TED2011
Deb Roy: The birth of a word
Deb Roy: el nacimiento de una palabra
Filmed:
Readability: 4.2
2,809,941 views
El investigador del MIT, Deb Roy, quería entender cómo aprendía a hablar su hijo. Así que cableó su casa con cámaras para capturar cada momento (con excepciones) de la vida de su hijo. Luego analizó 90 000 horas de video doméstico para ver cómo "gaaa" se transforma lentamente en "agua". Una investigación asombrosa, con profusión de datos y profundas consecuencias para el modo de aprender.
Deb Roy - Cognitive scientist
Deb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs. Full bio
Deb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs. Full bio
Double-click the English transcript below to play the video.
00:15
Imagine if you could record your life --
0
0
4000
Imaginen que pudieran registrar sus vidas...
00:19
everything you said, everything you did,
1
4000
3000
todo lo que dijeron, todo que hicieron,
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
al alcance de la mano en una mediateca perfecta
00:25
so you could go back
3
10000
2000
para poder volver
00:27
and find memorable moments and relive them,
4
12000
3000
a buscar momentos memorables y revivirlos
00:30
or sift through traces of time
5
15000
3000
o examinar trazas de tiempo
00:33
and discover patterns in your own life
6
18000
2000
y descubrir patrones en sus propias vidas
00:35
that previously had gone undiscovered.
7
20000
3000
que antes pasaron inadvertidos.
00:38
Well that's exactly the journey
8
23000
2000
Bien, ese es exactamente el viaje
00:40
that my family began
9
25000
2000
que emprendió mi familia
00:42
five and a half years ago.
10
27000
2000
hace 5 años y medio.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
Esta es Rupal, mi esposa y colaboradora.
00:47
And on this day, at this moment,
12
32000
2000
Y en este día, en este momento,
00:49
we walked into the house with our first child,
13
34000
2000
entramos en la casa con nuestro primer hijo,
00:51
our beautiful baby boy.
14
36000
2000
nuestro hermoso bebé.
00:53
And we walked into a house
15
38000
3000
Y entramos en una casa
00:56
with a very special home video recording system.
16
41000
4000
con un sistema de grabación de video muy especial.
01:07
(Video) Man: Okay.
17
52000
2000
(Video) Hombre: Muy bien.
01:10
Deb Roy: This moment
18
55000
1000
Deb Roy: Este momento,
01:11
and thousands of other moments special for us
19
56000
3000
y miles de otros momentos especiales para nosotros,
01:14
were captured in our home
20
59000
2000
fueron capturados en casa
01:16
because in every room in the house,
21
61000
2000
porque en todas las habitaciones de la casa,
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
si levantaran la vista verían una cámara y un micrófono,
01:21
and if you looked down,
23
66000
2000
y si miraran hacia abajo,
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
tendrían esta vista de pájaro de la habitación.
01:25
Here's our living room,
25
70000
3000
Esta es la sala de estar,
01:28
the baby bedroom,
26
73000
3000
la habitación del bebé,
01:31
kitchen, dining room
27
76000
2000
la cocina, el comedor
01:33
and the rest of the house.
28
78000
2000
y el resto de la casa.
01:35
And all of these fed into a disc array
29
80000
3000
Y todo esto alimenta un conjunto de discos
01:38
that was designed for a continuous capture.
30
83000
3000
diseñados para una captura continua.
01:41
So here we are flying through a day in our home
31
86000
3000
Aquí sobrevolamos un día en nuestra casa
01:44
as we move from sunlit morning
32
89000
3000
desde el sol de la mañana
01:47
through incandescent evening
33
92000
2000
hasta un crepúsculo incandescente
01:49
and, finally, lights out for the day.
34
94000
3000
y, al final, el día termina sin luces.
01:53
Over the course of three years,
35
98000
3000
En el transcurso de 3 años,
01:56
we recorded eight to 10 hours a day,
36
101000
2000
registramos de 8 a 10 horas por día,
01:58
amassing roughly a quarter-million hours
37
103000
3000
acumulando un cuarto de millón de horas
02:01
of multi-track audio and video.
38
106000
3000
de audio y video multi-pista.
