TEDGlobal 2011
Alison Gopnik: What do babies think?
Άλισον Γκόπνικ: Τι σκέφτονται τα μωρά;
Filmed:
Readability: 3.4
4,341,974 views
«Τα μωρά είναι το τμήμα έρευνας και ανάπτυξης του ανθρώπινου είδους», λέει η ψυχολόγος Άλισον Γκόπνικ. Η μελέτη της εξερευνά την εκλεπτυσμένη συλλογή πληροφοριών και τη λήψη αποφάσεων που κάνουν τα μωρά όταν παίζουν.
Alison Gopnik - Child development psychologist
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do. Full bio
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do. Full bio
Double-click the English transcript below to play the video.
00:15
What is going on
0
0
2000
Τι συμβαίνει
00:17
in this baby's mind?
1
2000
2000
στο μυαλό αυτού του μωρού;
00:19
If you'd asked people this 30 years ago,
2
4000
2000
Εάν το ρωτούσατε αυτό τριάντα χρόνια πριν,
00:21
most people, including psychologists,
3
6000
2000
οι περισσότεροι άνθρωποι, συμπεριλαμβανομένων και των ψυχολόγων,
00:23
would have said that this baby was irrational,
4
8000
3000
θα σας έλεγαν πως αυτό το μωρό είναι παράλογο,
00:26
illogical, egocentric --
5
11000
2000
ανακόλουθο, εγωκεντρικό --
00:28
that he couldn't take the perspective of another person
6
13000
2000
πως δεν θα μπορούσε ν' αντιληφθεί την οπτική ενός άλλου ατόμου
00:30
or understand cause and effect.
7
15000
2000
ή να καταλάβει την αιτία και το αποτέλεσμα.
00:32
In the last 20 years,
8
17000
2000
Τα τελευταία 20 χρόνια,
00:34
developmental science has completely overturned that picture.
9
19000
3000
η αναπτυξιακή επιστήμη ανέτρεψε ολοσχερώς αυτή την εικόνα.
00:37
So in some ways,
10
22000
2000
Έτσι, κατά κάποιο τρόπο,
00:39
we think that this baby's thinking
11
24000
2000
πιστεύουμε πως η σκέψη αυτού του μωρού
00:41
is like the thinking of the most brilliant scientists.
12
26000
4000
είναι σαν τη σκέψη των πιο λαμπρών επιστημόνων.
00:45
Let me give you just one example of this.
13
30000
2000
Επιτρέψτε μου να σας δώσω ένα παράδειγμα.
00:47
One thing that this baby could be thinking about,
14
32000
3000
Ένα πράγμα που μπορεί να σκέφτεται αυτό το μωρό,
00:50
that could be going on in his mind,
15
35000
2000
που μπορεί να συμβαίνει στο μυαλό του,
00:52
is trying to figure out
16
37000
2000
είναι η προσπάθεια κατανόησης
00:54
what's going on in the mind of that other baby.
17
39000
3000
όσων συμβαίνουν στο μυαλό του άλλου μωρού.
00:57
After all, one of the things that's hardest for all of us to do
18
42000
3000
Εξάλλου ένα από τα δυσκολότερα πράγματα για όλους μας
01:00
is to figure out what other people are thinking and feeling.
19
45000
3000
είναι η κατανόηση των σκέψεων και συναισθημάτων των άλλων ανθρώπων.
01:03
And maybe the hardest thing of all
20
48000
2000
Και ίσως το δυσκολότερο απ' όλα
01:05
is to figure out that what other people think and feel
21
50000
3000
είναι να καταλάβουμε πως αυτά που σκέφτονται και νιώθουν οι άλλοι
01:08
isn't actually exactly like what we think and feel.
22
53000
2000
δεν είναι ακριβώς ίδια με αυτά που σκεπτόμαστε και νιώθουμε εμείς.
01:10
Anyone who's followed politics can testify
23
55000
2000
Οποιοσδήποτε παρακολουθεί την πολιτική μπορεί να καταθέσει
01:12
to how hard that is for some people to get.
24
57000
3000
πόσο δύσκολο είναι αυτό για κάποιους ανθρώπους.
01:15
We wanted to know
25
60000
2000
Θέλαμε να μάθουμε
01:17
if babies and young children
26
62000
2000
αν τα μωρά και τα μικρά παιδιά
01:19
could understand this really profound thing about other people.
27
64000
3000
μπορούν να καταλάβουν αυτό το πραγματικά σημαντικό στοιχείο για τους άλλους.
01:22
Now the question is: How could we ask them?
28
67000
2000
Πώς θα μπορούσαμε να τα ρωτήσουμε;
01:24
Babies, after all, can't talk,
29
69000
2000
Τα μωρά δεν μπορούν να μιλήσουν,
01:26
and if you ask a three year-old
30
71000
2000
κι αν ρωτήσεις ένα τρίχρονο
01:28
to tell you what he thinks,
31
73000
2000
να σου πει τι σκέπτεται,
01:30
what you'll get is a beautiful stream of consciousness monologue
32
75000
3000
αυτό που θ' ακούσεις είναι μια πανέμορφη ροή συνειδησιακού μονολόγου
01:33
about ponies and birthdays and things like that.
33
78000
3000
για αλογάκια και γενέθλια κι άλλα τέτοια πράγματα.
01:36
So how do we actually ask them the question?
34
81000
3000
Πώς λοιπόν τους κάνουμε πραγματικά την ερώτηση;
01:39
Well it turns out that the secret was broccoli.
35
84000
3000
Αποδεικνύεται ότι το μυστικό ήταν το μπρόκολο.
01:42
What we did -- Betty Rapacholi, who was one of my students, and I --
36
87000
4000
Αυτό που κάναμε - εγώ και η Μπέτι Ραπακόλι, που ήταν φοιτήτρια μου -
01:46
was actually to give the babies two bowls of food:
37
91000
3000
ήταν να δώσουμε στα μωρά δύο μπολ με φαγητό:
01:49
one bowl of raw broccoli
38
94000
2000
ένα μπολ με ωμό μπρόκολο
01:51
and one bowl of delicious goldfish crackers.
39
96000
3000
κι ένα μπολ με λαχταριστά κράκερς σε σχήμα ψαριού.
01:54
Now all of the babies, even in Berkley,
40
99000
3000
Όλα τα μωρά, ακόμη και στο Μπέρκλεϊ,
01:57
like the crackers and don't like the raw broccoli.
41
102000
3000
προτιμούν τα κράκερς από το ωμό μπρόκολο.
02:00
(Laughter)
42
105000
2000
(Γέλια)
02:02
But then what Betty did
43
107000
2000
Έπειτα, αυτό που έκανε η Μπέτι
02:04
was to take a little taste of food from each bowl.
44
109000
3000
ήταν να δοκιμάσει μια μικρή ποσότητα από κάθε μπολ.
02:07
And she would act as if she liked it or she didn't.
45
112000
2000
Προσποιήθηκε ή ότι της άρεσε ή ότι δεν της άρεσε.
02:09
So half the time, she acted
46
114000
2000
Έτσι τις μισές φορές έκανε
02:11
as if she liked the crackers and didn't like the broccoli --
47
116000
2000
πως της άρεσαν τα κράκερς και δεν της άρεσε το μπρόκολο -
02:13
just like a baby and any other sane person.
48
118000
3000
όπως το μωρό και κάθε λογικός άνθρωπος.
