TEDGlobal 2010
Laurie Santos: A monkey economy as irrational as ours
Laurie Santos: Bizimki kadar mantık dışı bir maymun ekonomisi
Filmed:
Readability: 3.3
1,506,660 views
Laurie Santos primat akrabalarımızın karar verme şekline bakıp insanların mantık dışı karar vermelerinin kökenlerine bakıyor. Maymunekonomisi'nde zekice yapılmış bir dizi deney saçma seçimlerimizin aynısını maymunların da yaptığını gösteriyor.
Laurie Santos - Cognitive psychologist
Laurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do. Full bio
Laurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do. Full bio
Double-click the English transcript below to play the video.
00:17
I want to start my talk today with two observations
0
2000
2000
Bugün konuşmama insan türü hakkında yaptığım
00:19
about the human species.
1
4000
2000
iki gözlemle başlamak istiyorum.
00:21
The first observation is something that you might think is quite obvious,
2
6000
3000
İlk gözlem, oldukça açık olduğunu düşündüğünüz bir gözlem olabilir,
00:24
and that's that our species, Homo sapiens,
3
9000
2000
ve bu da, türümüzün, Homosapiens'in,
00:26
is actually really, really smart --
4
11000
2000
aslında gerçekten, gerçekten zeki olduğu -
00:28
like, ridiculously smart --
5
13000
2000
sanki, saçma bir şekilde zeki-
00:30
like you're all doing things
6
15000
2000
sanki şu anda dünya üzerindeki hiç bir
00:32
that no other species on the planet does right now.
7
17000
3000
canlının yapamadığı şeyleri yapıyorsunuz gibi.
00:35
And this is, of course,
8
20000
2000
Ve bu, elbette, bunu
00:37
not the first time you've probably recognized this.
9
22000
2000
muhtemelen ilk kez fark etmiyorsunuz.
00:39
Of course, in addition to being smart, we're also an extremely vain species.
10
24000
3000
Elbette, akıllı olmaya ek olarak, aynı zamanda son derece kibirli bir türüz.
00:42
So we like pointing out the fact that we're smart.
11
27000
3000
Yani akıllı olduğumuz gerçeğine dikkat çekmekten hoşlanırız.
00:45
You know, so I could turn to pretty much any sage
12
30000
2000
Yani, böylece Shakepeare'den Stephen Colbert'e
00:47
from Shakespeare to Stephen Colbert
13
32000
2000
neredeyse herhangi bir bilge kişiye dönüp
00:49
to point out things like the fact that
14
34000
2000
mantık ve sonsuz yetenekler söz konusu olduğunda
00:51
we're noble in reason and infinite in faculties
15
36000
2000
yüce gönüllü ve beyinle ilgili her şey söz konusu olduğunda
00:53
and just kind of awesome-er than anything else on the planet
16
38000
2000
yeryüzündeki herhangi bir şeyden
00:55
when it comes to all things cerebral.
17
40000
3000
biraz daha muhteşem gibiyiz.
00:58
But of course, there's a second observation about the human species
18
43000
2000
Ama elbette, insan türü ile ilgili olan ikinci bir gözlem var
01:00
that I want to focus on a little bit more,
19
45000
2000
daha fazla dikkat çekmek istediğim,
01:02
and that's the fact that
20
47000
2000
ve bu da, gerçekten çok akıllı,
01:04
even though we're actually really smart, sometimes uniquely smart,
21
49000
3000
bazen eşsiz bir şekilde akıllı olmamıza rağmen,
01:07
we can also be incredibly, incredibly dumb
22
52000
3000
aynı zamanda inanılmaz, inanılmaz derecede budala
01:10
when it comes to some aspects of our decision making.
23
55000
3000
olabiliyoruz, karar vermenin bazı yönleri söz konusu olduğu zaman.
01:13
Now I'm seeing lots of smirks out there.
24
58000
2000
Şimdi birçok sırıtış görüyorum burada.
01:15
Don't worry, I'm not going to call anyone in particular out
25
60000
2000
Üzülmeyin, özellikle birinizi hatalarınızın
01:17
on any aspects of your own mistakes.
26
62000
2000
herhangi bir yönüyle ilgili adlandırmayacağım.
01:19
But of course, just in the last two years
27
64000
2000
Ama elbette, sadece son iki yılda
01:21
we see these unprecedented examples of human ineptitude.
28
66000
3000
insan beceriksizliğinin benzeri görülmemiş örneklerini gördük.
01:24
And we've watched as the tools we uniquely make
29
69000
3000
Ve çevremizden kaynakları çekip çıkarması için
01:27
to pull the resources out of our environment
30
72000
2000
özel olarak yaptığımız araçların bir nevi
01:29
kind of just blow up in our face.
31
74000
2000
suratımızda patladığını izledik.
01:31
We've watched the financial markets that we uniquely create --
32
76000
2000
Benzersiz yarattığımız finans pazarlarının - bu pazarların
01:33
these markets that were supposed to be foolproof --
33
78000
3000
hatasız olması gerekiyordu - bu pazarların
01:36
we've watched them kind of collapse before our eyes.
34
81000
2000
gözlerimizin önünde çöküşünü izledik.
01:38
But both of these two embarrassing examples, I think,
35
83000
2000
Ama bu iki utanç verici örnek, sanırım,
01:40
don't highlight what I think is most embarrassing
36
85000
3000
insanların yaptığı hatalar hakkında
01:43
about the mistakes that humans make,
37
88000
2000
en utanç verici olduğunu düşündüğüm şey dikkat çekmiyor.
01:45
which is that we'd like to think that the mistakes we make
38
90000
3000
Bu da, yaptığımız hataların gerçekten sadece birkaç tane
01:48
are really just the result of a couple bad apples
39
93000
2000
çürük elma ya da gerçekten bloglamaya değer
01:50
or a couple really sort of FAIL Blog-worthy decisions.
40
95000
3000
birkaç BAŞARISIZLIK olduğunu düşünmek istememiz.
01:53
But it turns out, what social scientists are actually learning
41
98000
3000
Ama anlaşılan o ki, sosyal bilimcilerin aslında öğrendikleri,
01:56
is that most of us, when put in certain contexts,
42
101000
3000
çoğumuzun, belli bağlamlar içine konduğunda,
01:59
will actually make very specific mistakes.
43
104000
3000
aslında çok belirli hatalar yapacağımızdır.
02:02
The errors we make are actually predictable.
44
107000
2000
Yaptığımız hatalar aslında tahmin edilebilir.
02:04
We make them again and again.
45
109000
2000
Onları tekrar tekrar yaparız.
02:06
And they're actually immune to lots of evidence.
46
111000
2000
Ve bunlar aslında birçok kanıttan etkilenmiyor.
02:08
When we get negative feedback,
47
113000
2000
Olumsuz geribildirim aldığımızda,
02:10
we still, the next time we're face with a certain context,
48
115000
3000
hâlâ, belirli bir bağlamla karşılaştığımızda,
02:13
tend to make the same errors.
49
118000
2000
aynı hataları yapma eğiliminde oluyoruz.
02:15
And so this has been a real puzzle to me
50
120000
2000
Ve bu benim için gerçek bir bulmaca oldu,
02:17
as a sort of scholar of human nature.
51
122000
2000
insan doğasının bir tür öğrencisi gibi.
02:19
What I'm most curious about is,
52
124000
2000
En çok merak ettiğim, bizim gibi
02:21
how is a species that's as smart as we are
53
126000
3000
zeki bir türün nasıl olur da
02:24
capable of such bad
54
129000
2000
sürekli bu kadar kötü ve
02:26
and such consistent errors all the time?
55
131000
2000
bu kadar tutarlı bir şekilde hata yaptığı?
02:28
You know, we're the smartest thing out there, why can't we figure this out?
56
133000
3000
Biliyorsunuz, biz en zekiyiz, nasıl bunu çözemiyoruz?
02:31
In some sense, where do our mistakes really come from?
57
136000
3000
Bir anlamda, hatalarımız gerçekten nereden geliyor?
02:34
And having thought about this a little bit, I see a couple different possibilities.
58
139000
3000
Ve bu konuda biraz düşününce, birkaç farklı ihtimal gördüm.
02:37
One possibility is, in some sense, it's not really our fault.
59
142000
3000
Bir ihtimal, bir anlamda, aslında bizim hatamız değil.
