ABOUT THE SPEAKER
Laura Schulz - Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn.

Why you should listen

MIT Early Childhood Cognition Lab lead investigator Laura Schulz studies learning in early childhood. Her research bridges computational models of cognitive development and behavioral studies in order to understand the origins of inquiry and discovery.

Working in play labs, children’s museums, and a recently-launched citizen science website, Schultz is reshaping how we view young children’s perceptions of the world around them. Some of the surprising results of her research: before the age of four, children expect hidden causes when events happen probabilistically, use simple experiments to distinguish causal hypotheses, and trade off learning from instruction and exploration.

More profile about the speaker
Laura Schulz | Speaker | TED.com
TED2015

Laura Schulz: The surprisingly logical minds of babies

Λόρα Σουλτς: Τα εκπληκτικά λογικά μυαλά των μωρών

Filmed:
1,888,975 views

Πώς τα μωρά μαθαίνουν τόσα πολλά από τόσα λίγα και τόσο γρήγορα; Σε μια διασκεδαστική ομιλία, γεμάτη με πειράματα, η γνωστική επιστήμων Λόρα Σουλτς μας δείχνει πώς τα μικρά παίρνουν αποφάσεις με μια εκπληκτικά έντονη αίσθηση της λογικής, πολύ πριν μπορέσουν να μιλήσουν.
- Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio

Double-click the English transcript below to play the video.