02:16
But half the time,
49
121000
2000
Αλλά τις άλλες μισές,
02:18
what she would do is take a little bit of the broccoli
50
123000
2000
δοκίμαζε λίγο μπρόκολο
02:20
and go, "Mmmmm, broccoli.
51
125000
3000
κι έκανε: «Μμμμ, μπρόκολο.
02:23
I tasted the broccoli. Mmmmm."
52
128000
3000
Δοκίμασα το μπρόκολο. Μμμμμ.»
02:26
And then she would take a little bit of the crackers,
53
131000
2000
Έπειτα δοκίμαζε τα κράκερς
02:28
and she'd go, "Eww, yuck, crackers.
54
133000
4000
κι έλεγε: «Ίου, μπλιάξ, κράκερς.
02:32
I tasted the crackers. Eww, yuck."
55
137000
3000
Δοκίμασα τα κράκερς. Μπλιάξ.»
02:35
So she'd act as if what she wanted
56
140000
2000
Έκανε σαν αυτό που ήθελε
02:37
was just the opposite of what the babies wanted.
57
142000
3000
να είναι αντίθετο απ' αυτό που ήθελαν τα μωρά.
02:40
We did this with 15 and 18 month-old babies.
58
145000
2000
Το κάναμε αυτό με μωρά 15 και 18 μηνών.
02:42
And then she would simply put her hand out and say,
59
147000
3000
Έπειτα έτεινε το χέρι της κι έλεγε:
02:45
"Can you give me some?"
60
150000
2000
«Μπορείς να μου δώσεις λίγο;»
02:47
So the question is: What would the baby give her,
61
152000
2000
Το ερώτημα είναι: Τι θα της δώσει το μωρό,
02:49
what they liked or what she liked?
62
154000
2000
αυτό που αρέσει σ' εκείνο, ή αυτό που άρεσε σ' αυτήν;
02:51
And the remarkable thing was that 18 month-old babies,
63
156000
3000
Το αξιοσημείωτο ήταν πως μωρά 18 μηνών,
02:54
just barely walking and talking,
64
159000
2000
που μόλις που περπατούν και μιλούν,
02:56
would give her the crackers if she liked the crackers,
65
161000
3000
της έδιναν τα κράκερς, αν της άρεσαν τα κράκερς,
02:59
but they would give her the broccoli if she liked the broccoli.
66
164000
3000
αλλά της έδιναν το μπρόκολο, αν αυτό ήταν που της άρεσε.
03:02
On the other hand,
67
167000
2000
Από την άλλη,
03:04
15 month-olds would stare at her for a long time
68
169000
2000
τα μωρά 15 μηνών, την κοιτούσαν για πολλή ώρα
03:06
if she acted as if she liked the broccoli,
69
171000
2000
αν έκανε πως της άρεσε το μπρόκολο,
03:08
like they couldn't figure this out.
70
173000
3000
σαν να μην μπορούσαν να καταλάβουν.
03:11
But then after they stared for a long time,
71
176000
2000
Αφού την κοιτούσαν για αρκετή ώρα,
03:13
they would just give her the crackers,
72
178000
2000
της έδιναν τα κράκερς,
03:15
what they thought everybody must like.
73
180000
2000
αυτό που πίστευαν πως θα έπρεπε ν' αρέσει σε όλους.
03:17
So there are two really remarkable things about this.
74
182000
3000
Υπάρχουν λοιπόν δύο αξιοπρόσεκτες παρατηρήσεις σχετικά μ' αυτό.
03:20
The first one is that these little 18 month-old babies
75
185000
3000
Η πρώτη είναι πως μωράκια 18 μηνών
03:23
have already discovered
76
188000
2000
έχουν ήδη ανακαλύψει
03:25
this really profound fact about human nature,
77
190000
2000
αυτό το σημαντικό γεγονός για την ανθρώπινη φύση,
03:27
that we don't always want the same thing.
78
192000
2000
πως δεν θέλουμε πάντα τα ίδια πράγματα.
03:29
And what's more, they felt that they should actually do things
79
194000
2000
Κι επιπλέον, ένιωσαν πως πρέπει να κάνουν πράγματα
03:31
to help other people get what they wanted.
80
196000
3000
για να βοηθήσουν άλλους ανθρώπους να πάρουν αυτό που θέλουν.
03:34
Even more remarkably though,
81
199000
2000
Ακόμη πιο εντυπωσιακό όμως,
03:36
the fact that 15 month-olds didn't do this
82
201000
3000
είναι το γεγονός ότι τα μωρά 15 μηνών δεν έκαναν το ίδιο,
03:39
suggests that these 18 month-olds had learned
83
204000
3000
πράγμα που υποδηλώνει πως τα μωρά 18 μηνών έχουν μάθει
03:42
this deep, profound fact about human nature
84
207000
3000
αυτό το βαθύ και σημαντικό στοιχείο της ανθρώπινης φύσης
03:45
in the three months from when they were 15 months old.
85
210000
3000
μέσα στους 3 μήνες που μεσολάβησαν από τότε που ήσαν 15 μηνών.
03:48
So children both know more and learn more
86
213000
2000
Άρα τα παιδιά και ξέρουν και μαθαίνουν περισσότερα
03:50
than we ever would have thought.
87
215000
2000
απ' όσα ποτέ θα φανταζόμασταν.
03:52
And this is just one of hundreds and hundreds of studies over the last 20 years
88
217000
4000
Κι είναι μόνο μια από τις εκατοντάδες μελέτες των τελευταίων 20 ετών
03:56
that's actually demonstrated it.
89
221000
2000
που το έδειξαν πραγματικά.
03:58
The question you might ask though is:
90
223000
2000
Η ερώτηση που πρέπει να κάνετε όμως είναι:
04:00
Why do children learn so much?
91
225000
3000
Γιατί τα παιδιά μαθαίνουν τόσα πολλά;
04:03
And how is it possible for them to learn so much
92
228000
2000
Και πως είναι εφικτό να μαθαίνουν τόσα πολλά
04:05
in such a short time?
93
230000
2000
σε τόσο μικρό χρονικό διάστημα;
04:07
I mean, after all, if you look at babies superficially,
94
232000
2000
Θέλω να πω, αν δείτε τα μωρά επιπόλαια,
04:09
they seem pretty useless.
95
234000
2000
μοιάζουν σχεδόν άχρηστα.
04:11
And actually in many ways, they're worse than useless,
96
236000
3000
Μάλιστα σε πολλές περιπτώσεις, είναι χειρότερα κι από άχρηστα,
04:14
because we have to put so much time and energy
97
239000
2000
επειδή χρειάζεται να διαθέτουμε τόσο χρόνο κι ενέργεια
04:16
into just keeping them alive.
98
241000
2000
για να τα διατηρούμε στη ζωή.
04:18
But if we turn to evolution
99
243000
2000
Αν όμως στραφούμε στην εξέλιξη
04:20
for an answer to this puzzle
100
245000
2000
για μια απάντηση στο ερώτημα
04:22
of why we spend so much time
101
247000
2000
«γιατί καταναλώνουμε τόσο χρόνο
04:24
taking care of useless babies,
102
249000
3000
για να φροντίζουμε άχρηστα μωρά»,
04:27
it turns out that there's actually an answer.
103
252000
3000
φαίνεται πως υπάρχει τελικά απάντηση.