02:40
Because we're a smart species,
60
145000
2000
Zeki bir tür olduğumuz için,
02:42
we can actually create all kinds of environments
61
147000
2000
aslında süper, süper karmaşık türlü ortamlar
02:44
that are super, super complicated,
62
149000
2000
yaratabiliriz, bazen bizim anlamamız
02:46
sometimes too complicated for us to even actually understand,
63
151000
3000
için bile fazla karmaşık olan ortamlar,
02:49
even though we've actually created them.
64
154000
2000
bunları biz yaratmış olmamıza rağmen.
02:51
We create financial markets that are super complex.
65
156000
2000
Süper karmaşık finansal pazarlar yaratıyoruz.
02:53
We create mortgage terms that we can't actually deal with.
66
158000
3000
Aslında başa çıkamadığımız mortgage terimleri yaratıyoruz.
02:56
And of course, if we are put in environments where we can't deal with it,
67
161000
3000
Ve elbette, başa çıkamadığımız ortamlara yerleştirilirsek eğer,
02:59
in some sense makes sense that we actually
68
164000
2000
aslında bazı şeyleri yüzümüze gözümüze
03:01
might mess certain things up.
69
166000
2000
bulaştırmamız aslında anlaşılır oluyor.
03:03
If this was the case, we'd have a really easy solution
70
168000
2000
Eğer durum bu olsaydı, insan hatasına karşı
03:05
to the problem of human error.
71
170000
2000
gerçekten kolay bir çözüm bulmuş olacaktık.
03:07
We'd actually just say, okay, let's figure out
72
172000
2000
Sadece şöyle diyecektik, tamam, hadi
03:09
the kinds of technologies we can't deal with,
73
174000
2000
başa çıkabileceğimiz teknolojiler bulalım,
03:11
the kinds of environments that are bad --
74
176000
2000
kötü olan ortamları çözelim --
03:13
get rid of those, design things better,
75
178000
2000
bunlardan kurtulalım, daha iyi şeyler tasarlayalım,
03:15
and we should be the noble species
76
180000
2000
ve olmayı beklediğimiz türde
03:17
that we expect ourselves to be.
77
182000
2000
yüce yaratıklar olmalıyız.
03:19
But there's another possibility that I find a little bit more worrying,
78
184000
3000
Ama biraz daha endişe verici diğer bir ihtimal var,
03:22
which is, maybe it's not our environments that are messed up.
79
187000
3000
bu da belki de berbat halde olan ortamlarımız değildir.
03:25
Maybe it's actually us that's designed badly.
80
190000
3000
Belki de aslında kötü bir şekilde tasarlayan bizlerizdir.
03:28
This is a hint that I've gotten
81
193000
2000
Bu benim sosyal bilimcilerin
03:30
from watching the ways that social scientists have learned about human errors.
82
195000
3000
insan hatalarından öğrenme yollarına bakarak çıkardığım bir ders.
03:33
And what we see is that people tend to keep making errors
83
198000
3000
Ve gördüğümüz, insanların tam olarak aynı şekilde, tekrar ve tekrar
03:36
exactly the same way, over and over again.
84
201000
3000
hata yapmaya devam etme eğilimde oldukları.
03:39
It feels like we might almost just be built
85
204000
2000
Sanki neredeyse hataları belli şekilde
03:41
to make errors in certain ways.
86
206000
2000
yapmak üzere yapılmış gibiyiz.
03:43
This is a possibility that I worry a little bit more about,
87
208000
3000
Bu benim biraz daha fazla endişelendiğim bir olasılık,
03:46
because, if it's us that's messed up,
88
211000
2000
çünkü eğer berbat eden biz isek,
03:48
it's not actually clear how we go about dealing with it.
89
213000
2000
bununla gidip nasıl başa çıkacağımız aslında pek açık değil.
03:50
We might just have to accept the fact that we're error prone
90
215000
3000
Hata eğilimli olduğumuzu sadece kabul etmek zorunda olabilir
03:53
and try to design things around it.
91
218000
2000
ve şeyleri bu düşünce ile tasarlayabiliriz.
03:55
So this is the question my students and I wanted to get at.
92
220000
3000
Sonuçta, bu benim ve öğrencilerimin ulaşmak istediği soru.
03:58
How can we tell the difference between possibility one and possibility two?
93
223000
3000
İhtimal bir ve ihtimal iki arasındaki farkı nasıl söyleyebiliriz?
04:01
What we need is a population
94
226000
2000
İhtiyacımız olan bir popülâsyon
04:03
that's basically smart, can make lots of decisions,
95
228000
2000
basitçe zeki olan, birçok karar verebilen ama
04:05
but doesn't have access to any of the systems we have,
96
230000
2000
elimizde olan sistemlerin hiçbirisine erişimi olmayan,
04:07
any of the things that might mess us up --
97
232000
2000
bizi berbat edecek herhangi bir şeye erişimi olmayan --
04:09
no human technology, human culture,
98
234000
2000
insan teknolojisi yok, insan kültürü yok,
04:11
maybe even not human language.
99
236000
2000
hatta belki insan dili yok.
04:13
And so this is why we turned to these guys here.
100
238000
2000
Ve böylece bu tiplere dönmemizin nedeni bu.
04:15
These are one of the guys I work with. This is a brown capuchin monkey.
101
240000
3000
Bu benim çalıştığım tiplerden biri. Bu bir kahverengi başlıklı maymun.
04:18
These guys are New World primates,
102
243000
2000
Bu tipler Yeni Dünya primatları,
04:20
which means they broke off from the human branch
103
245000
2000
yani insan kolundan yaklaşık 35 milyon yıl önce
04:22
about 35 million years ago.
104
247000
2000
ayrılmışlar.
04:24
This means that your great, great, great great, great, great --
105
249000
2000
Bu sizin büyük, büyük, büyük, büyük, büyük, büyük --
04:26
with about five million "greats" in there --
106
251000
2000
yaklaşık beş milyon büyükle --
04:28
grandmother was probably the same great, great, great, great
107
253000
2000
büyük anneniz muhtemelen aynı büyük, büyük, büyük, büyük,
04:30
grandmother with five million "greats" in there
108
255000
2000
büyükanne beş milyon 'büyük'le birlikte
04:32
as Holly up here.
109
257000
2000
buradaki Holly gibiydi.
04:34
You know, so you can take comfort in the fact that this guy up here is a really really distant,
110
259000
3000
Yani buradaki tipin gerçekten, gerçekten uzak, buna rağmen evrimsel olarak yakın
04:37
but albeit evolutionary, relative.
111
262000
2000
olduğu gerçeğiyle rahat olabilirsiniz.
04:39
The good news about Holly though is that
112
264000
2000
Holly ile ilgili iyi haber ise
04:41
she doesn't actually have the same kinds of technologies we do.
113
266000
3000
bizim sahip olduğumuz türde teknolojilere sahip değil aslında.
04:44
You know, she's a smart, very cut creature, a primate as well,
114
269000
3000
Biliyorsunuz, zeki, çok sevimli bir yaratık, bir primat aynı zamanda,
04:47
but she lacks all the stuff we think might be messing us up.
115
272000
2000
ama bizi berbat eden tüm şeylerden yoksun.
04:49
So she's the perfect test case.
116
274000
2000
Yani mükemmel bir test vakası.
04:51
What if we put Holly into the same context as humans?
117
276000
3000
Holly'yi insanlar gibi aynı bağlam içerisine koysak ne olurdu?
04:54
Does she make the same mistakes as us?
118
279000
2000
Bizim yaptığımız hataları yapar mıydı?
04:56
Does she not learn from them? And so on.
119
281000
2000
Onlardan öğrenmez miydi? Ve saire.
04:58
And so this is the kind of thing we decided to do.
120
283000
2000
Ve sonuçta yapmayı düşündüğümüz şey bu.
05:00
My students and I got very excited about this a few years ago.
121
285000
2000
Öğrencilerim ve ben bir kaç yıl önce bununla ilgili çok heyecanlıydık.
05:02
We said, all right, let's, you know, throw so problems at Holly,
122
287000
2000
Tamam, dedik, hadi Holly'ye problemleri soralım,
05:04
see if she messes these things up.
123
289000
2000
bakalım herşeyi berbat edecek mi?
05:06
First problem is just, well, where should we start?
124
291000
3000
İlk sorun, peki, sadece nereden başlayacağımızdı?
05:09
Because, you know, it's great for us, but bad for humans.
125
294000
2000
Çünkü bizim için harika, ama insanlar için kötü.