00:12
MarkMark TwainTWAIN summedαθροίσω up
what I take to be
0
835
2155
Ο Μαρκ Τουαίην έχει συνοψίσει
αυτό που θεωρώ
00:14
one of the fundamentalθεμελιώδης problemsπροβλήματα
of cognitiveγνωστική scienceεπιστήμη
1
2990
3120
ως ένα από τα θεμελιώδη προβλήματα
της γνωσιακής επιστήμης
00:18
with a singleμονόκλινο witticismευφυολόγημα.
2
6110
1710
σε ένα απλό ευφυολόγημα.
Είπε, «Η επιστήμη έχει κάτι συναρπαστικό.
00:20
He said, "There's something
fascinatingγοητευτικός about scienceεπιστήμη.
3
8410
3082
00:23
One getsπαίρνει suchτέτοιος wholesaleΧονδρική πώληση
returnsεπιστρέφει of conjectureεικασία
4
11492
3228
Μας αποφέρει χονδρικώς
τόσο μεγάλα κέρδη σε εικασίες
00:26
out of suchτέτοιος a triflingασήμαντα
investmentεπένδυση in factγεγονός."
5
14720
3204
από μια τόσο ευτελή επένδυση σε γεγονότα».
00:29
(LaughterΤο γέλιο)
6
17924
1585
(Γέλια)
00:32
TwainTWAIN meantσήμαινε it as a jokeαστείο,
of courseσειρά μαθημάτων, but he's right:
7
20199
2604
Ο Τουαίην φυσικά αστειευόταν
αλλά έχει δίκιο:
00:34
There's something
fascinatingγοητευτικός about scienceεπιστήμη.
8
22803
2876
Η επιστήμη έχει κάτι εκπληκτικό.
00:37
From a fewλίγοι bonesοστά, we inferσυμπεράνουμε
the existenceύπαρξη of dinosuarsdinosuars.
9
25679
4261
Από λίγα οστά συμπεραίνουμε
την ύπαρξη δεινοσαύρων.
00:42
From spectralΦασματική linesγραμμές,
the compositionσύνθεση of nebulaeνεφελώματα.
10
30910
3871
Από φασματικές γραμμές,
τη σύνθεση των νεφών.
00:47
From fruitκαρπός fliesμύγες,
11
35471
2938
Από τη δροσόφιλα μύγα,
00:50
the mechanismsμηχανισμούς of heredityκληρονομικότητα,
12
38409
2943
τους μηχανισμούς της κληρονομικότητας,
00:53
and from reconstructedανακατασκευάστηκε imagesεικόνες
of bloodαίμα flowingρεύση throughδιά μέσου the brainεγκέφαλος,
13
41352
4249
και από εικόνες της ροής του αίματος
μέσα στον εγκέφαλο,
00:57
or in my caseπερίπτωση, from the behaviorη ΣΥΜΠΕΡΙΦΟΡΑ
of very youngνεαρός childrenπαιδιά,
14
45601
4708
ή στην περίπτωσή μου,
από τη συμπεριφορά πολύ μικρών παιδιών,
01:02
we try to say something about
the fundamentalθεμελιώδης mechanismsμηχανισμούς
15
50309
2829
προσπαθούμε να πούμε κάτι
σχετικά με τους θεμελιώδεις μηχανισμούς
της ανθρώπινης νόησης.
01:05
of humanο άνθρωπος cognitionγνωστική λειτουργία.
16
53138
1618
01:07
In particularιδιαιτερος, in my labεργαστήριο in the DepartmentΤμήμα
of BrainΕγκεφάλου and CognitiveΓνωστική SciencesΕπιστήμες at MITMIT,
17
55716
4759
Ειδικότερα, στο εργαστήριό μου στο Τμήμα
Εγκεφάλου και Γνωσιακών Επιστημών του ΜΙΤ,
01:12
I have spentξόδεψε the pastτο παρελθόν decadeδεκαετία
tryingπροσπαθεί to understandκαταλαβαίνουν the mysteryμυστήριο
18
60475
3654
πέρασα την τελευταία δεκαετία
προσπαθώντας να κατανοήσω το μυστήριο
01:16
of how childrenπαιδιά learnμαθαίνω so much
from so little so quicklyγρήγορα.
19
64129
3977
του πώς τα παιδιά μαθαίνουν τόσα πολλά
από τόσο λίγα, και τόσο γρήγορα.
01:20
Because, it turnsστροφές out that
the fascinatingγοητευτικός thing about scienceεπιστήμη
20
68666
2978
Καθώς αποδεικνύεται
ότι το συναρπαστικό με την επιστήμη
όπως επίσης και με τα παιδιά,
01:23
is alsoεπίσης a fascinatingγοητευτικός
thing about childrenπαιδιά,
21
71644
3529
01:27
whichοι οποίες, to put a gentlerπιο ήπια
spinγνέθω on MarkMark TwainTWAIN,
22
75173
2581
για να παραφράσουμε ηπιότερα
τον Μαρκ Τουαίην,
01:29
is preciselyακριβώς theirδικα τους abilityικανότητα
to drawσχεδιάζω richπλούσιος, abstractαφηρημένη inferencesεξαγωγή συμπερασμάτων
23
77754
4650
είναι ακριβώς η ικανότητά τους
να βγάζουν αφαιρετικά πλήθος συμπερασμάτων
01:34
rapidlyταχέως and accuratelyμε ακρίβεια
from sparseαραιή, noisyθορυβώδης dataδεδομένα.
24
82404
4661
με ταχύτητα και ακρίβεια,
από τυχαία και αταξινόμητα δεδομένα.
01:40
I'm going to give you
just two examplesπαραδείγματα todayσήμερα.
25
88355
2398
Θα σας δώσω μόνο δύο παραδείγματα σήμερα.
01:42
One is about a problemπρόβλημα of generalizationγενίκευση,
26
90753
2287
Το ένα αφορά ένα πρόβλημα γενίκευσης
01:45
and the other is about a problemπρόβλημα
of causalαιτιώδης συνάφεια reasoningαιτιολογία.
27
93040
2850
και το άλλο αφορά ένα πρόβλημα
αιτιώδους συλλογισμού.
01:47
And althoughαν και I'm going to talk
about work in my labεργαστήριο,
28
95890
2525
Και παρόλο που θα μιλήσω
για δουλειά στο εργαστήριό μου,
01:50
this work is inspiredεμπνευσμένος by
and indebtedυπόχρεοι to a fieldπεδίο.
29
98415
3460
αυτή η δουλειά εμπνέεται
και οφείλεται σε ολόκληρο κλάδο.
01:53
I'm gratefulευγνώμων to mentorsμέντορες, colleaguesΣυνάδελφοι,
and collaboratorsσυνεργάτες around the worldκόσμος.
30
101875
4283
Χρωστώ ευγνωμοσύνη σε μέντορες,
συναδέλφους και συνεργάτες ανά τον κόσμο.
01:59
Let me startαρχή with the problemπρόβλημα
of generalizationγενίκευση.
31
107308
2974
Ας αρχίσω με το πρόβλημα της γενίκευσης.
02:02
GeneralizingΓενίκευση from smallμικρό samplesδείγματα of dataδεδομένα
is the breadψωμί and butterβούτυρο of scienceεπιστήμη.
32
110652
4133
Η γενίκευση από μικρά δείγματα δεδομένων
είναι καθημερινή πρακτική της επιστήμης.
02:06
We pollδημοσκόπηση a tinyμικροσκοπικός fractionκλάσμα of the electorateεκλογικό σώμα
33
114785
2554
Από δημοσκόπηση
σε μικρό τμήμα του εκλογικού σώματος
02:09
and we predictπρολέγω the outcomeαποτέλεσμα
of nationalεθνικός electionsεκλογές.
34
117339
2321
προβλέπουμε το αποτέλεσμα
των εθνικών εκλογών.
Βλέπουμε πώς αποκρίνεται δείγμα ασθενών
σε μια θεραπεία σε κλινική δοκιμή,
02:12
We see how a handfulχούφτα of patientsασθενείς
respondsανταποκρίνεται to treatmentθεραπεία in a clinicalκλινικός trialδίκη,
35
120240
3925
02:16
and we bringνα φερεις drugsφάρμακα to a nationalεθνικός marketαγορά.
36
124165
3065
και βγάζουμε τα φάρμακα στην εθνική αγορά.
02:19
But this only worksεργοστάσιο if our sampleδείγμα
is randomlyτυχαία drawnσυρθεί from the populationπληθυσμός.
37
127230
4365
Αλλά αυτό έχει αποτέλεσμα μόνο με δείγμα
τυχαία επιλεγμένο από τον πληθυσμό.
02:23
If our sampleδείγμα is cherry-pickedεπίλεκτους
in some way --
38
131595
2735
Αν το δείγμα μας είναι επιλεγμένο
με κάποιο κριτήριο -
02:26
say, we pollδημοσκόπηση only urbanαστικός votersΟι ψηφοφόροι,
39
134330
2072
ας πούμε, μόνο εκλογείς
από αστικές περιοχές,
02:28
or say, in our clinicalκλινικός trialsδοκιμές
for treatmentsθεραπείες for heartκαρδιά diseaseασθένεια,
40
136402
4388
ή, στις κλινικές δοκιμές
για τη θεραπεία καρδιακών νόσων,
02:32
we includeπεριλαμβάνω only menάνδρες --
41
140790
1881
να συμπεριλάβουμε μόνο άνδρες -
02:34
the resultsΑποτελέσματα mayενδέχεται not generalizeγενικεύω
to the broaderευρύτερη populationπληθυσμός.
42
142671
3158
τα αποτελέσματα δεν θα είναι γενικεύσεις
για τον ευρύτερο πληθυσμό.
02:38
So scientistsΕπιστήμονες careΦροντίδα whetherκατά πόσο evidenceαπόδειξη
is randomlyτυχαία sampledδειγματοληψία or not,
43
146479
3581
Οι επιστήμονες νοιάζονται αν οι ενδείξεις
προέρχονται από τυχαίο δείγμα ή όχι,
02:42
but what does that have to do with babiesμωρά?
44
150060
2015
αλλά τι σχέση έχει αυτό με τα μωρά;
02:44
Well, babiesμωρά have to generalizeγενικεύω
from smallμικρό samplesδείγματα of dataδεδομένα all the time.
45
152585
4621
Τα μωρά χρειάζεται να γενικεύουν
από μικρά δείγματα δεδομένων συνεχώς.
02:49
They see a fewλίγοι rubberκαουτσούκ ducksπάπιες
and learnμαθαίνω that they floatΦλοτέρ,
46
157206
3158
Βλέπουν μερικά λαστιχένια παπάκια
και μαθαίνουν ότι επιπλέουν,
02:52
or a fewλίγοι ballsαρχίδια and learnμαθαίνω that they bounceαναπήδηση.
47
160364
3575
ή μερικές μπάλες
και μαθαίνουν ότι αναπηδούν.
02:55