04:30
If we look across many, many different species of animals,
104
255000
3000
Αν κοιτάξουμε σε πολλά διαφορετικά είδη ζώων,
04:33
not just us primates,
105
258000
2000
όχι μόνο στα πρωτεύοντα θηλαστικά,
04:35
but also including other mammals, birds,
106
260000
2000
αλλά συμπεριλαμβάνοντας κι άλλα θηλαστικά, πουλιά,
04:37
even marsupials
107
262000
2000
ακόμη και μαρσιποφόρα
04:39
like kangaroos and wombats,
108
264000
2000
όπως τα καγκουρό και οι φασκωλόμυες,
04:41
it turns out that there's a relationship
109
266000
2000
φαίνεται πως υπάρχει σχέση
04:43
between how long a childhood a species has
110
268000
4000
μεταξύ της διάρκειας της παιδικής ηλικίας ενός είδους
04:47
and how big their brains are compared to their bodies
111
272000
4000
και του μεγέθους του εγκεφάλου του σε σύγκριση με το σώμα του
04:51
and how smart and flexible they are.
112
276000
2000
και πόσο έξυπνο κι ευέλικτο είναι.
04:53
And sort of the posterbirds for this idea are the birds up there.
113
278000
3000
Χαρακτηριστικά γι' αυτήν την ιδέα, είναι τα πουλιά εκεί πάνω.
04:56
On one side
114
281000
2000
Στη μια πλευρά
04:58
is a New Caledonian crow.
115
283000
2000
είναι η κουρούνα της Νέας Καληδονίας.
05:00
And crows and other corvidae, ravens, rooks and so forth,
116
285000
3000
Οι κουρούνες κι άλλα κορακοειδή, οι κόρακες, τα χαβαρόνια κτλ,
05:03
are incredibly smart birds.
117
288000
2000
είναι εξαιρετικά έξυπνα πουλιά.
05:05
They're as smart as chimpanzees in some respects.
118
290000
3000
Είναι εξίσου έξυπνα με τους χιμπατζήδες σε κάποια σημεία.
05:08
And this is a bird on the cover of science
119
293000
2000
Βλέπουμε ένα πουλί στο εξώφυλλο του Science,
05:10
who's learned how to use a tool to get food.
120
295000
3000
που έμαθε πώς να χρησιμοποιεί ένα εργαλείο για να βρίσκει τροφή.
05:13
On the other hand,
121
298000
2000
Από την άλλη πλευρά,
05:15
we have our friend the domestic chicken.
122
300000
2000
έχουμε τη φίλη μας την οικόσιτη όρνιθα.
05:17
And chickens and ducks and geese and turkeys
123
302000
3000
Οι κότες, οι πάπιες, οι χήνες και οι γαλοπούλες
05:20
are basically as dumb as dumps.
124
305000
2000
είναι βασικά πιο χαζές κι απ' τα κούτσουρα.
05:22
So they're very, very good at pecking for grain,
125
307000
3000
Είναι πολύ-πολύ καλές στο ράμφισμα των σιτηρών,
05:25
and they're not much good at doing anything else.
126
310000
3000
και δεν είναι καλές σε οτιδήποτε άλλο.
05:28
Well it turns out that the babies,
127
313000
2000
Φαίνεται πως τα μωρά
05:30
the New Caledonian crow babies, are fledglings.
128
315000
2000
της κουρούνας της Νέας Καληδονίας, ως νεοσσοί
05:32
They depend on their moms
129
317000
2000
εξαρτώνται από τη μητέρα τους
05:34
to drop worms in their little open mouths
130
319000
3000
να ρίξει σκουληκάκια στα μικρά ανοιχτά στόματά τους
05:37
for as long as two years,
131
322000
2000
για περίοδο δυο ετών,
05:39
which is a really long time in the life of a bird.
132
324000
2000
που είναι πολύ μεγάλο διάστημα στη ζωή ενός πουλιού.
05:41
Whereas the chickens are actually mature
133
326000
2000
Οι κότες αντίθετα ωριμάζουν
05:43
within a couple of months.
134
328000
2000
μέσα σε δύο μήνες.
05:45
So childhood is the reason
135
330000
3000
Είναι λοιπόν η παιδική ηλικία ο λόγος
05:48
why the crows end up on the cover of Science
136
333000
2000
που οι κουρούνες καταλήγουν στο εξώφυλλο του Science
05:50
and the chickens end up in the soup pot.
137
335000
2000
ενώ οι κότες καταλήγουν στην κατσαρόλα.
05:52
There's something about that long childhood
138
337000
3000
Υπάρχει κάτι σ' αυτήν την παρατεταμένη παιδική ηλικία
05:55
that seems to be connected
139
340000
2000
που φαίνεται να συνδέεται
05:57
to knowledge and learning.
140
342000
2000
με τη γνώση και τη μάθηση.
05:59
Well what kind of explanation could we have for this?
141
344000
3000
Τι είδους εξήγηση μπορούμε να δώσουμε σ' αυτό;
06:02
Well some animals, like the chicken,
142
347000
3000
Μερικά ζώα, όπως τα κοτόπουλα,
06:05
seem to be beautifully suited
143
350000
2000
μοιάζουν να είναι φτιαγμένα
06:07
to doing just one thing very well.
144
352000
2000
για να κάνουν καλά μόνο ένα πράγμα.
06:09
So they seem to be beautifully suited
145
354000
3000
Προορίζονται λοιπόν
06:12
to pecking grain in one environment.
146
357000
2000
για ράμφισμα σπόρων σ' ένα περιβάλλον.
06:14
Other creatures, like the crows,
147
359000
2000
Άλλα πλάσματα, όπως οι κουρούνες,
06:16
aren't very good at doing anything in particular,
148
361000
2000
δεν κάνουν καλά κάτι συγκεκριμένο,
06:18
but they're extremely good
149
363000
2000
αλλά μαθαίνουν εξαιρετικά καλά
06:20
at learning about laws of different environments.
150
365000
2000
τους νόμους διαφορετικών περιβαλλόντων.
06:22
And of course, we human beings
151
367000
2000
Φυσικά κι εμείς οι άνθρωποι
06:24
are way out on the end of the distribution like the crows.
152
369000
3000
βρισκόμαστε στο άκρο της κατανομής, όπως οι κουρούνες.
06:27
We have bigger brains relative to our bodies
153
372000
2000
Έχουμε μεγαλύτερους εγκεφάλους, σε σχέση με το σώμα μας,
06:29
by far than any other animal.
154
374000
2000
μακράν από οποιοδήποτε άλλο ζώο.
06:31
We're smarter, we're more flexible,
155
376000
2000
Είμαστε πιο έξυπνοι, πιο ευέλικτοι,
06:33
we can learn more,
156
378000
2000
μπορούμε να μάθουμε περισσότερα,
06:35
we survive in more different environments,
157
380000
2000
επιβιώνουμε σε πιο πολλά διαφορετικά περιβάλλοντα,
06:37
we migrated to cover the world and even go to outer space.
158
382000
3000
και μεταναστεύσαμε για να καλύψουμε τον κόσμο ακόμη και το διάστημα.
06:40
And our babies and children are dependent on us
159
385000
3000
Τα μωρά μας και τα παιδιά μας εξαρτώνται από εμάς
06:43
for much longer than the babies of any other species.
160
388000
3000
περισσότερο καιρό από τα μωρά των άλλων ειδών.
06:46
My son is 23.
161
391000
2000
Ο γιος μου είναι 23.
06:48
(Laughter)
162
393000
2000
(Γέλια)
06:50
And at least until they're 23,
163
395000
2000
Τουλάχιστον μέχρι τα 23 τους,
06:52
we're still popping those worms
164
397000
2000
συνεχίζουμε να ρίχνουμε τα σκουλικάκια
06:54
into those little open mouths.