05:11
We make a lot of mistakes in a lot of different contexts.
126
296000
2000
Farklı bağlamlarda birçok hata yapıyoruz.
05:13
You know, where are we actually going to start with this?
127
298000
2000
Biliyorsunuz, aslında bununla nereden başlayacağız?
05:15
And because we started this work around the time of the financial collapse,
128
300000
3000
Ve bu çalışmaya finansal çökme zamanı civarında başladığımız için,
05:18
around the time when foreclosures were hitting the news,
129
303000
2000
icraların haberlerde yer aldığı bir zamanda,
05:20
we said, hhmm, maybe we should
130
305000
2000
dedik ki, hmm, belki de aslında
05:22
actually start in the financial domain.
131
307000
2000
finansal alanda başlamalıyız.
05:24
Maybe we should look at monkey's economic decisions
132
309000
3000
Belki de maymunun ekonomik kararlarına bakmalıyız
05:27
and try to see if they do the same kinds of dumb things that we do.
133
312000
3000
ve bizim yaptığımız aptalca şeylere benzer şeyler yapmış mı görmeye çalışmalıyız.
05:30
Of course, that's when we hit a sort second problem --
134
315000
2000
Elbette, bu bizi ikinci tür bir soruyla karşı karşıya getirdi --
05:32
a little bit more methodological --
135
317000
2000
biraz daha fazla metodolojik --
05:34
which is that, maybe you guys don't know,
136
319000
2000
bu da, belki sizler bilmiyorsunuz,
05:36
but monkeys don't actually use money. I know, you haven't met them.
137
321000
3000
ama maymunlar aslında para kullanmıyorlar. Biliyorum, karşılaşmadınız onlarla.
05:39
But this is why, you know, they're not in the queue behind you
138
324000
2000
Ama bu nedenle, manavda ya da ATM önünde
05:41
at the grocery store or the ATM -- you know, they don't do this stuff.
139
326000
3000
sizin arkanızda sıraya girmiyorlar - biliyorsunuz, böyle şeyler yapmıyorlar.
05:44
So now we faced, you know, a little bit of a problem here.
140
329000
3000
Yani şimdi bir miktar sorunla karşı karşıyayız burada.
05:47
How are we actually going to ask monkeys about money
141
332000
2000
Eğer aslında kullanmıyorlarsa, maymunlara
05:49
if they don't actually use it?
142
334000
2000
para hakkında nasıl soru soracağız?
05:51
So we said, well, maybe we should just, actually just suck it up
143
336000
2000
O zaman dedik ki, peki, belki sadece bunu sineye çekip
05:53
and teach monkeys how to use money.
144
338000
2000
maymunlara nasıl para kullanacaklarını öğretmeliyiz.
05:55
So that's just what we did.
145
340000
2000
Böylece bunu yaptık.
05:57
What you're looking at over here is actually the first unit that I know of
146
342000
3000
Burada görmekte olduğunuz aslında benim bilgim dâhilinde
06:00
of non-human currency.
147
345000
2000
insan-olmayan ilk para birimi.
06:02
We weren't very creative at the time we started these studies,
148
347000
2000
Bu çalışmalara başladığımızda pek yaratıcı değildik,
06:04
so we just called it a token.
149
349000
2000
bu yüzden sadece jeton olarak isimlendirdik.
06:06
But this is the unit of currency that we've taught our monkeys at Yale
150
351000
3000
Ama bu Yale'deki maymunlarımıza öğrettiğimiz para birimi
06:09
to actually use with humans,
151
354000
2000
aslında insanlarla kullanmaları için,
06:11
to actually buy different pieces of food.
152
356000
3000
aslında farklı yiyecekler almaları için.
06:14
It doesn't look like much -- in fact, it isn't like much.
153
359000
2000
Fazla görünmüyor - aslında, fazla değil.
06:16
Like most of our money, it's just a piece of metal.
154
361000
2000
Paramızın çoğu gibi, sadece bir metal parçası.
06:18
As those of you who've taken currencies home from your trip know,
155
363000
3000
Tatilden eve para getirenlerinizin bildiği gibi,
06:21
once you get home, it's actually pretty useless.
156
366000
2000
eve geldiğiniz anda, aslında neredeyse değersizdir.
06:23
It was useless to the monkeys at first
157
368000
2000
İlk başta maymunlar için değersizdi,
06:25
before they realized what they could do with it.
158
370000
2000
onunla ne yapabileceklerini anlayana kadar.
06:27
When we first gave it to them in their enclosures,
159
372000
2000
Onlara barınaklarında ilk verdiğimiz zaman,
06:29
they actually kind of picked them up, looked at them.
160
374000
2000
aslında bunları aldılar, baktılar.
06:31
They were these kind of weird things.
161
376000
2000
Bunlar tuhaf şeylerdi.
06:33
But very quickly, the monkeys realized
162
378000
2000
Ama çok hızlı bir şekilde, maymunlar
06:35
that they could actually hand these tokens over
163
380000
2000
bu jetonları laboratuardaki farklı kişilere verip
06:37
to different humans in the lab for some food.
164
382000
3000
biraz yemek alabileceklerini fark ettiler.
06:40
And so you see one of our monkeys, Mayday, up here doing this.
165
385000
2000
Ve maymunlarımızdan birini görüyorsunuz, Mayday, burada şunu yapıyor.
06:42
This is A and B are kind of the points where she's sort of a little bit
166
387000
3000
Bu A ve B noktaları, bunlarla ilgili meraklı olduğu noktalar
06:45
curious about these things -- doesn't know.
167
390000
2000
- bunları bilmiyor.
06:47
There's this waiting hand from a human experimenter,
168
392000
2000
Burada deneyi yapan birinin bekleyen elini görüyorsunuz
06:49
and Mayday quickly figures out, apparently the human wants this.
169
394000
3000
ve Mayday hızlı bir şekilde, bu kişinin bunu istediğini anlıyor.
06:52
Hands it over, and then gets some food.
170
397000
2000
Ona uzatıyor ve sonra biraz yiyecek alıyor.
06:54
It turns out not just Mayday, all of our monkeys get good
171
399000
2000
Anlaşılıyor ki sadece Mayday değil, tüm maymunlarımız
06:56
at trading tokens with human salesman.
172
401000
2000
insan satıcıyla jetonları değiş tokuş etmede başarılı oluyor.
06:58
So here's just a quick video of what this looks like.
173
403000
2000
Burada nasıl bir şey olduğuna dair hızlı bir video var.
07:00
Here's Mayday. She's going to be trading a token for some food
174
405000
3000
Bu Mayday. Biraz yiyecek için bir jetonu veriyor
07:03
and waiting happily and getting her food.
175
408000
3000
ve mutlu bir şekilde bekliyor ve yiyeceğini alıyor.
07:06
Here's Felix, I think. He's our alpha male; he's a kind of big guy.
176
411000
2000
Bu Felix, sanırım. O bizim alfa erkeğimiz; kocaman bir adam.
07:08
But he too waits patiently, gets his food and goes on.
177
413000
3000
Ama o dahi sabırla bekliyor, yemeğini alıyor ve gidiyor.
07:11
So the monkeys get really good at this.
178
416000
2000
Yani maymunlar bundan bayağı iyiler.
07:13
They're surprisingly good at this with very little training.
179
418000
3000
Şaşırtıcı bir şekilde az bir çalışmayla bu konuda iyiler.
07:16
We just allowed them to pick this up on their own.
180
421000
2000
Biz sadece kendi kendilerine bunu anlamalarına izin verdik.
07:18
The question is: is this anything like human money?
181
423000
2000
Soru şu: İnsan parası diye bir şey var mı?
07:20
Is this a market at all,
182
425000
2000
Bu bir pazar mı,
07:22
or did we just do a weird psychologist's trick
183
427000
2000
ya da biz maymunların bir şey yaparak
07:24
by getting monkeys to do something,
184
429000
2000
aslında zeki olmasalar da öyle görünmelerini sağlayarak
07:26
looking smart, but not really being smart.
185
431000
2000
tuhaf bir psikolog numarası mı yaptık?
07:28
And so we said, well, what would the monkeys spontaneously do
186
433000
3000
Ve böyle dediğimize göre, pekâlâ, eğer bu gerçekten onların para birimi olsaydı
07:31
if this was really their currency, if they were really using it like money?
187
436000
3000
gerçekten para gibi kullanıyor olsalar, maymunlar spontane olarak ne yapacaklardı?