And they developαναπτύσσω expectationsπροσδοκίες
about ducksπάπιες and ballsαρχίδια
48
163939
2951
Και εξελίσσουν προσδοκίες
σχετικά με τα παπάκια και τις μπάλες
02:58
that they're going to extendεπεκτείνω
to rubberκαουτσούκ ducksπάπιες and ballsαρχίδια
49
166890
2716
που θα επεκτείνουν σε παπάκια και μπάλες
03:01
for the restυπόλοιπο of theirδικα τους livesζωή.
50
169606
1879
για το υπόλοιπο της ζωής τους.
03:03
And the kindsείδη of generalizationsγενικεύσεις
babiesμωρά have to make about ducksπάπιες and ballsαρχίδια
51
171485
3739
Και το είδος των γενικεύσεων που κάνουν
τα μωρά για τα παπάκια και τις μπάλες
03:07
they have to make about almostσχεδόν everything:
52
175224
2089
το κάνουν για σχεδόν τα πάντα:
03:09
shoesπαπούτσια and shipsπλοία and sealingσφράγιση waxκερί
and cabbagesλάχανα and kingsβασιλιάδες.
53
177313
3917
για τα παπούτσια, τα πλοία, το βουλοκέρι,
τα λάχανα και τους βασιλιάδες.
Νοιάζονται λοιπόν τα παιδιά
εάν οι ελάχιστες ενδείξεις που βλέπουν
03:14
So do babiesμωρά careΦροντίδα whetherκατά πόσο
the tinyμικροσκοπικός bitκομμάτι of evidenceαπόδειξη they see
54
182200
2961
03:17
is plausiblyαληθοφανώς representativeεκπρόσωπος
of a largerμεγαλύτερος populationπληθυσμός?
55
185161
3692
είναι εμφανώς αντιπροσωπευτικά
ενός ευρύτερου πλήθους;
03:21
Let's find out.
56
189763
1900
Ας το ανακαλύψουμε.
03:23
I'm going to showπροβολή you two moviesκινηματογράφος,
57
191663
1723
Θα σας δείξω δύο ταινίες,
03:25
one from eachκαθε of two conditionsσυνθήκες
of an experimentπείραμα,
58
193386
2462
μία από κάθε περίπτωση ενός πειράματος,
03:27
and because you're going to see
just two moviesκινηματογράφος,
59
195848
2438
και επειδή θα δείτε μόνο δύο ταινίες,
03:30
you're going to see just two babiesμωρά,
60
198286
2136
θα δείτε μόνο δύο μωρά,
03:32
and any two babiesμωρά differδιαφέρω from eachκαθε other
in innumerableαναρίθμητες waysτρόπους.
61
200422
3947
και κάθε ζευγάρι μωρών διαφέρει
από άλλα με αμέτρητους τρόπους.
03:36
But these babiesμωρά, of courseσειρά μαθημάτων,
here standστάση in for groupsομάδες of babiesμωρά,
62
204369
3051
Φυσικά όμως αυτά εδώ τα μωρά
εκπροσωπούν ομάδες μωρών,
03:39
and the differencesδιαφορές you're going to see
63
207420
1895
και οι διαφορές που θα δείτε
03:41
representεκπροσωπώ averageμέση τιμή groupομάδα differencesδιαφορές
in babies'Μωρουδιακά behaviorη ΣΥΜΠΕΡΙΦΟΡΑ acrossαπέναντι conditionsσυνθήκες.
64
209315
5195
αντιπροσωπεύουν μέσες διαφορές ομάδας
στη συμπεριφορά των μωρών ανά κατάσταση.
03:47
In eachκαθε movieταινία, you're going to see
a babyμωρό doing maybe
65
215160
2583
Σε κάθε ταινία θα δείτε ένα μωρό να κάνει
03:49
just exactlyακριβώς what you mightθα μπορούσε
expectαναμένω a babyμωρό to do,
66
217743
3460
ακριβώς ό,τι θα περιμένατε
να κάνει κάθε μωρό,
03:53
and we can hardlyμετά βίας make babiesμωρά
more magicalμαγικός than they alreadyήδη are.
67
221203
4017
και είναι δύσκολο να κάνουμε τα μωρά
πιο μαγευτικά απ' όσο ήδη είναι.
03:58
But to my mindμυαλό the magicalμαγικός thing,
68
226090
2010
Αλλά στο μυαλό μου το μαγευτικό,
04:00
and what I want you to payπληρωμή attentionπροσοχή to,
69
228100
2089
και αυτό που θέλω να προσέξετε,
04:02
is the contrastαντίθεση betweenμεταξύ
these two conditionsσυνθήκες,
70
230189
3111
είναι η αντίθεση ανάμεσα
στις δύο αυτές περιπτώσεις,
04:05
because the only thing
that differsδιαφέρει betweenμεταξύ these two moviesκινηματογράφος
71
233300
3529
επειδή η μόνη διαφορά
μεταξύ αυτών των δύο ταινιών
04:08
is the statisticalστατιστικός evidenceαπόδειξη
the babiesμωρά are going to observeπαρατηρούν.
72
236829
3466
είναι οι στατιστικές ενδείξεις
που θα εντοπίσουν τα μωρά.
04:13
We're going to showπροβολή babiesμωρά
a boxκουτί of blueμπλε and yellowκίτρινος ballsαρχίδια,
73
241425
3183
Θα δείξουμε στα μωρά ένα κουτί
με μπλε και κίτρινα μπαλάκια,
04:16
and my then-graduateτότε-απόφοιτος studentμαθητης σχολειου,
now colleagueσυνάδελφος at StanfordΠανεπιστήμιο του Στάνφορντ, HyowonHyowon GweonGweon,
74
244608
4620
κι η τότε μεταπτυχιακή φοιτήτρια, και νυν
συνάδελφος στο Στάνφορντ, Γιόγουαν Γκουάν,
04:21
is going to pullΤραβήξτε threeτρία blueμπλε ballsαρχίδια
in a rowσειρά out of this boxκουτί,
75
249228
3077
θα πάρει με τη σειρά
τρία μπλε μπαλάκια από το κουτί
04:24
and when she pullsτραβάει those ballsαρχίδια out,
she's going to squeezeσφίξιμο them,
76
252305
3123
και καθώς θα τα παίρνει, θα τα ζουλάει,
04:27
and the ballsαρχίδια are going to squeakτρίξιμο.
77
255428
2113
και τα μπαλάκια θα τσιρίζουν.
04:29
And if you're a babyμωρό,
that's like a TEDTED Talk.
78
257541
2763
Κι αν είστε μωρό,
αυτό είναι σαν ομιλία στο TED.
04:32
It doesn't get better than that.
79
260304
1904
Δεν υπάρχει καλύτερο από αυτό.
04:34
(LaughterΤο γέλιο)
80
262208
2561
(Γέλια)
Αλλά σημαντικό είναι πως είναι πανεύκολο
να τραβήξετε τρία μπλε μπαλάκια στη σειρά
04:38
But the importantσπουδαίος pointσημείο is it's really
easyεύκολος to pullΤραβήξτε threeτρία blueμπλε ballsαρχίδια in a rowσειρά
81
266968
3659
04:42
out of a boxκουτί of mostlyως επί το πλείστον blueμπλε ballsαρχίδια.
82
270627
2305
από ένα κουτί με κυρίως μπλε μπαλάκια.
04:44
You could do that with your eyesμάτια closedκλειστό.
83
272932
2060
Θα το κάνατε και με τα μάτια κλειστά.
04:46
It's plausiblyαληθοφανώς a randomτυχαίος sampleδείγμα
from this populationπληθυσμός.
84
274992
2996
Είναι ένα δεόντως τυχαίο δείγμα
από αυτό το πλήθος.
04:49
And if you can reachφθάνω into a boxκουτί at randomτυχαίος
and pullΤραβήξτε out things that squeakτρίξιμο,
85
277988
3732
Και αν βάζεις το χέρι στο κουτί
και τυχαία βγάζεις πράγματα που τσιρίζουν,
04:53
then maybe everything in the boxκουτί squeaksτσιμπήματα.
86
281720
2839
τότε μάλλον όλα μέσα στο κουτί τσιρίζουν.
04:56
So maybe babiesμωρά should expectαναμένω
those yellowκίτρινος ballsαρχίδια to squeakτρίξιμο as well.
87
284559
3650
Έτσι τα μωρά θα περιμένουν
να τσιρίζουν και τα κίτρινα μπαλάκια.
05:00
Now, those yellowκίτρινος ballsαρχίδια
have funnyαστείος sticksμπαστούνια on the endτέλος,
88
288209
2519
Τα κίτρινα μπαλάκια όμως
έχουν ένα ξυλάκι στην άκρη,
05:02
so babiesμωρά could do other things
with them if they wanted to.
89
290728
2857
έτσι τα μωρά θα μπορούσαν
να κάνουν και άλλα πράγματα αν ήθελαν,
05:05
They could poundλίβρα them or whackηχηρό κτύπημα them.
90
293585
1831
όπως να τα χτυπάνε ή να το κοπανάνε.
05:07
But let's see what the babyμωρό does.
91
295416
2586
Αλλά ας δούμε τι κάνει το μωρό.
05:12
(VideoΒίντεο) HyowonHyowon GweonGweon: See this?
(BallΜπάλα squeaksτσιμπήματα)
92
300548
3343
(Βίντεο) Γιόγουαν Γκουάν: Το βλέπεις;
(Το μπαλάκι τσιρίζει)
05:16
Did you see that?
(BallΜπάλα squeaksτσιμπήματα)
93
304531
3045
Το είδες αυτό;
(Το μπαλάκι τσιρίζει)
05:20
CoolΔροσερό.
94
308036
3066
Ωραίο!
05:24
See this one?
95
312706
1950
Βλέπεις αυτό;
05:26
(BallΜπάλα squeaksτσιμπήματα)
96
314656
1881
(Το μπαλάκι τσιρίζει)
05:28
WowWow.
97
316537
2653
Ουάου!
05:33
LauraLaura SchulzSchulz: Told you. (LaughsΓέλια)
98
321854
2113
Λόρα Σουλτς: Σας το είπα.
(Γελάει)
05:35
(VideoΒίντεο) HGHG: See this one?
(BallΜπάλα squeaksτσιμπήματα)
99
323967
4031
(Βίντεο) ΓΓ: Το βλέπεις;
(Το μπαλάκι τσιρίζει)
05:39
Hey ClaraΚλάρα, this one'sκάποιου for you.
You can go aheadεμπρός and playπαίζω.
100
327998
4619
Κλάρα, αυτό είναι για σένα.
Πάρτο και παίξε.
05:51
(LaughterΤο γέλιο)
101
339854
4365
(Γέλια)
05:56
LSLS: I don't even have to talk, right?
102
344219
2995
ΛΣ: Δεν χρειάζεται καν να μιλήσω, σωστά;
05:59
All right, it's niceόμορφη that babiesμωρά