165
399000
3000
μέσα σ' εκείνα τα μικρά ανοιχτά στόματα.
06:57
All right, why would we see this correlation?
166
402000
3000
Εντάξει, γιατί όμως κάνουμε αυτόν το συσχετισμό;
07:00
Well an idea is that that strategy, that learning strategy,
167
405000
4000
Μια εκδοχή είναι πως αυτή η στρατηγική εκμάθησης,
07:04
is an extremely powerful, great strategy for getting on in the world,
168
409000
3000
είναι εξαιρετικά ισχυρή για να τα βγάζεις πέρα στον κόσμο,
07:07
but it has one big disadvantage.
169
412000
2000
αλλά έχει ένα μεγάλο μειονέκτημα.
07:09
And that one big disadvantage
170
414000
2000
Αυτό το μεγάλο μειονέκτημα
07:11
is that, until you actually do all that learning,
171
416000
3000
είναι πως ώσπου να τα μάθεις όλ' αυτά,
07:14
you're going to be helpless.
172
419000
2000
θα είσαι αβοήθητος.
07:16
So you don't want to have the mastodon charging at you
173
421000
3000
Δεν θέλεις να έχεις τον μαστόδοντα να σε φερμάρει
07:19
and be saying to yourself,
174
424000
2000
κι εσύ να σκέφτεσαι:
07:21
"A slingshot or maybe a spear might work. Which would actually be better?"
175
426000
4000
«Μια σφεντόνα ή ίσως ένα δόρυ να λειτουργούσε. Ποιο θα ήταν καλύτερο;»
07:25
You want to know all that
176
430000
2000
Θέλετε να τα γνωρίζετε όλ' αυτά
07:27
before the mastodons actually show up.
177
432000
2000
πριν εμφανιστεί ο μαστόδοντας.
07:29
And the way the evolutions seems to have solved that problem
178
434000
3000
Και ο τρόπος που η εξέλιξη φαίνεται να έλυσε αυτό το πρόβλημα
07:32
is with a kind of division of labor.
179
437000
2000
είναι ο καταμερισμός της εργασίας.
07:34
So the idea is that we have this early period when we're completely protected.
180
439000
3000
Η κεντρική ιδέα είναι πως έχουμε μια πρώιμη περίοδο όπου είμαστε απόλυτα προστατευμένοι.
07:37
We don't have to do anything. All we have to do is learn.
181
442000
3000
Δεν χρειάζεται να κάνουμε τίποτα, μόνο να μαθαίνουμε.
07:40
And then as adults,
182
445000
2000
Έπειτα, ως ενήλικες,
07:42
we can take all those things that we learned when we were babies and children
183
447000
3000
μπορούμε να πάρουμε όλ' αυτά τα πράγματα που μάθαμε όταν ήμασταν μωρά και παιδιά
07:45
and actually put them to work to do things out there in the world.
184
450000
3000
και να τα βάλουμε να λειτουργήσουν για να κάνουμε πράγματα εκεί έξω στον κόσμο.
07:48
So one way of thinking about it
185
453000
2000
Ένας τρόπος να το δει κανείς,
07:50
is that babies and young children
186
455000
2000
είναι πως τα μωρά και τα μικρά παιδιά
07:52
are like the research and development division of the human species.
187
457000
3000
είναι το τμήμα έρευνας και ανάπτυξης του ανθρώπινου είδους.
07:55
So they're the protected blue sky guys
188
460000
3000
είναι οι προστατευμένοι ανέμελοι τύποι
07:58
who just have to go out and learn and have good ideas,
189
463000
2000
που χρειάζεται μόνο να μαθαίνουν και να έχουν καλές ιδέες,
08:00
and we're production and marketing.
190
465000
2000
κι εμείς είμαστε η παραγωγή και το μάρκετινγκ.
08:02
We have to take all those ideas
191
467000
2000
Χρειάζεται να πάρουμε όλες αυτές τις ιδέες
08:04
that we learned when we were children
192
469000
2000
που μάθαμε όταν ήμασταν παιδιά
08:06
and actually put them to use.
193
471000
2000
και να τις χρησιμοποιήσουμε.
08:08
Another way of thinking about it
194
473000
2000
Ένας άλλος τρόπος σκέψης
08:10
is instead of thinking of babies and children
195
475000
2000
είναι αντί ν' αντιμετωπίζουμε τα μωρά και τα παιδιά
08:12
as being like defective grownups,
196
477000
2000
σαν ελαττωματικούς ενήλικες,
08:14
we should think about them
197
479000
2000
πρέπει να τ' αντιλαμβανόμαστε
08:16
as being a different developmental stage of the same species --
198
481000
2000
ως ένα διαφορετικό αναπτυξιακό στάδιο του ίδιου είδους --
08:18
kind of like caterpillars and butterflies --
199
483000
3000
όπως περίπου συμβαίνει με τις κάμπιες και τις πεταλούδες --
08:21
except that they're actually the brilliant butterflies
200
486000
2000
μόνο που εκείνα είναι οι έξυπνες πεταλούδες
08:23
who are flitting around the garden and exploring,
201
488000
3000
που ίπτανται μέσα στον κήπο κι εξερευνούν,
08:26
and we're the caterpillars
202
491000
2000
ενώ εμείς είμαστε οι κάμπιες
08:28
who are inching along our narrow, grownup, adult path.
203
493000
3000
που στριμώχνονται στο στενό ενήλικο μονοπάτι τους.
08:31
If this is true, if these babies are designed to learn --
204
496000
3000
Αν αυτό είναι αλήθεια, αν αυτά τα μωρά είναι φτιαγμένα για να μαθαίνουν --
08:34
and this evolutionary story would say children are for learning,
205
499000
3000
κι η ιστορία της εξέλιξης έλεγε πως τα παιδιά είναι για να μαθαίνουν -
08:37
that's what they're for --
206
502000
2000
πως υπάρχουν γι' αυτό --
08:39
we might expect
207
504000
2000
θα μπορούσαμε να περιμένουμε
08:41
that they would have really powerful learning mechanisms.
208
506000
2000
πως θα είχαν πολύ ισχυρούς μηχανισμούς εκμάθησης.
08:43
And in fact, the baby's brain
209
508000
3000
Πράγματι, ο εγκέφαλος των μωρών
08:46
seems to be the most powerful learning computer
210
511000
2000
φαίνεται να είναι ο πιο ισχυρός μαθησιακός υπολογιστής
08:48
on the planet.
211
513000
2000
στον πλανήτη.
08:50
But real computers are actually getting to be a lot better.
212
515000
3000
Όμως οι πραγματικοί υπολογιστές γίνονται πολύ καλύτεροι.
08:53
And there's been a revolution
213
518000
2000
Πρόσφατα, υπήρξε μια επανάσταση
08:55
in our understanding of machine learning recently.
214
520000
2000
στην κατανόηση της μηχανικής εκμάθησης.
08:57
And it all depends on the ideas of this guy,
215
522000
3000
Όλα προέρχονται από τις ιδέες αυτού του ανθρώπου,
09:00
the Reverend Thomas Bayes,
216
525000
2000
του Αιδεσιμότατου Τόμας Μπέις,
09:02
who was a statistician and mathematician in the 18th century.
217
527000
3000
που ήταν στατιστικολόγος και μαθηματικός του 18ου αιώνα.