02:04
So you're looking at a piece of what is by far
39
109000
2000
Así que están viendo un fragmento de lo que es, por lejos,
02:06
the largest home video collection ever made.
40
111000
2000
la colección de video hogareño jamás realizada.
02:08
(Laughter)
41
113000
3000
(Risas)
02:11
And what this data represents
42
116000
2000
Y lo que estos datos representan
02:13
for our family at a personal level,
43
118000
4000
para nuestra familia a nivel personal,
02:17
the impact has already been immense,
44
122000
2000
el impacto ya es inmenso,
02:19
and we're still learning its value.
45
124000
3000
y aún estamos aprendiendo su valor.
02:22
Countless moments
46
127000
2000
Innumerables momentos
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
de acontecimientos naturales, espontáneos,
02:27
are captured there,
48
132000
2000
quedaron capturados
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
y estamos empezando a aprender a descubrirlos y encontrarlos.
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
Pero hay además una razón científica que motivó el proyecto
02:35
which was to use this natural longitudinal data
51
140000
4000
que fue usar estos datos naturales longitudinales
02:39
to understand the process
52
144000
2000
para entender el proceso
02:41
of how a child learns language --
53
146000
2000
de aprendizaje del lenguaje en niños,
02:43
that child being my son.
54
148000
2000
siendo el niño mi hijo.
02:45
And so with many privacy provisions put in place
55
150000
4000
Así, tomando muchos recaudos de privacidad
02:49
to protect everyone who was recorded in the data,
56
154000
3000
para proteger a todos los involucrados en los datos
02:52
we made elements of the data available
57
157000
3000
disponibilizamos los datos
02:55
to my trusted research team at MIT
58
160000
3000
a mi equipo de investigación de confianza del MIT
02:58
so we could start teasing apart patterns
59
163000
3000
para comenzar a desentrañar los patrones
03:01
in this massive data set,
60
166000
3000
en este enorme conjunto de datos,
03:04
trying to understand the influence of social environments
61
169000
3000
tratando de comprender la influencia de los entornos sociales
03:07
on language acquisition.
62
172000
2000
en la adquisición del lenguaje.
03:09
So we're looking here
63
174000
2000
Aquí estamos viendo
03:11
at one of the first things we started to do.
64
176000
2000
una de las primeras cosas que empezamos a hacer.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
Aquí estamos con mi esposa preparando el desayuno en la cocina.
03:17
and as we move through space and through time,
66
182000
3000
Y a medida que nos movemos en espacio y tiempo,
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
un patrón cotidiano de la vida en la cocina.
03:23
In order to convert
68
188000
2000
Para convertir
03:25
this opaque, 90,000 hours of video
69
190000
3000
estas 9.000 horas de video opaco
03:28
into something that we could start to see,
70
193000
2000
en algo que pudiéramos empezar a ver;
03:30
we use motion analysis to pull out,
71
195000
2000
usamos análisis de movimiento para extraer,
03:32
as we move through space and through time,
72
197000
2000
a medida que nos movíamos en espacio y tiempo,
03:34
what we call space-time worms.
73
199000
3000
lo que llamamos «gusanos espacio-temporales».
03:37
And this has become part of our toolkit
74
202000
3000
Y esto se volvió parte de las herramientas
03:40
for being able to look and see
75
205000
3000
para poder mirar y descifrar
03:43
where the activities are in the data,
76
208000
2000
donde las actividades están en los datos,
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
y con eso, en particular, trazar un patrón
03:48
where my son moved throughout the home,
78
213000
2000
de movimiento de mi hijo por la casa
03:50
so that we could focus our transcription efforts,
79
215000
3000
para poder centrar nuestros esfuerzos de transcripción
03:53
all of the speech environment around my son --
80
218000
3000
en los diálogos ocurridos a su alrededor...
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
en todas las palabras que él oía de mí, de mi esposa, de la niñera,
03:59
and over time, the words he began to produce.
82
224000
3000
y, con el tiempo, las palabras que empezó a decir.
04:02
So with that technology and that data
83
227000
3000
Con esa tecnología, con esos datos,
04:05
and the ability to, with machine assistance,
84
230000
2000
y la posibilidad, gracias a la máquina,
04:07
transcribe speech,
85
232000
2000
de transcribir el habla,
04:09
we've now transcribed
86
234000
2000
hemos transcripto
04:11
well over seven million words of our home transcripts.