07:34
Well, you might actually imagine them
188
439000
2000
Yani, aslında onları insanların para değişimi
07:36
to do all the kinds of smart things
189
441000
2000
yaptıklarında yaptıkları her türlü
07:38
that humans do when they start exchanging money with each other.
190
443000
3000
zekice şeyi yaparken hayal edebilirsiniz.
07:41
You might have them start paying attention to price,
191
446000
3000
Fiyata dikkat etmelerini sağlayabilirsiniz,
07:44
paying attention to how much they buy --
192
449000
2000
ne kadar aldıklarına dikkat etmelerini --
07:46
sort of keeping track of their monkey token, as it were.
193
451000
3000
jeton paralarının bir nevi izini sürmelerini, olduğu gibi.
07:49
Do the monkeys do anything like this?
194
454000
2000
Bu tür bir şey yapıyor mu maymunlar?
07:51
And so our monkey marketplace was born.
195
456000
3000
Ve böylece bizim maymun pazarı doğmuş oldu.
07:54
The way this works is that
196
459000
2000
Bu şu şekilde çalışıyor,
07:56
our monkeys normally live in a kind of big zoo social enclosure.
197
461000
3000
maymunlarımız normalde bir tür büyük hayvanat bahçesi sosyal çevresinde yaşıyor.
07:59
When they get a hankering for some treats,
198
464000
2000
Canları biraz ödül çektiğinde,
08:01
we actually allowed them a way out
199
466000
2000
bir pazaryerine girebilecekleri
08:03
into a little smaller enclosure where they could enter the market.
200
468000
2000
daha küçük bir çevreye çıkmalarına izin veriyoruz.
08:05
Upon entering the market --
201
470000
2000
Pazaryerine girdiklerinde -
08:07
it was actually a much more fun market for the monkeys than most human markets
202
472000
2000
aslında maymunların pazaryeri insanların pazaryerinden çok daha eğlenceli
08:09
because, as the monkeys entered the door of the market,
203
474000
3000
çünkü maymunlar pazaryerinin kapısından girdiklerinde
08:12
a human would give them a big wallet full of tokens
204
477000
2000
bir kişi onlara büyük bir cüzdan dolusu jeton veriyor
08:14
so they could actually trade the tokens
205
479000
2000
böylece jetonları buradaki iki kişiden biriyle
08:16
with one of these two guys here --
206
481000
2000
iki farklı olası insan satıcı ile
08:18
two different possible human salesmen
207
483000
2000
değiştirebilir, böylece aslında
08:20
that they could actually buy stuff from.
208
485000
2000
onlardan bir şeyler alabilir.
08:22
The salesmen were students from my lab.
209
487000
2000
Satıcılar benim laboratuarımdan öğrenciler.
08:24
They dressed differently; they were different people.
210
489000
2000
Farklı bir şekilde giyiniyorlar, farklı insanlar.
08:26
And over time, they did basically the same thing
211
491000
3000
Ve zamanla, temel olarak aynı şeyi yapıyorlar
08:29
so the monkeys could learn, you know,
212
494000
2000
ki maymunlar öğrenebilsinler, bilirsiniz,
08:31
who sold what at what price -- you know, who was reliable, who wasn't, and so on.
213
496000
3000
kim hangi fiyatla satıyor diye - kim güvenilebilir, kim değil ve bunun gibi.
08:34
And you can see that each of the experimenters
214
499000
2000
Ve her bir deney yapanın aslında küçük, sarı bir tabağı
08:36
is actually holding up a little, yellow food dish.
215
501000
3000
tuttuğunu görebilirsiniz.
08:39
and that's what the monkey can for a single token.
216
504000
2000
Ve bu maymunun tek bir jetonla alabileceği şey.
08:41
So everything costs one token,
217
506000
2000
Yani her şey tek jeton değerinde,
08:43
but as you can see, sometimes tokens buy more than others,
218
508000
2000
ama gördüğünüz gibi, bazen jetonlar diğerlerinden daha fazla alabiliyor,
08:45
sometimes more grapes than others.
219
510000
2000
bazen diğerlerinden daha çok üzüm alıyor.
08:47
So I'll show you a quick video of what this marketplace actually looks like.
220
512000
3000
Şimdi size bu pazaryerinin aslında nasıl göründüğüne dair küçük bir video göstereceğim.
08:50
Here's a monkey-eye-view. Monkeys are shorter, so it's a little short.
221
515000
3000
Bu maymunun bakış açısı. Maymunlar daha kısa, bu yüzden biraz kısa.
08:53
But here's Honey.
222
518000
2000
İşte Honey burada.
08:55
She's waiting for the market to open a little impatiently.
223
520000
2000
Pazaryerinin açılmasını biraz sabırsızca bekliyor.
08:57
All of a sudden the market opens. Here's her choice: one grapes or two grapes.
224
522000
3000
Birden bire pazar açılıyor. Seçenekleri şöyle: bir üzüm ya da iki üzüm.
09:00
You can see Honey, very good market economist,
225
525000
2000
Honey'i görüyorsunuz, çok iyi bir ekonomist olarak,
09:02
goes with the guy who gives more.
226
527000
3000
daha fazla veren adama gidiyor.
09:05
She could teach our financial advisers a few things or two.
227
530000
2000
Finansal danışmanlarımıza bir iki şey öğretebilir.
09:07
So not just Honey,
228
532000
2000
Sadece Honey değil,
09:09
most of the monkeys went with guys who had more.
229
534000
3000
maymunların çoğu daha fazla veren kişilere gitti.
09:12
Most of the monkeys went with guys who had better food.
230
537000
2000
Maymunların çoğu daha iyi yiyeceği olanlara gitti.
09:14
When we introduced sales, we saw the monkeys paid attention to that.
231
539000
3000
Satışları gösterdiğimizde, maymunların buna dikkat kesildiğini gördük.
09:17
They really cared about their monkey token dollar.
232
542000
3000
Gerçekten maymun jeton dolarlarına dikkat ediyorlar.
09:20
The more surprising thing was that when we collaborated with economists
233
545000
3000
Daha şaşırtıcı olan şey ise ekonomistlerle işbirliği yaparak
09:23
to actually look at the monkeys' data using economic tools,
234
548000
3000
ekonomi araçları kullanan maymunların datasına baktığımızda
09:26
they basically matched, not just qualitatively,
235
551000
3000
sadece niteliksel olarak değil niceliksel olarak da
09:29
but quantitatively with what we saw
236
554000
2000
insanların gerçek pazarda yaptıklarıyla
09:31
humans doing in a real market.
237
556000
2000
basitçe birbirini tutuyor.
09:33
So much so that, if you saw the monkeys' numbers,
238
558000
2000
Öyle ki, eğer maymunların sayılarına bakarsanız,
09:35
you couldn't tell whether they came from a monkey or a human in the same market.
239
560000
3000
aynı pazardaki maymundan mı insandan mı geldiğini söyleyemezsiniz.
09:38
And what we'd really thought we'd done
240
563000
2000
Ve yaptığımızı düşündüğümüz şey
09:40
is like we'd actually introduced something
241
565000
2000
aslında, en azından maymunlar ve bizim için,
09:42
that, at least for the monkeys and us,
242
567000
2000
gerçek finansal para birimi olarak
09:44
works like a real financial currency.
243
569000
2000
kullanılabilecek bir şey getirdik.
09:46
Question is: do the monkeys start messing up in the same ways we do?
244
571000
3000
Soru şu: maymunlar bizim yaptığımız gibi işleri berbat etmeye başladı mı?
09:49
Well, we already saw anecdotally a couple of signs that they might.
245
574000
3000
Aslında yaptıklarına dair şimdiden fıkra tadında bir kaç işaret gördük.
09:52
One thing we never saw in the monkey marketplace
246
577000
2000
Maymun pazaryerinde asla görmediğimiz bir şey
09:54
was any evidence of saving --
247
579000
2000
biriktirmeye dair bir kanıttı --
09:56
you know, just like our own species.
248
581000
2000
biliyorsunuz, aynı bizim türümüz gibi.
09:58
The monkeys entered the market, spent their entire budget
249
583000
2000
Maymunlar pazaryerine giriyor, tüm paralarını harcıyor
10:00
and then went back to everyone else.
250
585000
2000
ve sonra diğerlerine dönüyorlar.
10:02
The other thing we also spontaneously saw,
251
587000
2000
Aynı şekilde gördüğümüz bir diğer şey,
10:04
embarrassingly enough,
252
589000
2000
yeterince utanç verici,
10:06
is spontaneous evidence of larceny.