09:05
And essentially what Bayes did
218
530000
3000
Στην ουσία, αυτό που έκανε ο Μπέις
09:08
was to provide a mathematical way
219
533000
2000
ήταν να παρέχει έναν μαθηματικό τρόπο
09:10
using probability theory
220
535000
2000
χρησιμοποιώντας τη θεωρία των πιθανοτήτων
09:12
to characterize, describe,
221
537000
2000
για να χαρακτηρίσει και να περιγράψει,
09:14
the way that scientists find out about the world.
222
539000
2000
τον τρόπο που οι επιστήμονες ερευνούν τον κόσμο.
09:16
So what scientists do
223
541000
2000
Αυτό που κάνουν οι επιστήμονες
09:18
is they have a hypothesis that they think might be likely to start with.
224
543000
3000
είναι να έχουν μια υπόθεση που νομίζουν ότι μπορεί ν' αποτελέσει σημείο εκκίνησης.
09:21
They go out and test it against the evidence.
225
546000
2000
Έπειτα τη δοκιμάζουν βάσει αποδείξεων.
09:23
The evidence makes them change that hypothesis.
226
548000
2000
Οι αποδείξεις τούς κάνουν ν' αλλάξουν την υπόθεση.
09:25
Then they test that new hypothesis
227
550000
2000
Έπειτα δοκιμάζουν τη νέα υπόθεση.
09:27
and so on and so forth.
228
552000
2000
Και ούτω καθεξής.
09:29
And what Bayes showed was a mathematical way that you could do that.
229
554000
3000
Αυτό που έδειξε ο Μπέϊς, ήταν ένας μαθηματικός τρόπος που θα μπορούσε να γίνει αυτό.
09:32
And that mathematics is at the core
230
557000
2000
Αυτά τα μαθηματικά είναι στον πυρήνα
09:34
of the best machine learning programs that we have now.
231
559000
2000
των καλύτερων προγραμμάτων μηχανικής εκμάθησης που έχουμε τώρα.
09:36
And some 10 years ago,
232
561000
2000
Δέκα χρόνια πριν,
09:38
I suggested that babies might be doing the same thing.
233
563000
4000
πρότεινα ότι τα μωρά μπορεί να κάνουν το ίδιο πράγμα.
09:42
So if you want to know what's going on
234
567000
2000
Αν λοιπόν θέλετε να μάθετε τι γίνεται
09:44
underneath those beautiful brown eyes,
235
569000
2000
πίσω απ' αυτά τα όμορφα καστανά μάτια,
09:46
I think it actually looks something like this.
236
571000
2000
νομίζω πως είναι κάπως έτσι.
09:48
This is Reverend Bayes's notebook.
237
573000
2000
Πρόκειται για το σημειωματάριο του Αιδεσιμότατου Μπέις.
09:50
So I think those babies are actually making complicated calculations
238
575000
3000
Πιστεύω λοιπόν πως αυτά τα μωρά κάνουν περίπλοκους υπολογισμούς
09:53
with conditional probabilities that they're revising
239
578000
3000
με όρους πιθανοτήτων τους οποίους αναθεωρούν
09:56
to figure out how the world works.
240
581000
2000
για να καταλάβουν πώς λειτουργεί ο κόσμος.
09:58
All right, now that might seem like an even taller order to actually demonstrate.
241
583000
4000
Αυτό μπορεί να φαίνεται ακόμη δυσκολότερο να παρουσιαστεί.
10:02
Because after all, if you ask even grownups about statistics,
242
587000
2000
Άλλωστε, ακόμη κι ενήλικες να ρωτήσεις για στατιστικά,
10:04
they look extremely stupid.
243
589000
2000
μοιάζουν εξαιρετικά κουτοί.
10:06
How could it be that children are doing statistics?
244
591000
3000
Πώς γίνεται τα παιδιά να κάνουν στατιστική;
10:09
So to test this we used a machine that we have
245
594000
2000
Για να το δοκιμάσουμε αυτό χρησιμοποιήσαμε μια μηχανή
10:11
called the Blicket Detector.
246
596000
2000
που λέγεται Ανιχνευτής Μπλίκετ.
10:13
This is a box that lights up and plays music
247
598000
2000
Είναι ένα κουτί που ανάβει λαμπάκια και παίζει μουσική
10:15
when you put some things on it and not others.
248
600000
3000
όταν τοποθετήσεις πάνω του κάποια πράγματα αντί για κάποια άλλα.
10:18
And using this very simple machine,
249
603000
2000
Χρησιμοποιώντας αυτήν την απλή μηχανή,
10:20
my lab and others have done dozens of studies
250
605000
2000
το εργαστήριό μου κι άλλα εργαστήρια, έχουμε κάνει δεκάδες μελέτες
10:22
showing just how good babies are
251
607000
2000
παρουσιάζοντας πόσο καλά είναι τα μωρά
10:24
at learning about the world.
252
609000
2000
στο να μαθαίνουν για τον κόσμο.
10:26
Let me mention just one
253
611000
2000
Επιτρέψτε μου ν' αναφέρω μόνο μια
10:28
that we did with Tumar Kushner, my student.
254
613000
2000
που κάναμε με τον μαθητή μου Τουμάρ Κούσνερ.
10:30
If I showed you this detector,
255
615000
2000
Εάν σας έδειχνα αυτόν τον ανιχνευτή,
10:32
you would be likely to think to begin with
256
617000
2000
πιθανότατα στην αρχή να σκεπτόσασταν
10:34
that the way to make the detector go
257
619000
2000
πως για να τον λειτουργήσετε
10:36
would be to put a block on top of the detector.
258
621000
3000
πρέπει να βάλετε ένα τουβλάκι στην κορυφή του.
10:39
But actually, this detector
259
624000
2000
Στην πραγματικότητα αυτός ο ανιχνευτής
10:41
works in a bit of a strange way.
260
626000
2000
λειτουργεί με κάπως περίεργο τρόπο.
10:43
Because if you wave a block over the top of the detector,
261
628000
3000
Εάν κουνήσετε ένα τουβλάκι από πάνω του,
10:46
something you wouldn't ever think of to begin with,
262
631000
3000
κάτι που δεν θα σκεφτόσασταν αρχικά,
10:49
the detector will actually activate two out of three times.
263
634000
3000
ο ανιχνευτής θα ενεργοποιείτο δύο στις τρεις φορές.
10:52
Whereas, if you do the likely thing, put the block on the detector,
264
637000
3000
Ενώ, εάν κάνατε το προφανές, να βάλετε ένα τουβλάκι πάνω στον ανιχνευτή,
10:55
it will only activate two out of six times.
265
640000
4000
θα ενεργοποιείτο μόνο, δύο στις έξι φορές.
10:59
So the unlikely hypothesis
266
644000
2000
Έτσι η απίθανη υπόθεση
11:01
actually has stronger evidence.
267
646000
2000
έχει ισχυρότερες αποδείξεις.
11:03
It looks as if the waving
268
648000
2000
Φαίνεται πως το κούνημα
11:05
is a more effective strategy than the other strategy.
269
650000
2000
είναι πιο αποτελεσματική στρατηγική, από την άλλη.
11:07
So we did just this; we gave four year-olds this pattern of evidence,
270
652000
3000
Κάναμε λοιπόν ακριβώς αυτό· δώσαμε σε ένα τετράχρονο αυτό το μοτίβο αποδείξεων,
11:10
and we just asked them to make it go.
