has an autistic child,
387
995000
2000
olan biri varsa veya
16:52
or knows an autistic child
388
997000
2000
otistik bir çocuk tanıyan,
16:54
and feels kind of cut off from them,
389
999000
3000
ve kendini ondan kopuk hissediyorsa
16:57
what advice would you give them?
390
1002000
2000
vereceğin öğüt ne olur?
16:59
TG: Well, first of all, you've got to look at age.
391
1004000
2000
TG: Önce yaşa bakmalısınız.
17:01
If you have a two, three or four year old
392
1006000
2000
2-3-4 yaşlarındaysa ve
17:03
you know, no speech, no social interaction,
393
1008000
2000
konuşmuyorsa ve sosyal değilse,
17:05
I can't emphasize enough:
394
1010000
2000
ne kadar vurgulasam az olacak ama
17:07
Don't wait, you need at least 20 hours a week of one-to-one teaching.
395
1012000
4000
sakın beklemeyin, haftada 20 saat bire bir eğitime ihtiyacı olacaktır.
17:11
You know, the thing is, autism comes in different degrees.
396
1016000
3000
Otizm farklı derecelerde geliyor, bilirsiniz,
17:14
There's going to be about half the people on the spectrum
397
1019000
2000
Spekturumundakilerin yaklaşık yarısı kadarı;
17:16
that are not going to learn to talk, and they're not going to be working
398
1021000
2000
konuşmayı başaramayanlar olacak ve çalışmayacaklar da.
17:18
Silicon Valley, that would not be a reasonable thing for them to do.
399
1023000
3000
Silikon Vadi onlar için pek mantıklı bir yer olmaz.
17:21
But then you get the smart, geeky kids
400
1026000
2000
Ama otizmin hafifçe dokunduğu
17:23
that have a touch of autism,
401
1028000
2000
zeki, bilgisayar manyağı, inek çocuklar var,
17:25
and that's where you've got to get them turned on
402
1030000
2000
sizler bu noktada ilginç şeyler yaparak
17:27
with doing interesting things.
403
1032000
2000
bu çocukları teşvik etmelisiniz.
17:29
I got social interaction through shared interest.
404
1034000
3000
Ben sosyal ilişkiyi ortak ilgi alanlarından sağlıyorum.
17:32
I rode horses with other kids, I made model rockets with other kids,
405
1037000
4000
Bazı çocuklarla ata biniyorum. Diğerleriyle roket modelleri yapıyorum,
17:36
did electronics lab with other kids,
406
1041000
2000
başkalarıyla da elektronik lab. yapıyorum.
17:38
and in the '60s, it was gluing mirrors
407
1043000
2000
ve düşünün 60'lı yıllar kauçuk bir yüzeye veya bir mikrofona
17:40
onto a rubber membrane on a speaker to make a light show.
408
1045000
3000
ayna yapıştırarak ısığı gösterdiğimiz yıllardı.
17:43
That was like, we considered that super cool.
409
1048000
3000
Böyleydi ve bunun acaip havalı olduğunu düşünürdük.
17:46
CA: Is it unrealistic for them
410
1051000
2000
CA: bu kişiler için çocuklarının
17:48
to hope or think that that child
411
1053000
2000
da onları sevdiğini düşünmek
17:50
loves them, as some might, as most, wish?
412
1055000
3000
veya umud etmek gerçekçi bir şey olur mu?
17:53
TG: Well let me tell you, that child will be loyal,
413
1058000
2000
TG: O çocuk sadık olacaktır.
17:55
and if your house is burning down, they're going to get you out of it.
414
1060000
2000
Yanan bir evdeysen seni kurtarmak için yanan eve girecektir.
17:57
CA: Wow. So, most people, if you ask them
415
1062000
3000
CA: Vay canına. Çoğu kişiye tutkuları
18:00
what are they most passionate about, they'd say things like,
416
1065000
2000
sorulduğunda verdikleri cevaplar şöyle oluyor,
18:02
"My kids" or "My lover."
417
1067000
3000
"Çocuklarım" veya "Aşığım"
18:05
What are you most passionate about?
418
1070000
3000
Senin en büyük tutkun hangi konuda?
18:08
TG: I'm passionate about that the things I do
419
1073000
2000
TG: Yaptıklarımın dünyayı iyi bir yer
18:10
are going to make the world a better place.
420
1075000
2000
haline getirmesi konusunda tutkuluyum.
18:12
When I have a mother of an autistic child say,
421
1077000
2000
Otistik bir çocuk annesin bana
18:14
"My kid went to college because of your book,
422
1079000
2000
"Çocuğum senin kitabın veya derslerinden biri sayesinde
18:16
or one of your lectures," that makes me happy.
423
1081000
2000
üniversiteye gidiyor" demesi. Bu beni mutlu ediyor.