87
236000
3000
más de 7 millones de palabras de conversaciones domésticas.
04:14
And with that, let me take you now
88
239000
2000
Y dicho esto les voy a mostrar
04:16
for a first tour into the data.
89
241000
3000
un primer recorrido por los datos.
04:19
So you've all, I'm sure,
90
244000
2000
Estoy seguro que todos
04:21
seen time-lapse videos
91
246000
2000
han visto videos acelerados
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
en los que florece una flor en tiempo acelerado.
04:26
I'd like you to now experience
93
251000
2000
Ahora me gustaría que experimenten
04:28
the blossoming of a speech form.
94
253000
2000
el florecimiento de una forma hablada.
04:30
My son, soon after his first birthday,
95
255000
2000
Mi hijo, poco después de su primer año,
04:32
would say "gaga" to mean water.
96
257000
3000
diría "gaga" queriendo decir agua.
04:35
And over the course of the next half-year,
97
260000
3000
Y en el transcurso del siguiente medio año
04:38
he slowly learned to approximate
98
263000
2000
lentamente empezó a aproximarse
04:40
the proper adult form, "water."
99
265000
3000
a la forma adulta correcta "agua".
04:43
So we're going to cruise through half a year
100
268000
2000
Así que vamos a recorrer medio año
04:45
in about 40 seconds.
101
270000
2000
en unos 40 segundos.
04:47
No video here,
102
272000
2000
Aquí no hay video
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
para que puedan centrarse en el sonido, en la acústica,
04:52
of a new kind of trajectory:
104
277000
2000
de un nuevo tipo de trayectoria:
04:54
gaga to water.
105
279000
2000
de "gaga" a "water" [agua].
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(Audio) Bebé: Gagagagagaga
05:08
Gaga gaga gaga
107
293000
4000
Gaga gaga gaga
05:12
guga guga guga
108
297000
5000
guga guga guga
05:17
wada gaga gaga guga gaga
109
302000
5000
wada gaga gaga guga gaga
05:22
wader guga guga
110
307000
4000
wader guga guga
05:26
water water water
111
311000
3000
water water water
05:29
water water water
112
314000
6000
water water water
05:35
water water
113
320000
4000
water water
05:39
water.
114
324000
2000
water.
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
DR: Dio en la tecla, ¿no?
05:43
(Applause)
116
328000
7000
(Aplausos)
05:50
So he didn't just learn water.
117
335000
2000
Y no sólo aprendió a decir "water" [agua].
05:52
Over the course of the 24 months,
118
337000
2000
En el transcurso de 24 meses,
05:54
the first two years that we really focused on,
119
339000
3000
los primeros 2 años en los que nos centramos,
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
este es un mapa de todas las palabras que aprendió en orden cronológico.
06:01
And because we have full transcripts,
121
346000
3000
Y dado que tenemos transcripciones completas
06:04
we've identified each of the 503 words
122
349000
2000
identificamos cada una de las 503 palabras
06:06
that he learned to produce by his second birthday.
123
351000
2000
que aprendió a decir antes de sus 2 años.
06:08
He was an early talker.
124
353000
2000
Fue un conversador precoz.
06:10
And so we started to analyze why.
125
355000
3000
Y empezamos a analizar el porqué.
06:13
Why were certain words born before others?
126
358000
3000
¿Por qué nacieron algunas palabras antes que otras?
06:16
This is one of the first results
127
361000
2000
Este es uno de los primeros resultados
06:18
that came out of our study a little over a year ago
128
363000
2000
que surgió de nuestro estudio hace poco más de un año
06:20
that really surprised us.
129
365000
2000
que realmente nos sorprendió.
06:22
The way to interpret this apparently simple graph
130
367000
3000
La manera de interpretar este gráfico de apariencia simple
06:25
is, on the vertical is an indication
131
370000
2000
es ver en la vertical una indicación
06:27
of how complex caregiver utterances are
132
372000
3000
de la complejidad de la expresión de los adultos cercanos
06:30
based on the length of utterances.