271
655000
2000
και του ζητήσαμε απλά να το ενεργοποιήσει.
11:12
And sure enough, the four year-olds used the evidence
272
657000
3000
Είναι βέβαιο πως τα τετράχρονα χρησιμοποίησαν το στοιχείο του
11:15
to wave the object on top of the detector.
273
660000
3000
κουνήματος του αντικειμένου πάνω από τον ανιχνευτή.
11:18
Now there are two things that are really interesting about this.
274
663000
3000
Υπάρχουν δύο πράγματα που είναι ενδιαφέροντα γι' αυτό.
11:21
The first one is, again, remember, these are four year-olds.
275
666000
3000
Το πρώτο είναι, θυμηθείτε ξανά, αυτά είναι τετράχρονα.
11:24
They're just learning how to count.
276
669000
2000
Μόλις έχουν μάθει πώς να μετρούν.
11:26
But unconsciously,
277
671000
2000
Αλλά υποσυνείδητα,
11:28
they're doing these quite complicated calculations
278
673000
2000
κάνουν αυτούς τους περίπλοκους υπολογισμούς
11:30
that will give them a conditional probability measure.
279
675000
3000
που θα τους δώσουν το υπό όρους μέτρο των πιθανοτήτων.
11:33
And the other interesting thing
280
678000
2000
Το άλλο ενδιαφέρον στοιχείο
11:35
is that they're using that evidence
281
680000
2000
είναι πως χρησιμοποιούν τις αποδείξεις
11:37
to get to an idea, get to a hypothesis about the world,
282
682000
3000
για να πάρουν μια ιδέα, για να φτάσουν σε μια υπόθεση για τον κόσμο,
11:40
that seems very unlikely to begin with.
283
685000
3000
που μοιάζει στην αρχή σχεδόν απίθανη.
11:43
And in studies we've just been doing in my lab, similar studies,
284
688000
3000
Σε παρόμοιες μελέτες που κάναμε πρόσφατα στο εργαστήριό μου,
11:46
we've show that four year-olds are actually better
285
691000
2000
δείξαμε πως τα τετράχρονα είναι καλύτερα
11:48
at finding out an unlikely hypothesis
286
693000
3000
στο να βρίσκουν απίθανες υποθέσεις
11:51
than adults are when we give them exactly the same task.
287
696000
3000
απ' ό,τι οι ενήλικες, όταν τους δίνουμε ακριβώς την ίδια δοκιμασία.
11:54
So in these circumstances,
288
699000
2000
Σε αυτές τις συνθήκες,
11:56
the children are using statistics to find out about the world,
289
701000
3000
τα παιδιά χρησιμοποιούν τη στατιστική για να μάθουν τον κόσμο,
11:59
but after all, scientists also do experiments,
290
704000
3000
όμως κι οι επιστήμονες κάνουν πειράματα,
12:02
and we wanted to see if children are doing experiments.
291
707000
3000
και θέλαμε να δούμε αν και τα παιδιά πειραματίζονται.
12:05
When children do experiments we call it "getting into everything"
292
710000
3000
Όταν τα παιδιά κάνουν πειράματα λέμε πως «είναι μέσα σ' όλα»
12:08
or else "playing."
293
713000
2000
ή αλλιώς πως «παίζουν».
12:10
And there's been a bunch of interesting studies recently
294
715000
3000
Έγιναν πρόσφατα αρκετές ενδιαφέρουσες μελέτες
12:13
that have shown this playing around
295
718000
3000
που έδειξαν πως αυτό το παιχνίδι
12:16
is really a kind of experimental research program.
296
721000
2000
είναι στην πραγματικότητα ένα είδος πειραματικού ερευνητικού προγράμματος.
12:18
Here's one from Cristine Legare's lab.
297
723000
3000
Εδώ έχουμε μια απ' το εργαστήριο της Κριστίν Λε Γκαρ.
12:21
What Cristine did was use our Blicket Detectors.
298
726000
3000
Η Κριστίν χρησιμοποίησε τον Ανιχνευτή Μπλίκερ.
12:24
And what she did was show children
299
729000
2000
Έδειξε στα παιδιά
12:26
that yellow ones made it go and red ones didn't,
300
731000
2000
πως τα κίτρινα το ενεργοποιούσαν, ενώ τα κόκκινα όχι,
12:28
and then she showed them an anomaly.
301
733000
3000
κι έπειτα τους έδειξε μια ανωμαλία.
12:31
And what you'll see
302
736000
2000
Αυτό που θα δείτε
12:33
is that this little boy will go through five hypotheses
303
738000
3000
είναι πως αυτό το μικρό αγόρι θα περάσει από πέντε υποθέσεις
12:36
in the space of two minutes.
304
741000
3000
σε διάστημα δύο λεπτών.
12:39
(Video) Boy: How about this?
305
744000
3000
[Βίντεο]Αγόρι: Μήπως έτσι;
12:43
Same as the other side.
306
748000
3000
Όπως στην άλλη πλευρά.
12:46
Alison Gopnik: Okay, so his first hypothesis has just been falsified.
307
751000
4000
Άλισον Γκόπνικ: Η πρώτη του υπόθεση μόλις διαψεύστηκε.
12:55
(Laughter)
308
760000
2000
(Γέλια)
12:57
Boy: This one lighted up, and this one nothing.
309
762000
3000
Αγόρι: Αυτό άναψε, αλλά το άλλο, τίποτα.
13:00
AG: Okay, he's got his experimental notebook out.
310
765000
3000
Α.Γκ.: Χρησιμοποιεί τώρα το πειραματικό του σημειωματάριο.
13:06
Boy: What's making this light up.
311
771000
4000
Αγόρι: Τι το κάνει αυτό ν' ανάβει;
13:11
(Laughter)
312
776000
9000
(Γέλια)
13:20
I don't know.
313
785000
2000
Δεν ξέρω.
13:22
AG: Every scientist will recognize that expression of despair.
314
787000
4000
Α.Γκ.: Κάθε επιστήμονας θ' αναγνωρίσει αυτήν την έκφραση απελπισίας.
13:26
(Laughter)
315
791000
3000
(Γέλια)
13:29
Boy: Oh, it's because this needs to be like this,
316
794000
6000
Αγόρι: Α, είναι επειδή αυτό πρέπει να είναι έτσι,
13:35
and this needs to be like this.
317
800000
2000
κι αυτό πρέπει να είναι έτσι.
13:37
AG: Okay, hypothesis two.
318
802000
3000
Α.Γκ.:Δεύτερη υπόθεση.
13:40
Boy: That's why.
319
805000
2000
Αγόρι: Να γιατί.
13:42
Oh.
320
807000
2000
Ωω.
13:44
(Laughter)
321
809000
5000
(Γέλια)
13:49
AG: Now this is his next idea.
322
814000
2000
Α.Γκ.: Αυτή είναι η επόμενη ιδέα του.
13:51
He told the experimenter to do this,
323
816000
2000
Είπε στην ερευνήτρια να το κάνει αυτό,
13:53
to try putting it out onto the other location.
324
818000
4000
να προσπαθήσει να βάλει το ένα στη θέση του άλλου.
13:57
Not working either.
325
822000
2000
Δεν λειτουργεί ούτε αυτό.
14:02
Boy: Oh, because the light goes only to here,
326
827000
4000
Αγόρι: Α, επειδή το φως είναι μόνο εδώ,
14:06
not here.
327
831000
3000
κι όχι εδώ.