will generalizeγενικεύω propertiesιδιότητες
103
347214
2899
Εντάξει, είναι καλό που τα μωρά
γενικεύουν τις ιδιότητες
στα μπλε και τα κίτρινα μπαλάκια,
06:02
of blueμπλε ballsαρχίδια to yellowκίτρινος ballsαρχίδια,
104
350113
1528
06:03
and it's impressiveΕΝΤΥΠΩΣΙΑΚΟ that babiesμωρά
can learnμαθαίνω from imitatingμιμείται us,
105
351641
3096
και είναι εντυπωσιακό που τα μωρά
μαθαίνουν μιμούμενα εμάς,
06:06
but we'veέχουμε knownγνωστός those things about babiesμωρά
for a very long time.
106
354737
3669
αλλά τα ξέραμε αυτά για τα μωρά
εδώ και πάρα πολύ καιρό.
06:10
The really interestingενδιαφέρων questionερώτηση
107
358406
1811
Το πραγματικά ενδιαφέρον ερώτημα
είναι τι θα συμβεί αν δείξουμε στα μωρά
ακριβώς το ίδιο πράγμα,
06:12
is what happensσυμβαίνει when we showπροβολή babiesμωρά
exactlyακριβώς the sameίδιο thing,
108
360217
2852
06:15
and we can ensureεξασφαλίζω it's exactlyακριβώς the sameίδιο
because we have a secretμυστικό compartmentδιαμέρισμα
109
363069
3611
κι εξασφαλίζουμε ότι είναι ακριβώς το ίδιο
επειδή υπάρχει ένα μυστικό διαμέρισμα
και βγάζουμε τα μπαλάκια από εκεί
06:18
and we actuallyπράγματι pullΤραβήξτε the ballsαρχίδια from there,
110
366680
2110
06:20
but this time, all we changeαλλαγή
is the apparentπροκύπτει populationπληθυσμός
111
368790
3478
αλλά αυτή τη φορά
αλλάζουμε μόνο το εμφανές πλήθος
06:24
from whichοι οποίες that evidenceαπόδειξη was drawnσυρθεί.
112
372268
2902
απ' όπου πήραμε τις ενδείξεις.
06:27
This time, we're going to showπροβολή babiesμωρά
threeτρία blueμπλε ballsαρχίδια
113
375170
3553
Τώρα θα δείξουμε στα μωρά
τρία μπλε μπαλάκια
06:30
pulledτράβηξε out of a boxκουτί
of mostlyως επί το πλείστον yellowκίτρινος ballsαρχίδια,
114
378723
3384
που παίρνουμε από ένα κουτί
με κυρίως κίτρινα μπαλάκια,
και μαντέψτε τι γίνεται;
06:34
and guessεικασία what?
115
382107
1322
06:35
You [probablyπιθανώς won'tσυνηθισμένος] randomlyτυχαία drawσχεδιάζω
threeτρία blueμπλε ballsαρχίδια in a rowσειρά
116
383429
2840
Μάλλον δεν θα τραβήξετε τυχαία
τρία μπλε μπαλάκια στη σειρά
06:38
out of a boxκουτί of mostlyως επί το πλείστον yellowκίτρινος ballsαρχίδια.
117
386269
2484
από ένα κουτί με κυρίως κίτρινα μπαλάκια.
06:40
That is not plausiblyαληθοφανώς
randomlyτυχαία sampledδειγματοληψία evidenceαπόδειξη.
118
388753
3747
Αυτές δεν είναι ενδείξεις
από δεόντως τυχαίο δείγμα.
06:44
That evidenceαπόδειξη suggestsπροτείνει that maybe HyowonHyowon
was deliberatelyεπίτηδες samplingδειγματοληψία the blueμπλε ballsαρχίδια.
119
392500
5123
Αυτές οι ενδείξεις δείχνουν ότι η Γιόγουαν
μάλλον επίτηδες επέλεγε μπλε μπαλάκια.
06:49
Maybe there's something specialειδικός
about the blueμπλε ballsαρχίδια.
120
397623
2583
Ίσως τα μπλε μπαλάκια είναι ιδιαίτερα.
06:52
Maybe only the blueμπλε ballsαρχίδια squeakτρίξιμο.
121
400846
2976
Ίσως μόνο τα μπλε μπαλάκια τσιρίζουν.
06:55
Let's see what the babyμωρό does.
122
403822
1895
Να δούμε τι κάνει το μωρό.
06:57
(VideoΒίντεο) HGHG: See this?
(BallΜπάλα squeaksτσιμπήματα)
123
405717
2904
(Βίντεο) ΓΓ: Το βλέπεις αυτό;
(Το μπαλάκι τσιρίζει)
07:02
See this toyπαιχνίδι?
(BallΜπάλα squeaksτσιμπήματα)
124
410851
2645
Βλέπεις αυτό το παιχνίδι;
(Το μπαλάκι τσιρίζει)
07:05
Oh, that was coolδροσερός. See?
(BallΜπάλα squeaksτσιμπήματα)
125
413496
5480
Ωραίο δεν είναι; Δες.
(Το μπαλάκι τσιρίζει)
07:10
Now this one'sκάποιου for you to playπαίζω.
You can go aheadεμπρός and playπαίζω.
126
418976
4394
Αυτό εδώ είναι για να παίξεις εσύ.
Μπορείς να παίξεις.
07:18
(FussingΚλάμα)
(LaughterΤο γέλιο)
127
426074
6347
(Γκρίνια)
(Γέλια)
07:26
LSLS: So you just saw
two 15-month-old-μήνας-παλαιό babiesμωρά
128
434901
2748
ΛΣ: Μόλις είδατε δύο μωρά ηλικίας 15 μηνών
07:29
do entirelyεξ ολοκλήρου differentδιαφορετικός things
129
437649
1942
να κάνουν εντελώς διαφορετικά πράγματα
07:31
basedμε βάση only on the probabilityπιθανότητα
of the sampleδείγμα they observedπαρατηρηθεί.
130
439591
3599
βασιζόμενα μόνο στην πιθανότητα
του δείγματος που παρατήρησαν.
07:35
Let me showπροβολή you the experimentalπειραματικός resultsΑποτελέσματα.
131
443190
2321
Ας σας δείξω τα επιστημονικά αποτελέσματα.
07:37
On the verticalκατακόρυφος axisάξονας, you'llθα το κάνετε see
the percentageποσοστό of babiesμωρά
132
445511
2764
Στον κάθετο άξονα
θα δείτε το ποσοστό των μωρών
07:40
who squeezedπιέζονται the ballμπάλα in eachκαθε conditionκατάσταση,
133
448275
2530
που ζούληξαν το μπαλάκι σε κάθε περίπτωση,
07:42
and as you'llθα το κάνετε see, babiesμωρά are much
more likelyπιθανός to generalizeγενικεύω the evidenceαπόδειξη
134
450805
3715
κι όπως θα δείτε, είναι πολύ πιθανότερο
τα μωρά να γενικεύσουν τα αποτελέσματα
07:46
when it's plausiblyαληθοφανώς representativeεκπρόσωπος
of the populationπληθυσμός
135
454520
3135
αν είναι εύλογα
αντιπροσωπευτικά του πλήθους,
07:49
than when the evidenceαπόδειξη
is clearlyσαφώς cherry-pickedεπίλεκτους.
136
457655
3738
από όταν οι ενδείξεις είναι σαφές
πως είναι ειδικά επιλεγμένες.
07:53
And this leadsοδηγεί to a funδιασκέδαση predictionπροφητεία:
137
461393
2415
Κι αυτό μας οδηγεί σε μια αστεία πρόβλεψη:
07:55
SupposeΑς υποθέσουμε ότι you pulledτράβηξε just one blueμπλε ballμπάλα
out of the mostlyως επί το πλείστον yellowκίτρινος boxκουτί.
138
463808
4868
Ας υποθέσουμε ότι παίρνατε μόνο ένα μπλε
μπαλάκι από ένα κυρίως κίτρινο κουτί.
Μάλλον δεν θα τραβούσατε τυχαία τρία μπλε
μπαλάκια στη σειρά από ένα κίτρινο κουτί,
08:00
You [probablyπιθανώς won'tσυνηθισμένος] pullΤραβήξτε threeτρία blueμπλε ballsαρχίδια
in a rowσειρά at randomτυχαίος out of a yellowκίτρινος boxκουτί,
139
468896
3869
08:04
but you could randomlyτυχαία sampleδείγμα
just one blueμπλε ballμπάλα.
140
472765
2455
αλλά τραβούσατε τυχαία
μόνο ένα μπλε μπαλάκι.
08:07
That's not an improbableαπίθανο sampleδείγμα.
141
475220
1970
Αυτό δεν είναι απίθανο δείγμα.
08:09
And if you could reachφθάνω into
a boxκουτί at randomτυχαίος
142
477190
2224
Και αν βάζατε το χέρι τυχαία σε ένα κουτί
08:11
and pullΤραβήξτε out something that squeaksτσιμπήματα,
maybe everything in the boxκουτί squeaksτσιμπήματα.
143
479414
3987
και τραβούσαμε κάτι που τσιρίζει,
μάλλον όλα μέσα στο κουτί τσιρίζουν.
08:15
So even thoughαν και babiesμωρά are going to see
much lessπιο λιγο evidenceαπόδειξη for squeakingσπάζοντας,
144
483875
4445
Έτσι, αν και τα μωρά θα έχουν
λιγότερες ενδείξεις για το τσίριγμα,
08:20
and have manyΠολλά fewerλιγότεροι actionsΕνέργειες to imitateμιμούμαι
145
488320
2242
και πολύ λιγότερες πράξεις να μιμηθούν,
08:22
in this one ballμπάλα conditionκατάσταση than in
the conditionκατάσταση you just saw,
146
490562
3343
στην περίπτωση με το ένα μπαλάκι
απ' ό,τι στην περίπτωση που μόλις είδατε,
08:25
we predictedπροβλεπόταν that babiesμωρά themselvesτους εαυτούς τους
would squeezeσφίξιμο more,
147
493905
3892
προβλέψαμε ότι τα ίδια τα μωρά
θα ζουλούσαν περισσότερο,
08:29
and that's exactlyακριβώς what we foundβρέθηκαν.
148
497797
2894
και ακριβώς αυτό ανακαλύψαμε.
08:32
So 15-month-old-μήνας-παλαιό babiesμωρά,
in this respectΣεβασμός, like scientistsΕπιστήμονες,
149
500691
4411
Έτσι τα 15μηνα μωρά, κατ' αυτή την έννοια,
όπως οι επιστήμονες
νοιάζονται αν τα ενδεικτικά στοιχεία
είναι τυχαία επιλεγμένα ή όχι
08:37
careΦροντίδα whetherκατά πόσο evidenceαπόδειξη
is randomlyτυχαία sampledδειγματοληψία or not,
150
505102
3088
08:40
and they use this to developαναπτύσσω
expectationsπροσδοκίες about the worldκόσμος:
151
508190
3507
και από αυτά εξελίσσουν
προσδοκίες σχετικά με τον κόσμο:
τι τσιρίζει και τι όχι,