133
375000
2000
en base a la longitud de las palabras.
06:32
And the [horizontal] axis is time.
134
377000
3000
Y el eje horizontal es el tiempo.
06:35
And all of the data,
135
380000
2000
Y los datos fueron
06:37
we aligned based on the following idea:
136
382000
3000
alineados en función de la siguiente idea:
06:40
Every time my son would learn a word,
137
385000
3000
cada vez que mi hijo pronunciaba una palabra
06:43
we would trace back and look at all of the language he heard
138
388000
3000
rastrearíamos hacia atrás todo el lenguaje que escuchó
06:46
that contained that word.
139
391000
2000
que contuviese esa palabra.
06:48
And we would plot the relative length of the utterances.
140
393000
4000
Y graficaríamos la longitud relativa de las palabras.
06:52
And what we found was this curious phenomena,
141
397000
3000
Y observamos este fenómeno curioso:
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
el discurso de los adultos se reducía sistemáticamente al mínimo,
06:58
making language as simple as possible,
143
403000
3000
haciendo el lenguaje lo más sencillo posible,
07:01
and then slowly ascend back up in complexity.
144
406000
3000
y luego lentamente retomaba su complejidad inicial.
07:04
And the amazing thing was
145
409000
2000
Y lo sorprendente fue que
07:06
that bounce, that dip,
146
411000
2000
ese rebote, esa reducción,
07:08
lined up almost precisely
147
413000
2000
se alineaba casi exactamente
07:10
with when each word was born --
148
415000
2000
con el surgimiento de cada palabra;
07:12
word after word, systematically.
149
417000
2000
palabra tras palabra, sistemáticamente.
07:14
So it appears that all three primary caregivers --
150
419000
2000
Parece que los 3 adultos a cargo
07:16
myself, my wife and our nanny --
151
421000
3000
-mi esposa, la niñera y yo-
07:19
were systematically and, I would think, subconsciously
152
424000
3000
creo que sistemática y subconscientemente fuimos
07:22
restructuring our language
153
427000
2000
reestructurando nuestro lenguaje
07:24
to meet him at the birth of a word
154
429000
3000
para acercarlo al nacimiento de una palabra
07:27
and bring him gently into more complex language.
155
432000
4000
y llevarlo dulcemente hacia un lenguaje más complejo.
07:31
And the implications of this -- there are many,
156
436000
2000
Y la consecuencia de esto -hay muchas,
07:33
but one I just want to point out,
157
438000
2000
pero hay una que quiero señalar-
07:35
is that there must be amazing feedback loops.
158
440000
3000
es que debe haber asombrosos ciclos de respuesta.
07:38
Of course, my son is learning
159
443000
2000
Claro, mi hijo está aprendiendo
07:40
from his linguistic environment,
160
445000
2000
de su entorno lingüístico
07:42
but the environment is learning from him.
161
447000
3000
pero el entorno está aprendiendo de él.
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
Ese entorno, la gente, está en estos apretados ciclos de respuesta
07:48
and creating a kind of scaffolding
163
453000
2000
creando una suerte de andamiaje
07:50
that has not been noticed until now.
164
455000
3000
que no se había observado hasta ahora.
07:54
But that's looking at the speech context.
165
459000
2000
Pero eso es observar el contexto hablado.
07:56
What about the visual context?
166
461000
2000
¿Qué pasa con el contexto visual?
07:58
We're not looking at --
167
463000
2000
No estamos mirando...
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
hagan un corte de casa de muñecas de nuestra casa.
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
Hemos tomado las cámaras de ojo de pez
08:05
and we've done some optical correction,
170
470000
2000
y les aplicamos una corrección óptica,
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
para luego transformarlo en un modelo tridimensional.
08:11
So welcome to my home.
172
476000
2000
Así que bienvenidos a casa.
08:13
This is a moment,
173
478000
2000
Este es un momento
08:15
one moment captured across multiple cameras.
174
480000
3000
capturado a través de múltiples cámaras.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
Hicimos esto para crear una máquina de memoria definitiva
08:21
where you can go back and interactively fly around
176
486000
3000
en la que se pueda volver atrás y, de manera interactiva,
08:24
and then breathe video-life into this system.