253
591000
2000
aynı oranda görülen hırsızlık kanıtı.
10:08
The monkeys would rip-off the tokens at every available opportunity --
254
593000
3000
Maymunlar her buldukları uygun fırsatta birbirlerinin jetonlarını
10:11
from each other, often from us --
255
596000
2000
aşırıyorlardı, sıklıkla bizden --
10:13
you know, things we didn't necessarily think we were introducing,
256
598000
2000
biliyorsunuz, bunlar kaçınılmaz olarak sunacağımızı düşündüğümüz
10:15
but things we spontaneously saw.
257
600000
2000
değil ama gördüğümüz şeylerdi.
10:17
So we said, this looks bad.
258
602000
2000
Biz de dedik ki, bu kötü görünüyor.
10:19
Can we actually see if the monkeys
259
604000
2000
Aslında maymunların insanların yaptığı
10:21
are doing exactly the same dumb things as humans do?
260
606000
3000
aynı aptalca şeyleri aynen yaptıklarını görebilir miyiz?
10:24
One possibility is just kind of let
261
609000
2000
Bir ihtimal, sadece maymun finans
10:26
the monkey financial system play out,
262
611000
2000
sistemini kendi haline bırakmaktı,
10:28
you know, see if they start calling us for bailouts in a few years.
263
613000
2000
yani, birkaç yıl içinde iflas bayrağını çekip çekmeyeceklerini görmek.
10:30
We were a little impatient so we wanted
264
615000
2000
Biraz sabırsızdık, bu yüzden işleri
10:32
to sort of speed things up a bit.
265
617000
2000
biraz hızlandırmak istedik.
10:34
So we said, let's actually give the monkeys
266
619000
2000
Bu yüzden, hadi maymunlara insanların
10:36
the same kinds of problems
267
621000
2000
belli ekonomik zorluklarda
10:38
that humans tend to get wrong
268
623000
2000
ya da belli ekonomik deneylerde
10:40
in certain kinds of economic challenges,
269
625000
2000
yanlış yapma eğiliminde olduklarına
10:42
or certain kinds of economic experiments.
270
627000
2000
benzer sorunlar verelim dedik.
10:44
And so, since the best way to see how people go wrong
271
629000
3000
Ve böylece, insanların nasıl yanlış yaptığını görmenin
10:47
is to actually do it yourself,
272
632000
2000
en iyi yolu kendin yapmak olduğundan
10:49
I'm going to give you guys a quick experiment
273
634000
2000
şimdi size hızlı bir deney vereceğim,
10:51
to sort of watch your own financial intuitions in action.
274
636000
2000
finansal sezgilerinizi iş üzerinde görebilmek için.
10:53
So imagine that right now
275
638000
2000
Şimdi her birinize
10:55
I handed each and every one of you
276
640000
2000
bin Amerikan doları verdiğimi hayal edin
10:57
a thousand U.S. dollars -- so 10 crisp hundred dollar bills.
277
642000
3000
yani gıcır gıcır 10 yüzlük.
11:00
Take these, put it in your wallet
278
645000
2000
Bunları alın, cüzdanınıza koyun
11:02
and spend a second thinking about what you're going to do with it.
279
647000
2000
bununla ne yapacağınıza dair bir saniye düşünün.
11:04
Because it's yours now; you can buy whatever you want.
280
649000
2000
Çünkü artık sizin, ne isterseniz alabilirsiniz.
11:06
Donate it, take it, and so on.
281
651000
2000
Bir yere bağışlayın, alın ve saire.
11:08
Sounds great, but you get one more choice to earn a little bit more money.
282
653000
3000
Harika görünüyor, ama biraz daha fazla para kazanmak için bir şansınız daha var.
11:11
And here's your choice: you can either be risky,
283
656000
3000
Ve işte şansınız: ya risk alırsınız,
11:14
in which case I'm going to flip one of these monkey tokens.
284
659000
2000
bu durumda bu maymun jetonlarından birini atacağım.
11:16
If it comes up heads, you're going to get a thousand dollars more.
285
661000
2000
Eğer tura gelirse, bin dolar daha fazla alacaksınız.
11:18
If it comes up tails, you get nothing.
286
663000
2000
Eğer yazı gelirse, hiçbir şey alamayacaksınız.
11:20
So it's a chance to get more, but it's pretty risky.
287
665000
3000
Yani daha fazla kazanma şansı var ama bayağı riskli.
11:23
Your other option is a bit safe. Your just going to get some money for sure.
288
668000
3000
Diğer seçenek biraz daha güvenli. Kesin olarak biraz para kazanacaksınız.
11:26
I'm just going to give you 500 bucks.
289
671000
2000
Size sadece 500 papel vereceğim.
11:28
You can stick it in your wallet and use it immediately.
290
673000
3000
Cüzdanınıza koyup hemen harcayabilirsiniz.
11:31
So see what your intuition is here.
291
676000
2000
Yani buradaki sezginizi görüyorsunuz.
11:33
Most people actually go with the play-it-safe option.
292
678000
3000
Çoğu insan aslında 'güvenli oyna' seçeneğini tercih eder.
11:36
Most people say, why should I be risky when I can get 1,500 dollars for sure?
293
681000
3000
Çoğu insan, kesin 1.500 dolar alabilecekken neden riske atayım ki, diye düşünebilir.
11:39
This seems like a good bet. I'm going to go with that.
294
684000
2000
Bu iyi bir bahis gibi görünür. Ben de bunu seçeceğim.
11:41
You might say, eh, that's not really irrational.
295
686000
2000
Diyebilirsiniz ki, bu hiç de mantıksız değil.
11:43
People are a little risk-averse. So what?
296
688000
2000
İnsanlar biraz riskten kaçarlar. Nedir yani?
11:45
Well, the "so what?" comes when start thinking
297
690000
2000
'Nedir yani?' aynı soruyu sadece biraz farklı
11:47
about the same problem
298
692000
2000
bir şekilde kurmayı
11:49
set up just a little bit differently.
299
694000
2000
düşündüğünüzde ortaya çıkar.
11:51
So now imagine that I give each and every one of you
300
696000
2000
Yani şimdi her birinize 2.000 dolar verdiğimiz
11:53
2,000 dollars -- 20 crisp hundred dollar bills.
301
698000
3000
hayal edin -- gıcır gıcır 20 yüzlük.
11:56
Now you can buy double to stuff you were going to get before.
302
701000
2000
Şimdi daha önce alabileceğinizin iki katı şeyi alabilirsiniz.
11:58
Think about how you'd feel sticking it in your wallet.
303
703000
2000
Bunu cüzdanınıza koyarken nasıl hissedeceğinizi düşünün.
12:00
And now imagine that I have you make another choice
304
705000
2000
Ve şimdi sizi başka bir seçim yapmaya zorladığımı düşünün.
12:02
But this time, it's a little bit worse.
305
707000
2000
Ama bu sefer, biraz daha kötü.
12:04
Now, you're going to be deciding how you're going to lose money,
306
709000
3000
Şimdi, nasıl para kaybedeceğinize karar vereceksiniz,
12:07
but you're going to get the same choice.
307
712000
2000
ama aynı seçimi yapacaksınız.
12:09
You can either take a risky loss --
308
714000
2000
Ya riskli bir kaybı göze alacaksınız --
12:11
so I'll flip a coin. If it comes up heads, you're going to actually lose a lot.
309
716000
3000
yani bir jeton atacağım. Eğer tura gelirse, aslında çok kaybedeceksiniz.
12:14
If it comes up tails, you lose nothing, you're fine, get to keep the whole thing --
310
719000
3000
Eğer yazı gelirse, hiçbir şey kaybetmeyeceksiniz, iyisiniz, hepsini elinizde tutabilirsiniz
12:17
or you could play it safe, which means you have to reach back into your wallet
311
722000
3000
ya da güvenli oynayabilirsiniz, yani cüzdanınızı açıp bana şu 100 dolar
12:20
and give me five of those $100 bills, for certain.
312
725000
3000
banknotların beşini vermek zorundasınız, kesin olarak.
12:23
And I'm seeing a lot of furrowed brows out there.
313
728000
3000
Ve burada bir sürü çatılmış kaş görüyorum.