08:43
what squeaksτσιμπήματα and what doesn't,
152
511697
2182
08:45
what to exploreεξερευνώ and what to ignoreαγνοώ.
153
513879
3145
τι να εξερευνήσουν και τι να αγνοήσουν.
08:50
Let me showπροβολή you anotherαλλο exampleπαράδειγμα now,
154
518384
2066
Να σας δείξω άλλο ένα παράδειγμα,
08:52
this time about a problemπρόβλημα
of causalαιτιώδης συνάφεια reasoningαιτιολογία.
155
520450
2730
αυτή τη φορά με ένα πρόβλημα
αιτιώδους συλλογισμού.
Και αρχίζει με ένα πρόβλημα
της μπερδεμένης ένδειξης
08:55
And it startsξεκινά with a problemπρόβλημα
of confoundedκατέρριψε evidenceαπόδειξη
156
523180
2439
08:57
that all of us have,
157
525619
1672
που όλοι μας έχουμε,
08:59
whichοι οποίες is that we are partμέρος of the worldκόσμος.
158
527291
2020
ότι είμαστε μέρος αυτού του κόσμου.
09:01
And this mightθα μπορούσε not seemφαίνομαι like a problemπρόβλημα
to you, but like mostπλέον problemsπροβλήματα,
159
529311
3436
Μπορεί να μην το θεωρείτε πρόβλημα,
αλλά όπως τα περισσότερα προβλήματα,
09:04
it's only a problemπρόβλημα when things go wrongλανθασμένος.
160
532747
2337
είναι πρόβλημα μόνο αν κάτι πάει στραβά.
09:07
Take this babyμωρό, for instanceπαράδειγμα.
161
535464
1811
Πάρτε αυτό το μωρό για παράδειγμα.
09:09
Things are going wrongλανθασμένος for him.
162
537275
1705
Κάτι του πάει στραβά.
09:10
He would like to make
this toyπαιχνίδι go, and he can't.
163
538980
2271
Δεν μπορεί να κάνει
το παιχνίδι να δουλέψει.
09:13
I'll showπροβολή you a few-secondμερικά δευτερόλεπτα clipσυνδετήρας.
164
541251
2529
Θα σας δείξω ένα βιντεοκλιπ
λίγων δευτερολέπτων.
09:21
And there's two possibilitiesδυνατότητες, broadlyσε γενικές γραμμές:
165
549340
1920
Και υπάρχουν δύο πιθανότητες, γενικά:
09:23
Maybe he's doing something wrongλανθασμένος,
166
551260
2634
Ίσως το ίδιο κάνει κάτι λάθος,
09:25
or maybe there's something
wrongλανθασμένος with the toyπαιχνίδι.
167
553894
4216
ή μπορεί να έχει χαλάσει το παιχνίδι.
09:30
So in this nextεπόμενος experimentπείραμα,
168
558110
2111
Στο επόμενο πείραμα
09:32
we're going to give babiesμωρά
just a tinyμικροσκοπικός bitκομμάτι of statisticalστατιστικός dataδεδομένα
169
560221
3297
θα δώσουμε στα μωρά
λίγα στατιστικά δεδομένα
09:35
supportingυποστήριξη one hypothesisυπόθεση over the other,
170
563518
2582
που θα στηρίζουν τη μια υπόθεση ή την άλλη
και θα δούμε αν τα μωρά
μπορούν να τα χρησιμοποιήσουν
09:38
and we're going to see if babiesμωρά
can use that to make differentδιαφορετικός decisionsαποφάσεων
171
566100
3455
για να πάρουν διαφορετικές αποφάσεις
για το τι να κάνουν.
09:41
about what to do.
172
569555
1834
09:43
Here'sΕδώ είναι the setupεγκατάστασης (Setup).
173
571389
2022
Να το σχέδιο.
09:46
HyowonHyowon is going to try to make
the toyπαιχνίδι go and succeedπετυχαίνω.
174
574071
3030
Η Γιογουάν θα καταφέρει
να βάλει το παιχνίδι σε λειτουργία.
09:49
I am then going to try twiceεις διπλούν
and failαποτυγχάνω bothκαι τα δυο timesφορές,
175
577101
3320
Μετά θα προσπαθήσω εγώ δύο φορές
και θα αποτύχω και τις δύο,
09:52
and then HyowonHyowon is going
to try again and succeedπετυχαίνω,
176
580421
3112
και μετά η Γιογουάν θα προσπαθήσει ξανά
και θα τα καταφέρει.
Και αυτό γενικά συνοψίζει τη σχέση μου
με τους μεταπτυχιακούς μου φοιτητές
09:55
and this roughlyχονδρικά sumsποσά up my relationshipσχέση
to my graduateαποφοιτώ studentsΦοιτητές
177
583533
3172
09:58
in technologyτεχνολογία acrossαπέναντι the boardσανίδα.
178
586705
2835
σε όλο το φάσμα της τεχνολογίας.
10:02
But the importantσπουδαίος pointσημείο here is
it providesπαρέχει a little bitκομμάτι of evidenceαπόδειξη
179
590030
3292
Αλλά το σημαντικό εδώ είναι
ότι δίνει μια μικρή ένδειξη
10:05
that the problemπρόβλημα isn't with the toyπαιχνίδι,
it's with the personπρόσωπο.
180
593322
3668
ότι το πρόβλημα δεν είναι
στο παιχνίδι αλλά στο άτομο.
10:08
Some people can make this toyπαιχνίδι go,
181
596990
2350
Κάποιοι μπορούν να το βάλουν σε λειτουργία
10:11
and some can't.
182
599340
959
και κάποιοι όχι.
10:12
Now, when the babyμωρό getsπαίρνει the toyπαιχνίδι,
he's going to have a choiceεπιλογή.
183
600799
3413
Όταν το μωρό πάρει το παιχνίδι,
θα έχει μια επιλογή.
10:16
His momμαμά is right there,
184
604212
2188
Η μαμά του είναι εκεί,
10:18
so he can go aheadεμπρός and handχέρι off the toyπαιχνίδι
and changeαλλαγή the personπρόσωπο,
185
606400
3315
μπορεί να δώσει το παιχνίδι
και να αλλάξει το άτομο,
αλλά θα υπάρχει και ένα ακόμη παιχνίδι
στην άκρη εκείνου του υφάσματος
10:21
but there's alsoεπίσης going to be
anotherαλλο toyπαιχνίδι at the endτέλος of that clothπανί,
186
609715
3158
10:24
and he can pullΤραβήξτε the clothπανί towardsπρος him
and changeαλλαγή the toyπαιχνίδι.
187
612873
3552
και μπορεί να τραβήξει το ύφασμα
και να αλλάξει το παιχνίδι.
10:28
So let's see what the babyμωρό does.
188
616425
2090
Ας δούμε τι κάνει το μωρό.
10:30
(VideoΒίντεο) HGHG: Two, threeτρία. Go!
(MusicΜουσική)
189
618515
4183
(Βίντεο) ΓΓ: Δύο, τρία. Πάμε!
(Μουσική)
10:34
LSLS: One, two, threeτρία, go!
190
622698
3131
ΛΣ: Ένα, δύο, τρία, πάμε!
10:37
ArthurΑρθούρος, I'm going to try again.
One, two, threeτρία, go!
191
625829
7382
Άρθουρ, θα προσπαθήσω πάλι.
Ένα, δύο, τρία, πάμε!
10:45
YGYG: ArthurΑρθούρος, let me try again, okay?
192
633677
2600
ΓΓ: Άρθουρ, ας προσπαθήσω εγώ πάλι, ΟΚ;
10:48
One, two, threeτρία, go!
(MusicΜουσική)
193
636277
4550
Ένα, δύο, τρία, πάμε!
(Μουσική)
10:53
Look at that. RememberΝα θυμάστε these toysπαιχνίδια?
194
641583
1883
Κοίτα αυτό. Θυμάσαι αυτά τα παιχνίδια;
10:55
See these toysπαιχνίδια? Yeah, I'm going
to put this one over here,
195
643466
3264
Βλέπεις αυτά τα παιχνίδια;
Ναι, θα βάλω αυτό εδώ πέρα,
10:58
and I'm going to give this one to you.
196
646730
2062
και θα δώσω αυτό σε σένα.
11:00
You can go aheadεμπρός and playπαίζω.
197
648792
2335
Μπορείς να παίξεις.
11:23
LSLS: Okay, LauraLaura, but of courseσειρά μαθημάτων,
babiesμωρά love theirδικα τους mommiesμαμάδες.
198
671213
4737
ΛΣ: ΟΚ, Λόρα, φυσικά
τα μωρά αγαπούν τις μαμάδες τους.
11:27
Of courseσειρά μαθημάτων babiesμωρά give toysπαιχνίδια
to theirδικα τους mommiesμαμάδες
199
675950
2182
Φυσικά το παιδί δίνει το παιχνίδι στη μαμά
11:30
when they can't make them work.
200
678132
2030
όταν δεν λειτουργεί.
11:32
So again, the really importantσπουδαίος questionερώτηση
is what happensσυμβαίνει when we changeαλλαγή
201
680162
3593
Και πάλι, η πραγματικά
σημαντική ερώτηση είναι
τι θα συμβεί όταν αλλάξουμε
τα στατιστικά δεδομένα ακόμα λίγο.
11:35
the statisticalστατιστικός dataδεδομένα ever so slightlyελαφρώς.
202
683755
3154
11:38
This time, babiesμωρά are going to see the toyπαιχνίδι
work and failαποτυγχάνω in exactlyακριβώς the sameίδιο orderΣειρά,
203
686909
4087
Τώρα τα μωρά θα δουν το παιχνίδι
να λειτουργεί και να σταματάει εναλλάξ
11:42
but we're changingαλλάζοντας
the distributionδιανομή of evidenceαπόδειξη.
204
690996
2415
αλλά αλλάζουμε την κατανομή των ενδείξεων.
11:45
This time, HyowonHyowon is going to succeedπετυχαίνω
onceμια φορά and failαποτυγχάνω onceμια φορά, and so am I.
205
693411
4411
Τωρα η Γιογουάν μια φορά θα τα καταφέρει
και μια θα αποτύχει, και το ίδιο κι εγώ.
11:49
And this suggestsπροτείνει it doesn't matterύλη
who triesπροσπαθεί this toyπαιχνίδι, the toyπαιχνίδι is brokenσπασμένος.
206
697822
5637
Και αυτό λέει ότι άσχετα με το ποιος
χειρίζεται το παιχνίδι, αυτό δεν δουλεύει.
11:55
It doesn't work all the time.
207
703459
1886
Δεν λειτουργεί γενικά.
Πάλι το μωρό έχει μια επιλογή.
11:57