177
489000
3000
insuflar el hálito del video en el sistema.
08:27
What I'm going to do
178
492000
2000
Lo que voy a hacer
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
es mostrarles 30 minutos en video acelerado,
08:32
again, of just life in the living room.
180
497000
2000
de nuevo, de la vida en la sala de estar.
08:34
That's me and my son on the floor.
181
499000
3000
Allí estamos mi hijo y yo en el piso.
08:37
And there's video analytics
182
502000
2000
Y mediante análisis de vídeo
08:39
that are tracking our movements.
183
504000
2000
se sigue nuestros movimientos.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
Mi hijo deja una tinta roja, yo dejo tinta verde.
08:44
We're now on the couch,
185
509000
2000
Ahora estamos en el sofá
08:46
looking out through the window at cars passing by.
186
511000
3000
mirando por la ventana a los coches que pasaban.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
Y, finalmente, mi hijo caminando por sí mismo con un juguete.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
Ahora congelamos la acción, 30 minutos,
08:55
we turn time into the vertical axis,
189
520000
2000
giramos el tiempo hacia el eje vertical
08:57
and we open up for a view
190
522000
2000
y abrimos una vista
08:59
of these interaction traces we've just left behind.
191
524000
3000
de estas trazas de interacción que hemos dejado atrás.
09:02
And we see these amazing structures --
192
527000
3000
Y vemos estas estructuras asombrosas:
09:05
these little knots of two colors of thread
193
530000
3000
a estos hilos de puntitos de 2 colores
09:08
we call "social hot spots."
194
533000
2000
los llamamos «zonas sociales».
09:10
The spiral thread
195
535000
2000
Al hilo en espiral
09:12
we call a "solo hot spot."
196
537000
2000
lo llamamos «zona en solitario».
09:14
And we think that these affect the way language is learned.
197
539000
3000
Y pensamos que éstas afectan la manera de aprender el lenguaje.
09:17
What we'd like to do
198
542000
2000
Lo que queremos hacer
09:19
is start understanding
199
544000
2000
es empezar a entender
09:21
the interaction between these patterns
200
546000
2000
la interacción entre estos patrones
09:23
and the language that my son is exposed to
201
548000
2000
y el lenguaje al que está expuesto mi hijo
09:25
to see if we can predict
202
550000
2000
para ver si podemos predecir
09:27
how the structure of when words are heard
203
552000
2000
la manera en que la estructura de palabras escuchadas
09:29
affects when they're learned --
204
554000
2000
afecta a las palabras aprendidas
09:31
so in other words, the relationship
205
556000
2000
o, en otras palabras, la relación
09:33
between words and what they're about in the world.
206
558000
4000
entre las palabras y su lugar en el mundo.
09:37
So here's how we're approaching this.
207
562000
2000
Esta es la manera en que lo estamos abordando.
09:39
In this video,
208
564000
2000
En este video,
09:41
again, my son is being traced out.
209
566000
2000
de nuevo, se hace una seguimiento de mi hijo.
09:43
He's leaving red ink behind.
210
568000
2000
Está dejando tinta roja a su paso.
09:45
And there's our nanny by the door.
211
570000
2000
Y la niñera está junto a la puerta.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(Video) Niñera: ¿Quieres agua? (Bebé: Aaaa)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
Niñera: Muy bien. (Bebé: Aaaa)
09:53
DR: She offers water,
214
578000
2000
DR: Ella le ofrece agua
09:55
and off go the two worms
215
580000
2000
y allá van los 2 gusanos [espacio-temporales, NT]
09:57
over to the kitchen to get water.
216
582000
2000
a la cocina en busca de agua.
09:59
And what we've done is use the word "water"
217
584000
2000
Usamos la palabra "agua"
10:01
to tag that moment, that bit of activity.
218
586000
2000
para etiquetar el momento, esa actividad.
10:03
And now we take the power of data
219
588000
2000
Y tenemos el poder de los datos
10:05
and take every time my son
220
590000
3000
para ver cada vez que mi hijo
10:08
ever heard the word water
221
593000
2000
escuchó la palabra "agua"
10:10
and the context he saw it in,
222
595000
2000
y el contexto en el que la vio
10:12
and we use it to penetrate through the video
223
597000
3000
y usamos eso para penetrar el video
10:15
and find every activity trace
224
600000
3000
y encontrar cada traza de actividad
10:18
that co-occurred with an instance of water.