18:18
You know, the slaughter plants, I've worked with them
424
1083000
3000
Biliyorsun, kesim tesisleri, onlarla çalıştım.
18:21
in the '80s; they were absolutely awful.
425
1086000
2000
80'lerde kesinlikle berbat yerlerdi.
18:23
I developed a really simple scoring system for slaughter plants
426
1088000
4000
Bende kesim tesisleri için çok basit bir skorlama sistemi geliştirdim
18:27
where you just measure outcomes: How many cattle fell down?
427
1092000
2000
sonuçlarını değerlendiriyorsun; kaç sığır yere düştü,
18:29
How many cattle got poked with the prodder?
428
1094000
2000
kaç sığır çivili sopa ile dürtüldü,
18:31
How many cattle are mooing their heads off?
429
1096000
2000
kaç sığır kafaları kesilirken böğürdü?
18:33
And it's very, very simple.
430
1098000
2000
Ve bu çok basit bir şey.
18:35
You directly observe a few simple things.
431
1100000
2000
Direkt basit şeyleri gözlemliyorsunuz.
18:37
It's worked really well. I get satisfaction out of
432
1102000
2000
Ve çok işe yaradı. Bu şeylerin işe yaraması
18:39
seeing stuff that makes real change
433
1104000
3000
ve gerçek dünyayı değiştirmesi
18:42
in the real world. We need a lot more of that,
434
1107000
2000
beni tatmin ediyor. Bunlardan daha çok,
18:44
and a lot less abstract stuff.
435
1109000
2000
soyut şeylerden daha az yapmalıyız.
18:46
(Applause)
436
1111000
7000
alkışlar
18:53
CA: When we were talking on the phone, one of the things you said that
437
1118000
2000
CA: Telefonda konuştuğumuzda, bana söylediklerinden birisi beni
18:55
really astonished me was you said one thing
438
1120000
2000
gerçekten çok şaşırtmıştı.
18:57
you were passionate about was server farms. Tell me about that.
439
1122000
4000
Server çiftlikleriyle ilgili tutkuluyum demiştiniz. Bana ondan bahsedin.
19:01
TG: Well the reason why I got really excited when I read about that,
440
1126000
3000
TG: Bunu okuduğumda çok heyecanlanma sebebim
19:04
it contains knowledge.
441
1129000
3000
onun bilgi içeriyor olması.
19:07
It's libraries.
442
1132000
2000
Bunlar kütüphaneler.
19:09
And to me, knowledge is something
443
1134000
2000
Ve bana göre de bilgi inanılmaz
19:11
that is extremely valuable. So, maybe, over 10 years ago
444
1136000
2000
değerli bir şey. 10 yıldan uzun bir zaman öncesinde
19:13
now our library got flooded.
445
1138000
2000
kütüphanemizi su basmıştı.
19:15
And this is before the Internet got really big.
446
1140000
2000
Ve bu internetin bu kadar büyümesinden önceydi.
19:17
And I was really upset about all the books being wrecked,
447
1142000
2000
Orada bozulan onca kitaba çok üzülmüştüm,
19:19
because it was knowledge being destroyed.
448
1144000
2000
çünkü yok olan şey bilgiydi.
19:21
And server farms, or data centers
449
1146000
2000
Ve server çiftlikleri veya data merkezleri
19:23
are great libraries of knowledge.
450
1148000
3000
bilginin büyük kütüphaneleri.
19:26
CA: Temple, can I just say it's an absolute delight to have you at TED.
451
1151000
3000
CA: Temple, seni burada TED'de görmek bana çok büyük mutluluk verdi.
19:29
TG: Well thank you so much. Thank you.
452
1154000
3000
Tamam, çok teşekkür ediyorum. Teşekkürler.
19:32
(Applause)
453
1157000
6000
Alkışlar
ABOUT THE SPEAKER
Temple Grandin - Livestock handling designer, autism activistThrough groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds.
Why you should listen
An expert on animal behavior, Temple Grandin has designed humane handling systems for half the cattle-processing facilities in the US, and consults with the meat industry to develop animal welfare guidelines. As PETA wrote when awarding her a 2004 Proggy: “Dr. Grandin's improvements to animal-handling systems found in slaughterhouses have decreased the amount of fear and pain that animals experience in their final hours, and she is widely considered the world's leading expert on the welfare of cattle and pigs.” In 2010, Time Magazine listed her as one of its most Important People of the Year. She is also a member of the American Academy of Arts and Sciences.
Grandin’s books about her interior life as an autistic person have increased the world's understanding of the condition with personal immediacy -- and with import, as rates of autism diagnosis rise. She is revered by animal rights groups and members of autistic community, perhaps because in both regards she is a voice for those who are sometimes challenged to make themselves heard.
Temple Grandin | Speaker | TED.com