Again, the baby'sτου μωρού going to have a choiceεπιλογή.
208
705345
1965
Η μαμά της είναι δίπλα της,
έτσι μπορεί να αλλάξει πρόσωπο
11:59
Her momμαμά is right nextεπόμενος to her,
so she can changeαλλαγή the personπρόσωπο,
209
707310
3396
12:02
and there's going to be anotherαλλο toyπαιχνίδι
at the endτέλος of the clothπανί.
210
710706
3204
και θα υπάρχει ένα άλλο παιχνίδι
στην άκρη του υφάσματος.
Ας δούμε τι κάνει.
12:05
Let's watch what she does.
211
713910
1378
12:07
(VideoΒίντεο) HGHG: Two, threeτρία, go!
(MusicΜουσική)
212
715288
4348
(Βίντεο) ΓΓ: Δύο, τρία. Πάμε!
(Μουσική)
12:11
Let me try one more time.
One, two, threeτρία, go!
213
719636
4984
Να προσπαθήσω άλλη μια φορά.
Ένα, δύο, τρία, πάμε!
12:17
HmmΧμμ.
214
725460
1697
Χμμ.
12:19
LSLS: Let me try, ClaraΚλάρα.
215
727950
2692
ΛΣ: Άσε με να προσπαθήσω, Κλάρα.
12:22
One, two, threeτρία, go!
216
730642
3945
Ένα, δύο, τρία, πάμε!
12:27
HmmΧμμ, let me try again.
217
735265
1935
Χμμ. Ας προσπαθήσω πάλι.
12:29
One, two, threeτρία, go!
(MusicΜουσική)
218
737200
5670
Ένα, δύο, τρία, πάμε!
(Μουσική)
ΓΓ: Θα βάλω αυτό εδώ πέρα
12:35
HGHG: I'm going
to put this one over here,
219
743009
2233
12:37
and I'm going to give this one to you.
220
745242
2001
και θα δώσω αυτό σε σένα.
12:39
You can go aheadεμπρός and playπαίζω.
221
747243
3597
Μπορείς να παίξεις.
12:58
(ApplauseΧειροκροτήματα)
222
766376
4897
(Χειροκρότημα)
13:04
LSLS: Let me showπροβολή you
the experimentalπειραματικός resultsΑποτελέσματα.
223
772993
2392
ΛΣ: Να σας δείξω
τα αποτελέσματα των πειραμάτων.
13:07
On the verticalκατακόρυφος axisάξονας,
you'llθα το κάνετε see the distributionδιανομή
224
775385
2475
Στον κάθετο άξονα θα δείτε την κατανομή
13:09
of children'sπαιδιά choicesεπιλογές in eachκαθε conditionκατάσταση,
225
777860
2577
των επιλογών των παιδιών σε κάθε περίπτωση
13:12
and you'llθα το κάνετε see that the distributionδιανομή
of the choicesεπιλογές childrenπαιδιά make
226
780437
4551
και θα δείτε ότι η κατανομή των επιλογών
που κάνουν τα παιδιά
13:16
dependsΕξαρτάται on the evidenceαπόδειξη they observeπαρατηρούν.
227
784988
2787
εξαρτάται από τις ενδείξεις
που παρατηρούν.
13:19
So in the secondδεύτερος yearέτος of life,
228
787775
1857
Έτσι στο δεύτερο έτος ζωής,
13:21
babiesμωρά can use a tinyμικροσκοπικός bitκομμάτι
of statisticalστατιστικός dataδεδομένα
229
789632
2577
τα μωρά μπορούν να χρησιμοποιήσουν
λίγα στατιστικά δεδομένα
13:24
to decideαποφασίζω betweenμεταξύ two
fundamentallyθεμελιωδώς differentδιαφορετικός strategiesστρατηγικές
230
792209
3367
για να αποφασίσουν μεταξύ δύο βασικά
διαφορετικών στρατηγικών
13:27
for actingηθοποιία in the worldκόσμος:
231
795576
1881
για να δράσουν στον κόσμο:
13:29
askingζητώντας for help and exploringεξερευνώντας.
232
797457
2743
να ζητήσουν βοήθεια και να εξερευνήσουν.
13:33
I've just shownαπεικονίζεται you
two laboratoryεργαστήριο experimentsπειράματα
233
801700
3434
Μόλις σας έδειξα
δύο εργαστηριακά πειράματα
13:37
out of literallyΚυριολεκτικά hundredsεκατοντάδες in the fieldπεδίο
that make similarπαρόμοιος pointsσημεία,
234
805134
3691
από κυριολεκτικά εκατοντάδες στον κλάδο
που έχουν παρόμοια συμπεράσματα
13:40
because the really criticalκρίσιμος pointσημείο
235
808825
2392
επειδή το πραγματικά
σημαντικό σημείο είναι
13:43
is that children'sπαιδιά abilityικανότητα
to make richπλούσιος inferencesεξαγωγή συμπερασμάτων from sparseαραιή dataδεδομένα
236
811217
5108
ότι η ικανότητα των παιδιών να βγάζουν
πλήθος συμπερασμάτων από λίγα δεδομένα
13:48
underliesκρύβεται πίσω από all the species-specificιδιαίτερες
culturalπολιτιστικός learningμάθηση that we do.
237
816325
5341
βρίσκεται πίσω από όλη
την πολιτιστική μάθηση του είδους μας.
13:53
ChildrenΤα παιδιά learnμαθαίνω about newνέος toolsεργαλεία
from just a fewλίγοι examplesπαραδείγματα.
238
821666
4597
Τα παιδιά μαζεύουν τα νέα εργαλεία
από λίγα μόνο παραδείγματα.
13:58
They learnμαθαίνω newνέος causalαιτιώδης συνάφεια relationshipsσχέσεις
from just a fewλίγοι examplesπαραδείγματα.
239
826263
4717
Μαθαίνουν νέες σχέσεις αιτιασμού
από λίγα μόνο παραδείγματα.
14:03
They even learnμαθαίνω newνέος wordsλόγια,
in this caseπερίπτωση in AmericanΑμερικανική SignΕίσοδος LanguageΓλώσσα.
240
831928
4871
Μαθαίνουν ακόμα και νέες λέξεις, όπως εδώ,
στην αμερικανική νοηματική γλώσσα.
14:08
I want to closeΚοντά with just two pointsσημεία.
241
836799
2311
Θέλω να κλείσω με μόνο δύο σημεία.
14:12
If you've been followingΕΠΟΜΕΝΟ my worldκόσμος,
the fieldπεδίο of brainεγκέφαλος and cognitiveγνωστική sciencesεπιστήμες,
242
840050
3688
Αν παρακολουθείτε τον κόσμο μου, τον
τομέα εγκεφάλου και γνωστικών επιστημών,
14:15
for the pastτο παρελθόν fewλίγοι yearsχρόνια,
243
843738
1927
για τα τελευταία λίγα χρόνια,
14:17
threeτρία bigμεγάλο ideasιδέες will have come
to your attentionπροσοχή.
244
845665
2415
τρεις μεγάλες ιδέες
θα υπέπεσαν στην αντίληψή σας.
14:20
The first is that this is
the eraεποχή of the brainεγκέφαλος.
245
848080
3436
Η πρώτη είναι ότι αυτή
είναι η εποχή του εγκεφάλου.
14:23
And indeedπράγματι, there have been
staggeringσυγκλονιστικό discoveriesανακαλύψεις in neuroscienceνευροεπιστήμη:
246
851516
3669
Και όντως έχουν γίνει τεράστιες
ανακαλύψεις στη νευροεπιστήμη:
14:27
localizingεντόπιση functionallyλειτουργικά specializedειδικευμένος
regionsπεριοχές of cortexφλοιός,
247
855185
3436
εντοπίστηκαν λειτουργικά
εξειδικευμένες περιοχές του φλοιού,
14:30
turningστροφή mouseποντίκι brainsμυαλά transparentδιαφανής,
248
858621
2601
οι εγκέφαλοι των ποντικιών
έγιναν διαφανείς,
14:33
activatingενεργοποιητικός neuronsνευρώνες with lightφως.
249
861222
3776
ενεργοποιούνται νευρώνες με το φως.
14:36
A secondδεύτερος bigμεγάλο ideaιδέα
250
864998
1996
Μια δεύτερη μεγάλη ιδέα είναι
14:38
is that this is the eraεποχή of bigμεγάλο dataδεδομένα
and machineμηχανή learningμάθηση,
251
866994
4104
ότι είναι η εποχή των μεγάλων δεδομένων
και της μηχανικής μάθησης,
14:43
and machineμηχανή learningμάθηση promisesυποσχέσεις
to revolutionizeεπανάσταση our understandingκατανόηση
252
871098
3141
και η μηχανική μάθηση υπόσχεται ν' αλλάξει
ριζικά την κατανόηση των πάντων,
14:46
of everything from socialκοινωνικός networksδικτύων
to epidemiologyεπιδημιολογία.
253
874239
4667
από τα κοινωνικά δίκτυα
έως την επιδημιολογία.
Και ίσως, καθώς επιλύει
προβλήματα κατανόησης σκηνών
14:50
And maybe, as it tacklesαντιμετωπίζει problemsπροβλήματα
of sceneσκηνή understandingκατανόηση
254
878906
2693
14:53
and naturalφυσικός languageΓλώσσα processingεπεξεργασία,
255
881599
1993
και φυσικής επεξεργασίας της γλώσσας,
14:55
to tell us something
about humanο άνθρωπος cognitionγνωστική λειτουργία.
256
883592
3324
να μας πει κάτι
σχετικά με την ανθρώπινη νόηση.
Και η τελευταία μεγάλη ιδέα
που θα έχετε ακούσει
14:59
And the finalτελικός bigμεγάλο ideaιδέα you'llθα το κάνετε have heardακούσει
257
887756
1937
15:01
is that maybe it's a good ideaιδέα we're going
to know so much about brainsμυαλά
258
889693
3387
είναι πως μάλλον είναι καλό
που θα μάθουμε τόσα για τον εγκέφαλο
15:05
and have so much accessπρόσβαση to bigμεγάλο dataδεδομένα,
259
893080
1917
και θα έχουμε πρόσβαση σε μεγάλα δεδομένα,
15:06
because left to our ownτα δικά devicesσυσκευές,
260
894997
2507
επειδή αν πράξουμε κατά βούληση,
15:09
humansτου ανθρώπου are fallibleσφαλερός, we take shortcutsσυντομεύσεις,
261
897504
3831
οι άνθρωποι παραπλανούμαστε,
καταφεύγουμε σε πρόχειρες λύσεις,
15:13
we errErr, we make mistakesλάθη,
262
901335
3437