14:09
Oh, the bottom of this box
328
834000
3000
Α, ο πάτος αυτού του κουτιού
14:12
has electricity in here,
329
837000
2000
έχει ηλεκτρισμό εδώ μέσα,
14:14
but this doesn't have electricity.
330
839000
2000
ενώ αυτό δεν έχει ηλεκτρισμό.
14:16
AG: Okay, that's a fourth hypothesis.
331
841000
2000
Α.Γκ.: Αυτή είναι η τέταρτη υπόθεση.
14:18
Boy: It's lighting up.
332
843000
2000
Αγόρι: Άναψε.
14:20
So when you put four.
333
845000
5000
Άρα πρέπει να βάλεις τέσσερα.
14:26
So you put four on this one to make it light up
334
851000
3000
Βάζεις τέσσερα σ' αυτό για να το κάνεις ν' ανάψει
14:29
and two on this one to make it light up.
335
854000
2000
και δύο σ' αυτό για να το κάνεις ν' ανάψει.
14:31
AG: Okay,there's his fifth hypothesis.
336
856000
2000
Α.Γκ.: Να και η πέμπτη του υπόθεση.
14:33
Now that is a particularly --
337
858000
3000
Αυτό είναι ένα ιδιαίτερα -
14:36
that is a particularly adorable and articulate little boy,
338
861000
3000
αξιολάτρευτο και κατανοητό μικρό αγόρι,
14:39
but what Cristine discovered is this is actually quite typical.
339
864000
3000
αλλά αυτό που ανακάλυψε η Κριστίν είναι αρκετά συνηθισμένο.
14:42
If you look at the way children play, when you ask them to explain something,
340
867000
3000
Αν δείτε τον τρόπο που παίζουν τα παιδιά, όταν τα ρωτάς να εξηγήσουν κάτι,
14:45
what they really do is do a series of experiments.
341
870000
3000
αυτό που κάνουν είναι μια σειρά πειραμάτων.
14:48
This is actually pretty typical of four year-olds.
342
873000
3000
Αυτό είναι αρκετά συνηθισμένο στα τετράχρονα.
14:51
Well, what's it like to be this kind of creature?
343
876000
3000
Πώς είναι λοιπόν να είσαι ένα τέτοιο πλάσμα;
14:54
What's it like to be one of these brilliant butterflies
344
879000
3000
Πώς είναι να είσαι μια απ' αυτές τις έξυπνες πεταλούδες
14:57
who can test five hypotheses in two minutes?
345
882000
3000
που μπορούν να δοκιμάσουν πέντε υποθέσεις μέσα σε δύο λεπτά;
15:00
Well, if you go back to those psychologists and philosophers,
346
885000
3000
Αν γυρίσουμε στους ψυχολόγους και τους φιλόσοφους,
15:03
a lot of them have said
347
888000
2000
πολλοί απ' αυτούς έχουν πει
15:05
that babies and young children were barely conscious
348
890000
2000
πως τα μωρά και τα μικρά παιδιά έχουν ελάχιστη επίγνωση,
15:07
if they were conscious at all.
349
892000
2000
αν έχουν καθόλου.
15:09
And I think just the opposite is true.
350
894000
2000
Πιστεύω πως ισχύει το ακριβώς αντίθετο.
15:11
I think babies and children are actually more conscious than we are as adults.
351
896000
3000
Πιστεύω πως τα μωρά και τα παιδιά έχουν περισσότερη επίγνωση από εμάς τους ενήλικες.
15:14
Now here's what we know about how adult consciousness works.
352
899000
3000
Να τι ξέρουμε για τη λειτουργία της επίγνωσης στους ενήλικες:
15:17
And adults' attention and consciousness
353
902000
2000
Η προσοχή και η επίγνωση των ενηλίκων
15:19
look kind of like a spotlight.
354
904000
2000
είναι σαν τον προβολέα.
15:21
So what happens for adults
355
906000
2000
Αυτό που συμβαίνει με τους ενήλικες
15:23
is we decide that something's relevant or important,
356
908000
2000
είναι ότι αποφασίζουμε πως κάτι είναι σχετικό ή σημαντικό
15:25
we should pay attention to it.
357
910000
2000
και πως πρέπει να του δώσουμε προσοχή.
15:27
Our consciousness of that thing that we're attending to
358
912000
2000
Η επίγνωσή μας για το αντικείμενο που προσέχουμε
15:29
becomes extremely bright and vivid,
359
914000
3000
γίνεται εξαιρετικά φωτεινή και ζωντανή,
15:32
and everything else sort of goes dark.
360
917000
2000
και οτιδήποτε άλλο, σκοτεινιάζει κατά κάποιο τρόπο.
15:34
And we even know something about the way the brain does this.
361
919000
3000
Γνωρίζουμε μερικά πράγματα για τον τρόπο που ο εγκέφαλος το κάνει αυτό.
15:37
So what happens when we pay attention
362
922000
2000
Αυτό που συμβαίνει όταν προσέχουμε
15:39
is that the prefrontal cortex, the sort of executive part of our brains,
363
924000
3000
είναι πως ο προμετωπιαίος φλοιός, το εκτελεστικό κομμάτι του εγκεφάλου μας,
15:42
sends a signal
364
927000
2000
στέλνει ένα σήμα
15:44
that makes a little part of our brain much more flexible,
365
929000
2000
που κάνει ένα μικρό κομμάτι του εγκεφάλου μας, πολύ πιο ευέλικτο,
15:46
more plastic, better at learning,
366
931000
2000
πιο εύπλαστο, καλύτερο στην εκμάθηση,
15:48
and shuts down activity
367
933000
2000
και κλείνει τη δραστηριότητα
15:50
in all the rest of our brains.
368
935000
2000
σε όλον τον υπόλοιπο εγκέφαλο.
15:52
So we have a very focused, purpose-driven kind of attention.
369
937000
4000
Έτσι έχουμε μια εστιασμένη προσοχή που κατευθύνεται από το σκοπό.
15:56
If we look at babies and young children,
370
941000
2000
Αν κοιτάξουμε τα μωρά και τα μικρά παιδιά,
15:58
we see something very different.
371
943000
2000
βλέπουμε κάτι πολύ διαφορετικό.
16:00
I think babies and young children
372
945000
2000
Νομίζω πως τα μωρά και τα μικρά παιδιά,
16:02
seem to have more of a lantern of consciousness
373
947000
2000
φαίνεται να έχουν μάλλον ένα φανάρι επίγνωσης
16:04
than a spotlight of consciousness.
374
949000
2000
παρά έναν προβολέα.
16:06
So babies and young children are very bad
375
951000
3000
Τα μωρά και μικρά παιδιά δεν καταφέρνουν
16:09
at narrowing down to just one thing.
376
954000
3000
να εστιάσουν σ' ένα πράγμα.
16:12
But they're very good at taking in lots of information
377
957000
3000
Αλλά είναι πολύ καλά στην αφομοίωση πολλών πληροφοριών
16:15
from lots of different sources at once.
378
960000
2000
από πολλές διαφορετικές πηγές ταυτόχρονα.
16:17
And if you actually look in their brains,
379
962000
2000
Αν κοιτάξετε μέσα στον εγκέφαλό τους,
16:19
you see that they're flooded with these neurotransmitters
380
964000
3000
θα δείτε πως πλημμυρίζει απ' αυτούς τους νευροδιαβιβαστές
16:22
that are really good at inducing learning and plasticity,
381
967000
2000
που είναι πολύ καλοί στην πρόκληση μάθησης και ευελιξίας,
16:24
and the inhibitory parts haven't come on yet.