12:26
So maybe you're having the same intuitions
314
731000
2000
Yani belki de bununla test edilen denekler gibi
12:28
as the subjects that were actually tested in this,
315
733000
2000
aynı sezgilere sahipsiniz, bu seçimlerle
12:30
which is when presented with these options,
316
735000
2000
karşılaştıklarında insanlar güvenli
12:32
people don't choose to play it safe.
317
737000
2000
oynamayı seçmiyorlar.
12:34
They actually tend to go a little risky.
318
739000
2000
Aslında biraz risk alma eğiliminde oluyorlar.
12:36
The reason this is irrational is that we've given people in both situations
319
741000
3000
Bunun mantıksız olmasının nedeni, insanlara her iki durumda
12:39
the same choice.
320
744000
2000
aynı seçeneği sunmamız.
12:41
It's a 50/50 shot of a thousand or 2,000,
321
746000
3000
1000 için 50’ye 50 şans ya da 2000,
12:44
or just 1,500 dollars with certainty.
322
749000
2000
ya da sadece 1500 ama kesin.
12:46
But people's intuitions about how much risk to take
323
751000
3000
Ancak insanların ne kadar risk almaları gerektiğine
12:49
varies depending on where they started with.
324
754000
2000
dair sezgileri nereden başladıklarına göre değişebilir.
12:51
So what's going on?
325
756000
2000
Yani neler oluyor?
12:53
Well, it turns out that this seems to be the result
326
758000
2000
Görünen o ki, bu psikolojik düzeyde sahip olduğumuz
12:55
of at least two biases that we have at the psychological level.
327
760000
3000
en az iki önyargının sonucu gibi görünüyor.
12:58
One is that we have a really hard time thinking in absolute terms.
328
763000
3000
Biri şu, kesin ifadelerle düşünmede zorlanıyoruz.
13:01
You really have to do work to figure out,
329
766000
2000
Anlamak için gerçekten çalışmalısınız,
13:03
well, one option's a thousand, 2,000;
330
768000
2000
şimdi, bir seçenek bin dolar, iki bin;
13:05
one is 1,500.
331
770000
2000
biri bin beş yüz.
13:07
Instead, we find it very easy to think in very relative terms
332
772000
3000
Bunun yerine, seçeneklerin birinden diğerine değiştiği durumda
13:10
as options change from one time to another.
333
775000
3000
birbiriyle ilişkili durumlarda düşünmeyi daha kolay buluyoruz.
13:13
So we think of things as, "Oh, I'm going to get more," or "Oh, I'm going to get less."
334
778000
3000
Böylece şöyle düşünüyoruz, 'Daha fazla alacağım! ya da 'Daha az alacağım.'
13:16
This is all well and good, except that
335
781000
2000
Bu tamamıyla iyi ve doğru, sadece
13:18
changes in different directions
336
783000
2000
farklı yönlerde değişiklikler
13:20
actually effect whether or not we think
337
785000
2000
aslında seçeneklerin iyi ya da kötü olduğunu
13:22
options are good or not.
338
787000
2000
düşünmemizi etkiler.
13:24
And this leads to the second bias,
339
789000
2000
Ve bu ikinci bir önyargıya götürür,
13:26
which economists have called loss aversion.
340
791000
2000
ekonomistler buna isteksizlik kaybı derler.
13:28
The idea is that we really hate it when things go into the red.
341
793000
3000
Fikir şu, zarara uğradığımızda gerçekten bundan nefret ederiz.
13:31
We really hate it when we have to lose out on some money.
342
796000
2000
Biraz para kaybetmek durumunda kalmaktan nefret ederiz.
13:33
And this means that sometimes we'll actually
343
798000
2000
Ve bu da bazen buna engel olmak için
13:35
switch our preferences to avoid this.
344
800000
2000
tercihlerimizi değiştirebileceğimiz anlamına gelir.
13:37
What you saw in that last scenario is that
345
802000
2000
Son senaryoda gördüğünüz şu,
13:39
subjects get risky
346
804000
2000
konular daha riskli hale geliyor,
13:41
because they want the small shot that there won't be any loss.
347
806000
3000
çünkü hiç kaybın olmayacağı küçük atışlar yapmak istiyorlar.
13:44
That means when we're in a risk mindset --
348
809000
2000
Bu da risk zihniyetiyle hareket ettiğimizde --
13:46
excuse me, when we're in a loss mindset,
349
811000
2000
afedersiniz, kayıp zihniyetiyle hareket ettiğimizde,
13:48
we actually become more risky,
350
813000
2000
aslında daha riskli oluyoruz,
13:50
which can actually be really worrying.
351
815000
2000
ki bu da aslında gerçekten endişe verici olabilir.
13:52
These kinds of things play out in lots of bad ways in humans.
352
817000
3000
Bu tarz şeyler insanları farklı yollardan tüketir.
13:55
They're why stock investors hold onto losing stocks longer --
353
820000
3000
Bu yatırımcıların kaybeden hisselere neden daha fazla tutunduğunu açıklar -
13:58
because they're evaluating them in relative terms.
354
823000
2000
çünkü bunları göreceli bir şekilde değerlendirirler.
14:00
They're why people in the housing market refused to sell their house --
355
825000
2000
Bunlar insanların emlak pazarında evlerini satmayı reddetmelerinin nedenidir -
14:02
because they don't want to sell at a loss.
356
827000
2000
çünkü kayıpla satmak istemezler.
14:04
The question we were interested in
357
829000
2000
İlgilendiğimiz soru,
14:06
is whether the monkeys show the same biases.
358
831000
2000
maymunların da aynı önyargıları gösterip göstermediği.
14:08
If we set up those same scenarios in our little monkey market,
359
833000
3000
Eğer küçük maymun pazarımızda aynı senaryoları kurarsak,
14:11
would they do the same thing as people?
360
836000
2000
insanların yaptıklarını yapacaklar mıdır?
14:13
And so this is what we did, we gave the monkeys choices
361
838000
2000
Ve şunu yaptık, maymunlara seçenekler sunduk
14:15
between guys who were safe -- they did the same thing every time --
362
840000
3000
güvenli kişilerle - her seferinde aynı şeyi yapıyorlardı -
14:18
or guys who were risky --
363
843000
2000
ya da riskli kişiler arasında -
14:20
they did things differently half the time.
364
845000
2000
zamanlarının yarısında farklı şekilde davranıyorlardı.
14:22
And then we gave them options that were bonuses --
365
847000
2000
Ve sonra onlara ödül seçenekler verdik -
14:24
like you guys did in the first scenario --
366
849000
2000
ilk senaryoda sizlerin yaptığı gibi -
14:26
so they actually have a chance more,
367
851000
2000
yani aslında daha fazla şansları var,
14:28
or pieces where they were experiencing losses --
368
853000
3000
ya da kayıpları deneyimleyecekleri parçalar da -
14:31
they actually thought they were going to get more than they really got.
369
856000
2000
aslında sahip olduklarından daha fazlasını alacaklarını düşündüler.
14:33
And so this is what this looks like.
370
858000
2000
Ve sonuçta şöyle görünüyor.
14:35
We introduced the monkeys to two new monkey salesmen.
371
860000
2000
Maymunları iki yeni maymun satıcı ile tanıştırdık.
14:37
The guy on the left and right both start with one piece of grape,
372
862000
2000
Soldaki ve sağdaki kişi, her ikisi de tek bir üzüm tanesi ile başladılar,
14:39
so it looks pretty good.
373
864000
2000
gayet iyi görünüyor.
14:41
But they're going to give the monkeys bonuses.
374
866000
2000
Ama maymunlara ödüller verecekler.
14:43
The guy on the left is a safe bonus.
375
868000
2000
Soldaki kişi güvenli bir ödül.
14:45
All the time, he adds one, to give the monkeys two.
376
870000
3000
Her zaman bir fazla ekleyerek maymuna iki tane veriyor.
14:48
The guy on the right is actually a risky bonus.
377
873000
2000
Sağdaki kişi aslında riskli bir ödül.
14:50
Sometimes the monkeys get no bonus -- so this is a bonus of zero.
378
875000
3000
Bazen maymunlar hiç ödül alamıyor - yani bu sıfır ödül.
14:53
Sometimes the monkeys get two extra.
379
878000
3000
Bazen maymunlar iki tane fazladan alıyor.
14:56
For a big bonus, now they get three.
380
881000
2000
Büyük bir ödül için, şimdi üç tane aldılar.
14:58
But this is the same choice you guys just faced.
381
883000
2000
Ama bu sizlerin de karşı karşıya kaldığınız seçeneğin aynısı.