κάνουμε σφάλματα, κάνουμε λάθη,
15:16
we're biasedμεροληπτική, and in innumerableαναρίθμητες waysτρόπους,
263
904772
3684
έχουμε προκαταλήψεις,
και με πάμπολλους τρόπους,
εκλαμβάνουμε τον κόσμο λάθος.
15:20
we get the worldκόσμος wrongλανθασμένος.
264
908456
2969
15:24
I think these are all importantσπουδαίος storiesιστορίες,
265
912843
2949
Νομίζω ότι όλες αυτές
είναι σημαντικές ιστορίες
και έχουν πολλά να μας πουν σχετικά
με το τι σημαίνει να είσαι άνθρωπος,
15:27
and they have a lot to tell us
about what it meansπου σημαίνει to be humanο άνθρωπος,
266
915792
3785
15:31
but I want you to noteΣημείωση that todayσήμερα
I told you a very differentδιαφορετικός storyιστορία.
267
919577
3529
αλλά θέλω να σημειώσετε ότι σήμερα
σας είπα μια πολύ διαφορετική ιστορία.
15:35
It's a storyιστορία about mindsμυαλά and not brainsμυαλά,
268
923966
3807
Είναι μια ιστορία για το μυαλό μας
και όχι για τον εγκέφαλό μας
15:39
and in particularιδιαιτερος, it's a storyιστορία
about the kindsείδη of computationsυπολογισμών
269
927773
3006
και ειδικότερα, είναι μια ιστορία
για το είδος των υπολογισμών
15:42
that uniquelyμοναδικώς humanο άνθρωπος mindsμυαλά can performεκτελώ,
270
930779
2590
που μόνο τα ανθρώπινα μυαλά
μπορούν να εκτελέσουν,
15:45
whichοι οποίες involveεμπλέκω richπλούσιος, structuredδομημένος knowledgeη γνώση
and the abilityικανότητα to learnμαθαίνω
271
933369
3944
που εμπλέκει πλούσια, δομημένη γνώση
και την ικανότητα να μαθαίνουμε
15:49
from smallμικρό amountsποσά of dataδεδομένα,
the evidenceαπόδειξη of just a fewλίγοι examplesπαραδείγματα.
272
937313
5268
από μικρές ποσότητες δεδομένων,
τις ενδείξεις από πολύ λίγα παραδείγματα.
Και βασικά, είναι μια ιστορία του πώς,
ξεκινώντας ως μικρά παιδιά
15:56
And fundamentallyθεμελιωδώς, it's a storyιστορία
about how startingεκκίνηση as very smallμικρό childrenπαιδιά
273
944301
4299
16:00
and continuingσυνεχίζοντας out all the way
to the greatestμεγαλύτερη accomplishmentsεπιτεύγματα
274
948600
4180
και συνεχίζοντας έως τα μεγαλύτερα
επιτεύγματα της κουλτούρας μας,
16:04
of our cultureΠολιτισμός,
275
952780
3843
αντιλαμβανόμαστε τον κόσμο μας σωστά.
16:08
we get the worldκόσμος right.
276
956623
1997
16:12
FolksΟι λαοί, humanο άνθρωπος mindsμυαλά do not only learnμαθαίνω
from smallμικρό amountsποσά of dataδεδομένα.
277
960433
5267
Φίλοι μου, το ανθρώπινο μυαλό δεν μαθαίνει
μόνο από μικρές ποσότητες δεδομένων.
Τα ανθρώπινα μυαλά σκέφτονται
και εξ ολοκλήρου νέες ιδέες.
16:18
HumanΑνθρώπινη mindsμυαλά think
of altogetherσυνολικά newνέος ideasιδέες.
278
966285
2101
Τα ανθρώπινα μυαλά παράγουν
έρευνες και ανακαλύψεις,
16:20
HumanΑνθρώπινη mindsμυαλά generateπαράγω
researchέρευνα and discoveryανακάλυψη,
279
968746
3041
16:23
and humanο άνθρωπος mindsμυαλά generateπαράγω
artτέχνη and literatureβιβλιογραφία and poetryποίηση and theaterθέατρο,
280
971787
5273
και τα ανθρώπινα μυαλά παράγουν τέχνη,
λογοτεχνία, ποίηση και θέατρο,
16:29
and humanο άνθρωπος mindsμυαλά take careΦροντίδα of other humansτου ανθρώπου:
281
977070
3760
και τα ανθρώπινα μυαλά
φροντίζουν άλλους ανθρώπους:
16:32
our oldπαλαιός, our youngνεαρός, our sickάρρωστος.
282
980830
3427
τους ηλικιωμένους μας,
τους νέους μας, τους ασθενείς μας.
Ακόμη και τους θεραπεύουμε.
16:36
We even healθεραπεύω them.
283
984517
2367
16:39
In the yearsχρόνια to come, we're going
to see technologicalτεχνολογικός innovationsκαινοτομίες
284
987564
3103
Στα επόμενα χρόνια,
θα δούμε τεχνολογικές καινοτομίες
16:42
beyondπέρα anything I can even envisionΟραματιζόμαστε,
285
990667
3797
πέρα από οτιδήποτε
μπορούμε να οραματιστούμε,
16:46
but we are very unlikelyαπίθανος
286
994464
2150
αλλά είναι μάλλον απίθανο
16:48
to see anything even approximatingπροσέγγιση
the computationalυπολογιστική powerεξουσία of a humanο άνθρωπος childπαιδί
287
996614
5709
να δούμε οτιδήποτε καν να πλησιάζει
την υπολογιστική δύναμη ενός μωρού
16:54
in my lifetimeΔιάρκεια Ζωής or in yoursδικος σου.
288
1002323
4298
όσο θα ζήσω εγώ ή εσείς.
16:58
If we investεπενδύω in these mostπλέον powerfulισχυρός
learnersτους μαθητές and theirδικα τους developmentανάπτυξη,
289
1006621
5047
Εάν επενδύσουμε σ' αυτούς τους πολύ
δυνατούς μαθητές και την ανάπτυξή τους,
17:03
in babiesμωρά and childrenπαιδιά
290
1011668
2917
στα μωρά και στα παιδιά,
στις μητέρες και τους πατεράδες,
17:06
and mothersτης μητέρας and fathersπατέρες
291
1014585
1826
17:08
and caregiversφροντιστές and teachersκαθηγητές
292
1016411
2699
στους κηδεμόνες και τους δασκάλους,
17:11
the waysτρόπους we investεπενδύω in our other
mostπλέον powerfulισχυρός and elegantκομψός formsμορφές
293
1019110
4170
έτσι όπως επενδύουμε στις άλλες μας
πιο ισχυρές και κομψές μορφές
17:15
of technologyτεχνολογία, engineeringμηχανική and designσχέδιο,
294
1023280
3218
τεχνολογίας, μηχανικής και σχεδιασμού,
17:18
we will not just be dreamingόνειρα
of a better futureμελλοντικός,
295
1026498
2939
δεν θα ονειρευόμαστε μόνο
ένα καλύτερο μέλλον,
17:21
we will be planningσχεδίαση for one.
296
1029437
2127
θα το σχεδιάζουμε.
17:23
Thank you very much.
297
1031564
2345
Ευχαριστώ πολύ.
(Χειροκρότημα)
17:25
(ApplauseΧειροκροτήματα)
298
1033909
3421
17:29
ChrisChris AndersonΆντερσον: LauraLaura, thank you.
I do actuallyπράγματι have a questionερώτηση for you.
299
1037810
4426
Κρις Άντερσον: Λόρα, σ' ευχαριστώ.
Έχω μια ερώτηση για σένα.
17:34
First of all, the researchέρευνα is insaneπαράφρων.
300
1042236
2359
Πρώτα απ' όλα, η έρευνα είναι εξωφρενική.
17:36
I mean, who would designσχέδιο
an experimentπείραμα like that? (LaughterΤο γέλιο)
301
1044595
3725
Ποιος θα σχεδίαζε ένα τέτοιο πείραμα;
(Γέλια)
17:41
I've seenείδα that a coupleζευγάρι of timesφορές,
302
1049150
1790
Το είδα μερικές φορές
17:42
and I still don't honestlyτίμια believe
that that can trulyστα αληθεια be happeningσυμβαίνει,
303
1050940
3222
και ακόμη δεν πιστεύω ειλικρινά
ότι αυτό όντως μπορεί να συμβαίνει,
17:46
but other people have doneΈγινε
similarπαρόμοιος experimentsπειράματα; it checksέλεγχοι out.
304
1054162
3158
αλλά και άλλοι έχουν κάνει
παρόμοια πειράματα. Είναι λογικό.
Τα μωρά είναι όντως ιδιοφυίες.
17:49
The babiesμωρά really are that geniusιδιοφυία.
305
1057320
1633
17:50
LSLS: You know, they look really impressiveΕΝΤΥΠΩΣΙΑΚΟ
in our experimentsπειράματα,
306
1058953
3007
ΛΣ: Ξέρεις, είναι τόσο εντυπωσιακά
στα πειράματά μας,
17:53
but think about what they
look like in realπραγματικός life, right?
307
1061960
2652
αλλά σκέψου πώς είναι στην κανονική ζωή;
Ξεκινάει σαν μωρό.
17:56
It startsξεκινά out as a babyμωρό.
308
1064612
1150
17:57
EighteenΔεκαοκτώ monthsμήνες laterαργότερα,
it's talkingομιλία to you,
309
1065762
2007
Δεκαοκτώ μήνες αργότερα σου μιλάει,
και τα πρώτα λογάκια δεν είναι απλά
πράγματα όπως μπάλες και παπάκια,
17:59
and babies'Μωρουδιακά first wordsλόγια aren'tδεν είναι just
things like ballsαρχίδια and ducksπάπιες,
310
1067769
3041
18:02
they're things like "all goneχαμένος,"
whichοι οποίες referαναφέρομαι to disappearanceεξαφάνιση,
311
1070810
2881
είναι πράγματα όπως τα «πάει!»
που αναφέρεται στην εξαφάνιση,
18:05
or "uh-ohUh-ω," whichοι οποίες referαναφέρομαι
to unintentionalακούσια actionsΕνέργειες.
312
1073691
2283
ή το «ωχ!»
που αναφέρεται σε ακούσιες πράξεις.
18:07
It has to be that powerfulισχυρός.
313
1075974
1562
Πρέπει να είναι τόσο ισχυρά.
18:09
It has to be much more powerfulισχυρός
than anything I showedέδειξε you.
314
1077536
2775
Πρέπει να είναι πολύ πιο ισχυρά
από οτιδήποτε σας έδειξα.
18:12