382
969000
3000
και τα ανασταλτικά μέρη δεν έχουν ενεργοποιηθεί ακόμα.
16:27
So when we say that babies and young children
383
972000
2000
Όταν λοιπόν λέμε πως τα μωρά και τα μικρά παιδιά
16:29
are bad at paying attention,
384
974000
2000
δεν ξέρουν να προσέχουν,
16:31
what we really mean is that they're bad at not paying attention.
385
976000
4000
αυτό που εννοούμε είναι πως δεν ξέρουν πώς να μην προσέχουν.
16:35
So they're bad at getting rid
386
980000
2000
Δεν μπορούν ν' απαλλαγούν
16:37
of all the interesting things that could tell them something
387
982000
2000
απ' όλα τα ενδιαφέροντα πράγματα που θα τους έλεγαν κάτι
16:39
and just looking at the thing that's important.
388
984000
2000
και να εστιάσουν σε αυτά που είναι σημαντικά.
16:41
That's the kind of attention, the kind of consciousness,
389
986000
3000
Αυτό είναι το είδος της προσοχής, το είδος της επίγνωσης,
16:44
that we might expect
390
989000
2000
που θα μπορούσαμε να περιμένουμε
16:46
from those butterflies who are designed to learn.
391
991000
2000
απ' αυτές τις πεταλούδες που σχεδιάστηκαν για να μαθαίνουν.
16:48
Well if we want to think about a way
392
993000
2000
Αν θέλουμε να σκεφτούμε κάποιον τρόπο
16:50
of getting a taste of that kind of baby consciousness as adults,
393
995000
4000
για να πάρουμε μια γεύση αυτής της μωρουδιακής επίγνωσης ως ενήλικες,
16:54
I think the best thing is think about cases
394
999000
2000
νομίζω το καλύτερο είναι να σκεφτούμε περιπτώσεις
16:56
where we're put in a new situation that we've never been in before --
395
1001000
3000
όπου βρεθήκαμε σε νέες καταστάσεις τις οποίες δεν είχαμε αντιμετωπίσει στο παρελθόν --
16:59
when we fall in love with someone new,
396
1004000
2000
όταν ερωτευόμαστε ένα νέο πρόσωπο,
17:01
or when we're in a new city for the first time.
397
1006000
3000
ή όταν είμαστε σε μια νέα πόλη για πρώτη φορά.
17:04
And what happens then is not that our consciousness contracts,
398
1009000
2000
Τότε, αυτό που συμβαίνει, δεν είναι πως η επίγνωσή μας συστέλλεται,
17:06
it expands,
399
1011000
2000
αλλά διαστέλλεται,
17:08
so that those three days in Paris
400
1013000
2000
έτσι ώστε εκείνες οι τρεις μέρες στο Παρίσι
17:10
seem to be more full of consciousness and experience
401
1015000
2000
να μοιάζουν πιο πλήρεις επίγνωσης και εμπειριών
17:12
than all the months of being
402
1017000
2000
απ' όλους τους μήνες που είμαστε
17:14
a walking, talking, faculty meeting-attending zombie back home.
403
1019000
4000
κινούμενα και ομιλούντα ζόμπι, πίσω στο σπίτι.
17:18
And by the way, that coffee,
404
1023000
2000
Παρεμπιπτόντως, εκείνος ο καφές,
17:20
that wonderful coffee you've been drinking downstairs,
405
1025000
2000
εκείνος ο υπέροχος καφές που πίνετε στο ισόγειο,
17:22
actually mimics the effect
406
1027000
2000
μιμείται το αποτέλεσμα
17:24
of those baby neurotransmitters.
407
1029000
2000
των μωρουδιακών νευροδιαβιβαστών.
17:26
So what's it like to be a baby?
408
1031000
2000
Πώς είναι λοιπόν να είσαι μωρό;
17:28
It's like being in love
409
1033000
2000
Είναι σαν να είσαι ερωτευμένος,
17:30
in Paris for the first time
410
1035000
2000
στο Παρίσι, για πρώτη φορά,
17:32
after you've had three double-espressos.
411
1037000
2000
αφού έχεις πιει τρεις διπλούς εσπρέσο.
17:34
(Laughter)
412
1039000
3000
(Γέλια)
17:37
That's a fantastic way to be,
413
1042000
2000
Είναι υπέροχο να είσαι έτσι,
17:39
but it does tend to leave you waking up crying at three o'clock in the morning.
414
1044000
4000
αλλά έχει την τάση να σε κάνει να ξυπνάς κλαίγοντας στις 3 το πρωί.
17:43
(Laughter)
415
1048000
3000
(Γέλια)
17:46
Now it's good to be a grownup.
416
1051000
2000
Είναι καλό να είσαι ενήλικας.
17:48
I don't want to say too much about how wonderful babies are.
417
1053000
2000
Δεν θέλω να πω πολλά για το πόσο υπέροχα είναι τα μωρά.
17:50
It's good to be a grownup.
418
1055000
2000
Είναι ωραίο να είσαι ενήλικας.
17:52
We can do things like tie our shoelaces and cross the street by ourselves.
419
1057000
3000
Μπορούμε να κάνουμε πράγματα όπως να δένουμε τα κορδόνια μας και να περνάμε μόνοι μας το δρόμο.
17:55
And it makes sense that we put a lot of effort
420
1060000
2000
Και είναι λογικό που προσπαθούμε τόσο πολύ
17:57
into making babies think like adults do.
421
1062000
4000
να κάνουμε τα μωρά να σκεφτούν όπως οι ενήλικες.
18:01
But if what we want is to be like those butterflies,
422
1066000
3000
Αλλά αν αυτό που θέλουμε, είναι να είμαστε σαν εκείνες τις πεταλούδες,
18:04
to have open-mindedness, open learning,
423
1069000
3000
να έχουμε ανοιχτό πνεύμα κι όρεξη για μάθηση,
18:07
imagination, creativity, innovation,
424
1072000
2000
φαντασία, δημιουργικότητα, καινοτομία,
18:09
maybe at least some of the time
425
1074000
2000
ίσως κάποιες φορές να πρέπει
18:11
we should be getting the adults
426
1076000
2000
να κάνουμε τους ενήλικες
18:13
to start thinking more like children.
427
1078000
2000
ν' αρχίσουν να σκέπτονται σαν τα παιδιά.
18:15
(Applause)
428
1080000
8000
(Χειρόκρότημα)
ABOUT THE SPEAKER
Alison Gopnik - Child development psychologistAlison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do.
Why you should listen
What’s it really like to see through the eyes of a child? Are babies and young children just empty, irrational vessels to be formed into little adults, until they become the perfect images of ourselves? On the contrary, argues Alison Gopnik, professor of psychology and philosophy at the University of California at Berkeley.
The author of The Philosophical Baby, The Scientist in the Crib and other influential books on cognitive development, Gopnik presents evidence that babies and children are conscious of far more than we give them credit for, as they engage every sense and spend every waking moment discovering, filing away, analyzing and acting on information about how the world works. Gopnik’s work draws on psychological, neuroscientific, and philosophical developments in child development research to understand how the human mind learns, how and why we love, our ability to innovate, as well as giving us a deeper appreciation for the role of parenthood.
She says: "What's it like to be a baby? Being in love in Paris for the first time after you've had 3 double espressos."
Alison Gopnik | Speaker | TED.com