15:00
Do the monkeys actually want to play it safe
382
885000
3000
Maymunlar aslında güvenli tarafta oynayıp
15:03
and then go with the guy who's going to do the same thing on every trial,
383
888000
2000
ama sonra her denemede aynı şeyi yapan kişi ile mi devam edecekler,
15:05
or do they want to be risky
384
890000
2000
yoksa riskli tarafı isteyerek
15:07
and try to get a risky, but big, bonus,
385
892000
2000
riskli, ama büyük ödülü deneyecekler,
15:09
but risk the possibility of getting no bonus.
386
894000
2000
ama hiç ödül almama ihtimalini de riske alarak.
15:11
People here played it safe.
387
896000
2000
İnsanlar burada güvenli oynuyorlar.
15:13
Turns out, the monkeys play it safe too.
388
898000
2000
Anlaşılıyor ki maymunlar da öyle.
15:15
Qualitatively and quantitatively,
389
900000
2000
Niceliksel ve niteliksel olarak,
15:17
they choose exactly the same way as people,
390
902000
2000
aynı şeyde denendiklerinde, insanların
15:19
when tested in the same thing.
391
904000
2000
davrandığı şekilde davranmayı seçiyorlar.
15:21
You might say, well, maybe the monkeys just don't like risk.
392
906000
2000
Diyebilirsiniz ki, belki maymunlar sadece risk sevmiyor.
15:23
Maybe we should see how they do with losses.
393
908000
2000
Belki kayıplarla araları nasıl bakmalıyız.
15:25
And so we ran a second version of this.
394
910000
2000
Ve bunun ikinci bir versiyonunu denedik.
15:27
Now, the monkeys meet two guys
395
912000
2000
Şimdi, maymunlar kendilerine ödül vermeyen
15:29
who aren't giving them bonuses;
396
914000
2000
iki kişiyle karşılaştılar;
15:31
they're actually giving them less than they expect.
397
916000
2000
aslında beklediklerinden daha azını veriyorlar onlara.
15:33
So they look like they're starting out with a big amount.
398
918000
2000
Yani büyük bir miktarla başlıyormuş gibi görünüyorlar.
15:35
These are three grapes; the monkey's really psyched for this.
399
920000
2000
Bunlar üç üzüm tanesi; maymun bunun için gerçekten heyecanlanıyor.
15:37
But now they learn these guys are going to give them less than they expect.
400
922000
3000
Ama şimdi bu kişilerin beklediklerinden daha azını vereceklerini öğreniyorlar.
15:40
They guy on the left is a safe loss.
401
925000
2000
Soldaki kişi güvenli bir kayıp.
15:42
Every single time, he's going to take one of these away
402
927000
3000
Her seferinde, bunlardan sadece birini alacak
15:45
and give the monkeys just two.
403
930000
2000
ve maymunlara sadece ikisini verecek.
15:47
the guy on the right is the risky loss.
404
932000
2000
Sağdaki kişi riskli kayıp.
15:49
Sometimes he gives no loss, so the monkeys are really psyched,
405
934000
3000
Bazen hiç kayıpsız veriyor, o zaman maymunlar gerçekten heyecanlanıyor,
15:52
but sometimes he actually gives a big loss,
406
937000
2000
ama bazen aslında büyük bir kayba neden oluyor,
15:54
taking away two to give the monkeys only one.
407
939000
2000
iki tanesini alıyor ve maymunlara sadece bir tane veriyor.
15:56
And so what do the monkeys do?
408
941000
2000
Ve o zaman maymunlar ne yapıyor?
15:58
Again, same choice; they can play it safe
409
943000
2000
Yine, aynı seçim; güvenli tarafta kalabilir
16:00
for always getting two grapes every single time,
410
945000
3000
her zaman her seferinde iki tane üzüm alabilir,
16:03
or they can take a risky bet and choose between one and three.
411
948000
3000
ya da riskli bahsi seçer ve bir ya da üç arasında seçim yapabilir.
16:06
The remarkable thing to us is that, when you give monkeys this choice,
412
951000
3000
Bizim için dikkat çekici olan, maymunlara bu seçimi verdiğinizde,
16:09
they do the same irrational thing that people do.
413
954000
2000
insanların yaptığı mantıksız şeyi yapıyorlar.
16:11
They actually become more risky
414
956000
2000
Aslında daha riskli oluyorlar
16:13
depending on how the experimenters started.
415
958000
3000
deney yapanların nasıl başladıklarına göre.
16:16
This is crazy because it suggests that the monkeys too
416
961000
2000
Bu çılgınca çünkü maymunların da şeyleri göreceli
16:18
are evaluating things in relative terms
417
963000
2000
değerlendirdiklerini ve aslında kayıplarına
16:20
and actually treating losses differently than they treat gains.
418
965000
3000
kazançlarına davrandıklarından farklı davrandıklarını ileri sürüyor.
16:23
So what does all of this mean?
419
968000
2000
Yani tüm bunlar ne demek oluyor?
16:25
Well, what we've shown is that, first of all,
420
970000
2000
Bizim gösterdiğimiz, her şeyden önce
16:27
we can actually give the monkeys a financial currency,
421
972000
2000
maymunlara aslında finansal bir para birimi verebiliriz,
16:29
and they do very similar things with it.
422
974000
2000
ve onunla çok benzer şeyler yapabilirler.
16:31
They do some of the smart things we do,
423
976000
2000
Bizim yaptığımız bazı zekice şeyleri yaparlar,
16:33
some of the kind of not so nice things we do,
424
978000
2000
bazıları yaptığımız pek hoş olmayan şeyler olabilir,
16:35
like steal it and so on.
425
980000
2000
çalmak gibi ya da benzeri.
16:37
But they also do some of the irrational things we do.
426
982000
2000
Ama aynı zamanda yaptığımız bazı mantıksız şeyleri de yaparlar.
16:39
They systematically get things wrong
427
984000
2000
Sistematik olarak şeyleri yanlış anlarlar
16:41
and in the same ways that we do.
428
986000
2000
ve bizim yaptığımız şekilde.
16:43
This is the first take-home message of the Talk,
429
988000
2000
Bu konuşmadan eve götürebileceğiniz mesajlardan biri şu,
16:45
which is that if you saw the beginning of this and you thought,
430
990000
2000
eğer bunun başlangıcını gördüyseniz ve şöyle düşündüyseniz,
16:47
oh, I'm totally going to go home and hire a capuchin monkey financial adviser.
431
992000
2000
kesinlikle eve gideceğim ve finansal danışman olarak bir kapüsen maymununu kiralayacağım.
16:49
They're way cuter than the one at ... you know --
432
994000
2000
Onlar çok daha sevimliler, şeyden... biliyorsunuz -
16:51
Don't do that; they're probably going to be just as dumb
433
996000
2000
Bunu yapmayın; muhtemelen şimdi en az para ödediğiniz
16:53
as the human one you already have.
434
998000
3000
kişi kadar budala olacaktır.
16:56
So, you know, a little bad -- Sorry, sorry, sorry.
435
1001000
2000
Yani, biraz kötü - özür dilerim, özür dilerim.
16:58
A little bad for monkey investors.
436
1003000
2000
Maymun yatırımcılar için biraz kötü.
17:00
But of course, you know, the reason you're laughing is bad for humans too.
437
1005000
3000
Ama elbette, bilirsiniz, gülmenizin nedeni insanlar için de kötü.
17:03
Because we've answered the question we started out with.
438
1008000
3000
Çünkü başladığımız soruyu cevaplandırdık.
17:06
We wanted to know where these kinds of errors came from.
439
1011000
2000
Bu tarz hataların neden kaynaklandığını anlamak istemiştik.
17:08
And we started with the hope that maybe we can
440
1013000
2000
Ve belki finansal enstitülere ve teknolojilerimize
17:10
sort of tweak our financial institutions,
441
1015000
2000
bir nevi ince ayar çekerek kendimizi
17:12
tweak our technologies to make ourselves better.
442
1017000
3000
daha iyi hale getiririz umuduyla başlamıştık.
17:15
But what we've learn is that these biases might be a deeper part of us than that.
443
1020000
3000
Ama öğrendiğimiz, bu önyargıların bundan daha derine gidebiliyor olduğuydu.
17:18
In fact, they might be due to the very nature
444
1023000
2000
Aslında, bunlar bizim evrimsel tarihimizin
17:20
of our evolutionary history.