They're figuringκατανόηση out the entireολόκληρος worldκόσμος.
315
1080311
1974
Αντιλαμβάνονται
πώς λειτουργεί όλος ο κόσμος.
18:14
A four-year-oldηλικίας τεσσάρων ετών can talk to you
about almostσχεδόν anything.
316
1082285
3144
Ένα τετράχρονο μπορεί να σας μιλήσει
για σχεδόν οτιδήποτε.
18:17
(ApplauseΧειροκροτήματα)
317
1085429
1601
(Χειροκρότημα)
18:19
CACA: And if I understandκαταλαβαίνουν you right,
the other keyκλειδί pointσημείο you're makingκατασκευή is,
318
1087030
3414
ΚΑ: Και αν σε καταλαβαίνω σωστά,
το άλλο κεντρικό σημείο είναι
18:22
we'veέχουμε been throughδιά μέσου these yearsχρόνια
where there's all this talk
319
1090444
2754
ότι περάσαμε τόσα χρόνια
που έγιναν τόσες συζητήσεις
πόσο ιδιόμορφα και προβληματικά
είναι τα μυαλά μας
18:25
of how quirkyιδιότροπος and buggyαμαξάκι our mindsμυαλά are,
320
1093198
1932
18:27
that behavioralσυμπεριφορική economicsΟικονομικά
and the wholeολόκληρος theoriesθεωρίες behindπίσω that
321
1095130
2867
που η συμπεριφοριστική οικονομία
και παρόμοιες θεωρίες,
18:29
that we're not rationalλογικός agentsπράκτορες.
322
1097997
1603
ότι δεν πράττουμε λογικά.
18:31
You're really sayingρητό that the biggerμεγαλύτερος
storyιστορία is how extraordinaryέκτακτος,
323
1099600
4216
Ουσιαστικά λες ότι η σημαντικότερη ιστορία
είναι πόσο αξιοσημείωτα είναι,
18:35
and there really is geniusιδιοφυία there
that is underappreciatedunderappreciated.
324
1103816
4944
και ότι πράγματι υπάρχει εκεί ευφυία
που δεν εκτιμάται αναλόγως.
18:40
LSLS: One of my favoriteαγαπημένη
quotesεισαγωγικά in psychologyΨυχολογία
325
1108760
2070
ΛΣ: Ένα αγαπημένο μου ρητό
από την ψυχολογία
18:42
comesέρχεται from the socialκοινωνικός
psychologistψυχολόγος SolomonΣολομώντα AschAsch,
326
1110830
2290
είναι από τον κοινωνικό ψυχολόγο
Σόλομον Ας, που είπε
18:45
and he said the fundamentalθεμελιώδης taskέργο
of psychologyΨυχολογία is to removeαφαιρώ
327
1113120
2807
ότι το βασικό καθήκον της ψυχολογίας
είναι να παραμερίσει το πέπλο
του αυταπόδεικτου από τα πράγματα.
18:47
the veilπέπλο of self-evidenceSelf-evidence from things.
328
1115927
2626
18:50
There are ordersπαραγγελίες of magnitudeμέγεθος
more decisionsαποφάσεων you make everyκάθε day
329
1118553
4551
Εκατομμύρια τάξεις μεγέθους
και καθημερινές αποφάσεις
βοηθούν να αντιληφθείς σωστά τον κόσμο.
18:55
that get the worldκόσμος right.
330
1123104
1347
18:56
You know about objectsαντικείμενα
and theirδικα τους propertiesιδιότητες.
331
1124451
2132
Γνωρίζεις περί αντικειμένων
και των ιδιοτήτων τους.
18:58
You know them when they're occludedαποφραγμένη.
You know them in the darkσκοτάδι.
332
1126583
3029
Ξέρεις πότε φρακάρουν.
Τα αναγνωρίζεις στο σκοτάδι.
Μπορείς να διασχίζεις δωμάτια.
Καταλαβαίνεις τι σκέφτονται οι άλλοι.
19:01
You can walkΠερπατήστε throughδιά μέσου roomsδωμάτια.
333
1129612
1308
19:02
You can figureεικόνα out what other people
are thinkingσκέψη. You can talk to them.
334
1130920
3532
Μπορείς να τους μιλήσεις
και να πορευθείς στο χώρο.
19:06
You can navigateκυβερνώ spaceχώρος.
You know about numbersαριθμούς.
335
1134452
2230
Ξέρεις για αριθμούς.
Ξέρεις τις σχέσεις αιτιατού
και την ηθική αιτίαση.
19:08
You know causalαιτιώδης συνάφεια relationshipsσχέσεις.
You know about moralηθικός reasoningαιτιολογία.
336
1136682
3022
Το κάνεις χωρίς δυσκολία,
έτσι δεν το βλέπουμε,
19:11
You do this effortlesslyαβίαστα,
so we don't see it,
337
1139704
2356
αλλά έτσι καταλαβαίνουμε σωστά τον κόσμο
19:14
but that is how we get the worldκόσμος right,
and it's a remarkableαξιοσημείωτος
338
1142060
2912
και είναι ένα αξιοσημείωτο
και πολύ δυσνόητο επίτευγμα.
19:16
and very difficult-to-understandδύσκολο στην κατανόηση
accomplishmentεκπλήρωση.
339
1144972
2318
ΚΑ: Υποψιάζομαι ότι υπάρχουν
άνθρωποι στο ακροατήριο
19:19
CACA: I suspectύποπτος there are people
in the audienceακροατήριο who have
340
1147290
2628
που έχουν την άποψη
να επιταχύνουν την τεχνολογική ισχύ
19:21
this viewθέα of acceleratingεπιταχύνοντας
technologicalτεχνολογικός powerεξουσία
341
1149918
2238
που ίσως αμφισβητήσουν τη δήλωσή σου
ότι ποτέ στη ζωή μας
19:24
who mightθα μπορούσε disputeεπίλυσης διαφορών your statementδήλωση
that never in our lifetimesδιάρκειες ζωής
342
1152156
2958
δεν θα κάνει ένας υπολογιστής
ότι μπορεί να κάνει ένα τρίχρονο παιδί,
19:27
will a computerυπολογιστή do what
a three-year-oldηλικίας τριών ετών childπαιδί can do,
343
1155114
2618
αλλά είναι σαφές ότι σε κάθε σενάριο,
19:29
but what's clearΣαφή is that in any scenarioσενάριο,
344
1157732
3248
19:32
our machinesμηχανές have so much to learnμαθαίνω
from our toddlersτα νήπια.
345
1160980
3770
οι μηχανές μας έχουν πολλά να μάθουν
από τους μπόμπιρες.
19:38
LSLS: I think so. You'llΘα σας have some
machineμηχανή learningμάθηση folksλαούς up here.
346
1166230
3216
ΛΣ: Έτσι νομίζω. Θα έχετε αρκετούς
υπέρ της μηχανικής μάθησης εδώ πέρα.
19:41
I mean, you should never betστοίχημα
againstκατά babiesμωρά or chimpanzeesχιμπατζήδες
347
1169446
4203
Δεν πρέπει να υποτιμάτε
τα μωρά ή τους χιμπατζήδες
19:45
or technologyτεχνολογία as a matterύλη of practiceπρακτική,
348
1173649
3645
ή την τεχνολογία, σε μόνιμη βάση,
19:49
but it's not just
a differenceδιαφορά in quantityποσότητα,
349
1177294
4528
αλλά δεν είναι απλώς
μια διαφορά στην ποσότητα,
19:53
it's a differenceδιαφορά in kindείδος.
350
1181822
1764
είναι διαφορά στο είδος.
19:55
We have incrediblyαπίστευτα powerfulισχυρός computersΥπολογιστές,
351
1183586
2160
Έχουμε απίστευτα ισχυρούς υπολογιστές
19:57
and they do do amazinglyκαταπληκτικά
sophisticatedεκλεπτυσμένο things,
352
1185746
2391
και πράγματι κάνουν
τρομερά εξεζητημένα πράγματα,
20:00
oftenσυχνά with very bigμεγάλο amountsποσά of dataδεδομένα.
353
1188137
3204
συχνά με μεγάλες ποσότητες δεδομένων.
Θεωρώ ότι τα ανθρώπινα μυαλά
κάνουν κάτι τελείως διαφορετικό,
20:03
HumanΑνθρώπινη mindsμυαλά do, I think,
something quiteαρκετά differentδιαφορετικός,
354
1191341
2607
20:05
and I think it's the structuredδομημένος,
hierarchicalιεραρχική natureφύση of humanο άνθρωπος knowledgeη γνώση
355
1193948
3895
και νομίζω ότι είναι η δομημένη,
ιεραρχική φύση της ανθρώπινης γνώσης
20:09
that remainsλείψανα a realπραγματικός challengeπρόκληση.
356
1197843
2032
που παραμένει μια πραγματική πρόκληση.
20:11
CACA: LauraLaura SchulzSchulz, wonderfulεκπληκτικός
foodτροφή for thought. Thank you so much.
357
1199875
3061
ΚΑ: Λορα Σουλτς, θαυμάσια τροφή για σκέψη.
Σε ευχαριστούμε τόσο πολύ.
20:14
LSLS: Thank you.
(ApplauseΧειροκροτήματα)
358
1202936
2922
ΛΣ: Ευχαριστώ.
(Χειροκρότημα)
Translated by Lucas Kaimaras
Reviewed by Chryssa Rapessi

▲Back to top

ABOUT THE SPEAKER
Laura Schulz - Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn.

Why you should listen

MIT Early Childhood Cognition Lab lead investigator Laura Schulz studies learning in early childhood. Her research bridges computational models of cognitive development and behavioral studies in order to understand the origins of inquiry and discovery.

Working in play labs, children’s museums, and a recently-launched citizen science website, Schultz is reshaping how we view young children’s perceptions of the world around them. Some of the surprising results of her research: before the age of four, children expect hidden causes when events happen probabilistically, use simple experiments to distinguish causal hypotheses, and trade off learning from instruction and exploration.

More profile about the speaker
Laura Schulz | Speaker | TED.com