445
1025000
2000
hakiki doğasından dolayı olabilir.
17:22
You know, maybe it's not just humans
446
1027000
2000
Bilirsiniz, belki kalın kafalı bu zincirin
17:24
at the right side of this chain that's duncey.
447
1029000
2000
sağ tarafında olanlar sadece insanlar değildir.
17:26
Maybe it's sort of duncey all the way back.
448
1031000
2000
Belki başından beri bir tür kalın kafalılıktır.
17:28
And this, if we believe the capuchin monkey results,
449
1033000
3000
Ve bu, eğer kapusen maymunu sonuçlarına inanıyorsanız,
17:31
means that these duncey strategies
450
1036000
2000
bu ahmakça stratejilerin belki
17:33
might be 35 million years old.
451
1038000
2000
35 milyon yıldır olduğu anlamına gelir.
17:35
That's a long time for a strategy
452
1040000
2000
Bu potansiyel olarak değişme stratejisi için
17:37
to potentially get changed around -- really, really old.
453
1042000
3000
çok uzun bir süre - gerçekten, gerçekten eski.
17:40
What do we know about other old strategies like this?
454
1045000
2000
Bunun gibi eski stratejiler hakkında neler biliyoruz?
17:42
Well, one thing we know is that they tend to be really hard to overcome.
455
1047000
3000
Bildiğimiz bir şey, üstesinden gelinmesinin zor olduğu şeyler olma eğilimindeler.
17:45
You know, think of our evolutionary predilection
456
1050000
2000
Cheesecake gibi tatlı ve yağlı şeyleri yeme konusunda
17:47
for eating sweet things, fatty things like cheesecake.
457
1052000
3000
evrimsel tercihimizi düşünün.
17:50
You can't just shut that off.
458
1055000
2000
Bunu öylece bitiremezsiniz.
17:52
You can't just look at the dessert cart as say, "No, no, no. That looks disgusting to me."
459
1057000
3000
Tatlı mönüsüne bakıp sadece 'Hayır, hayır, hayır. Bu iğrenç görünüyor.' diyemezsiniz.
17:55
We're just built differently.
460
1060000
2000
Sadece farklı biçimde yaratılmışız.
17:57
We're going to perceive it as a good thing to go after.
461
1062000
2000
Peşine takılıp gidecek güzel bir şey gibi algılayacağız.
17:59
My guess is that the same thing is going to be true
462
1064000
2000
Tahminim, insanlar farklı finansal
18:01
when humans are perceiving
463
1066000
2000
kararları görüyorken de
18:03
different financial decisions.
464
1068000
2000
aynı şey doğru olacak.
18:05
When you're watching your stocks plummet into the red,
465
1070000
2000
Hisse senetlerinizin kırmızıya düştüğünü izlerken,
18:07
when you're watching your house price go down,
466
1072000
2000
evinizin fiyatının düştüğünü izlerken,
18:09
you're not going to be able to see that
467
1074000
2000
bunu eski evrimsel koşullar dışında
18:11
in anything but old evolutionary terms.
468
1076000
2000
başka şekilde göremezsiniz.
18:13
This means that the biases
469
1078000
2000
Bu, yatırımcıları kötü bir şekilde
18:15
that lead investors to do badly,
470
1080000
2000
davranmaya yönelten,
18:17
that lead to the foreclosure crisis
471
1082000
2000
haciz krizine neden olan önyargıların
18:19
are going to be really hard to overcome.
472
1084000
2000
üstesinden gelmenin gerçekten zor olduğu anlamına gelir.
18:21
So that's the bad news. The question is: is there any good news?
473
1086000
2000
Yani, bu kötü haber. Soru şu: hiç iyi haber var mı?
18:23
I'm supposed to be up here telling you the good news.
474
1088000
2000
Burada size iyi haberleri vermek için duruyor olmam lazım.
18:25
Well, the good news, I think,
475
1090000
2000
Peki, iyi haber, sanırım,
18:27
is what I started with at the beginning of the Talk,
476
1092000
2000
konuşmanın başlangıcında başladığım şey,
18:29
which is that humans are not only smart;
477
1094000
2000
insanların sadece zeki olmadığı,
18:31
we're really inspirationally smart
478
1096000
2000
gerçekten biyolojik krallıktaki diğer hayvanları
18:33
to the rest of the animals in the biological kingdom.
479
1098000
3000
geride bırakacak kadar ilham verici şekilde zekiyiz.
18:36
We're so good at overcoming our biological limitations --
480
1101000
3000
Biyolojik kısıtlamalarımız aşma konusunda çok iyiyiz -
18:39
you know, I flew over here in an airplane.
481
1104000
2000
biliyorsunuz, buraya uçakla geldim.
18:41
I didn't have to try to flap my wings.
482
1106000
2000
Kanatlarımı çırpmak zorunda değildim.
18:43
I'm wearing contact lenses now so that I can see all of you.
483
1108000
3000
Sizi görebilmek için şu anda kontak lenslerimi takıyorum.
18:46
I don't have to rely on my own near-sightedness.
484
1111000
3000
Miyopluğuma güvenmek zorunda değilim.
18:49
We actually have all of these cases
485
1114000
2000
Aslında biyolojik kısıtlamalarımızı aştığımız
18:51
where we overcome our biological limitations
486
1116000
3000
teknoloji ya da diğer araçlarla, görünürde kolayca hem de,
18:54
through technology and other means, seemingly pretty easily.
487
1119000
3000
tüm bu durumlara sahibiz.
18:57
But we have to recognize that we have those limitations.
488
1122000
3000
Ancak bu kısıtlamalara sahip olduğumuzu da anlamamız gerek.
19:00
And here's the rub.
489
1125000
2000
Ve işte sorun.
19:02
It was Camus who once said that, "Man is the only species
490
1127000
2000
Camus şöyle demiş, 'İnsan, gerçekten ne olduğunu
19:04
who refuses to be what he really is."
491
1129000
3000
reddeden tek canlı türüdür.'
19:07
But the irony is that
492
1132000
2000
Ama ironi şu,
19:09
it might only be in recognizing our limitations
493
1134000
2000
yalnızca kısıtlamalarımız fark ederek
19:11
that we can really actually overcome them.
494
1136000
2000
gerçekten onların üstesinden gelebiliriz.
19:13
The hope is that you all will think about your limitations,
495
1138000
3000
Hepinizin kısıtlamalarınızı düşünüp
19:16
not necessarily as unovercomable,
496
1141000
3000
illa ki üstesinden gelinmeyecek olanları değil,
19:19
but to recognize them, accept them
497
1144000
2000
ama fark ederek, kabul ederek
19:21
and then use the world of design to actually figure them out.
498
1146000
3000
ve sonra tasarım dünyasını onları çözmek için kullanacağınız umut ediliyor.
19:24
That might be the only way that we will really be able
499
1149000
3000
Bu bizim insan potansiyelimizi gerçekten
19:27
to achieve our own human potential
500
1152000
2000
deneyimleyebileceğimiz ve
19:29
and really be the noble species we hope to all be.
501
1154000
3000
olmayı umduğumuz asil tür olmamızın tek yolu olabilir.
19:32
Thank you.
502
1157000
2000
Teşekkürler.
19:34
(Applause)
503
1159000
5000
Alkışlar.
ABOUT THE SPEAKER
Laurie Santos - Cognitive psychologistLaurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do.
Why you should listen
Laurie Santos runs the Comparative Cognition Laboratory (CapLab) at Yale, where she and collaborators across departments (from psychology to primatology to neurobiology) explore the evolutionary origins of the human mind by studying lemurs, capuchin monkeys and other primates. The twist: Santos looks not only for positive humanlike traits, like tool-using and altruism, but irrational ones, like biased decisionmaking.
In elegant, carefully constructed experiments, Santos and CapLab have studied how primates understand and categorize objects in the physical world -- for instance, that monkeys understand an object is still whole even when part of it is obscured. Going deeper, their experiments also search for clues that primates possess a theory of mind -- an ability to think about what other people think.
Most recently, the lab has been looking at behaviors that were once the province mainly of novelists: jealousy, frustration, judgment of others' intentions, poor economic choices. In one experiment, Santos and her team taught monkeys to use a form of money, tradeable for food. When certain foods became cheaper, monkeys would, like humans, overbuy. As we humans search for clues to our own irrational behaviors, Santos' research suggests that the source of our genius for bad decisions might be our monkey brains.
Laurie Santos | Speaker | TED.com