225
603000
3000
que sucedió en simultáneo con una ocurrencia de "agua".
10:21
And what this data leaves in its wake
226
606000
2000
Y lo que estos datos dejan a su paso
10:23
is a landscape.
227
608000
2000
es un paisaje.
10:25
We call these wordscapes.
228
610000
2000
Los llamamos «paisajes expresivos». [wordscapes, NT]
10:27
This is the wordscape for the word water,
229
612000
2000
Este es el paisaje expresivo para la palabra "agua"
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
y pueden ver que gran parte de la acción se da en la cocina.
10:31
That's where those big peaks are over to the left.
231
616000
3000
Es donde están esos grandes picos allí a la izquierda.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
Y para contrastar, podemos hacerlo con cualquier palabra.
10:37
We can take the word "bye"
233
622000
2000
Podemos tomar
10:39
as in "good bye."
234
624000
2000
la palabra "adiós".
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
Y ahora enfocamos la entrada de la casa.
10:43
And we look, and we find, as you would expect,
236
628000
3000
Miramos, y encontramos, como es de esperar,
10:46
a contrast in the landscape
237
631000
2000
un contraste en el paisaje
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
en el que la palabra "adiós" ocurre de manera mucho más estructurada.
10:51
So we're using these structures
239
636000
2000
Estamos usando estas estructuras
10:53
to start predicting
240
638000
2000
para empezar a predecir
10:55
the order of language acquisition,
241
640000
3000
el orden de adquisición del lenguaje
10:58
and that's ongoing work now.
242
643000
2000
y ese es un trabajo en curso.
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
En mi laboratorio, que estamos viendo ahora, en el MIT
11:03
this is at the media lab.
244
648000
2000
esto es en el Media Lab.
11:05
This has become my favorite way
245
650000
2000
Esta se ha vuelto mi manera favorita
11:07
of videographing just about any space.
246
652000
2000
de videografiar casi cualquier espacio.
11:09
Three of the key people in this project,
247
654000
2000
Aquí, 3 de las personas clave en este proyecto:
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
Philip DeCamp, Rony Kubat y Brandon Roy.
11:14
Philip has been a close collaborator
249
659000
2000
Philip ha sido un estrecho colaborador
11:16
on all the visualizations you're seeing.
250
661000
2000
en las visualizaciones que están viendo.
11:18
And Michael Fleischman
251
663000
3000
Y Michael Fleischman
11:21
was another Ph.D. student in my lab
252
666000
2000
era otro estudiante de posgrado de mi laboratorio
11:23
who worked with me on this home video analysis,
253
668000
3000
que trabajó conmigo en este análisis de video doméstico
11:26
and he made the following observation:
254
671000
3000
e hizo la siguiente observación:
11:29
that "just the way that we're analyzing
255
674000
2000
"la manera en que estamos analizando
11:31
how language connects to events
256
676000
3000
cómo se conecta el lenguaje a los eventos
11:34
which provide common ground for language,
257
679000
2000
que proporciona un punto común para el lenguaje,
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
podemos sacar esa misma idea de tu casa, Deb,
11:40
and we can apply it to the world of public media."
259
685000
3000
y aplicarla al mundo de los medios públicos".
11:43
And so our effort took an unexpected turn.
260
688000
3000
Y así nuestro esfuerzo dio un giro inesperado.
11:46
Think of mass media
261
691000
2000
Piensen en los medios
11:48
as providing common ground
262
693000
2000
proporcionado un punto común
11:50
and you have the recipe
263
695000
2000
y tendrán la receta
11:52
for taking this idea to a whole new place.
264
697000
3000
para llevar esta idea a un lugar completamente nuevo.
11:55
We've started analyzing television content
265
700000
3000
Empezamos a analizar el contenido televisivo
11:58
using the same principles --
266
703000
2000
usando los mismos principios
12:00
analyzing event structure of a TV signal --
267
705000
3000
-analizando la estructura de eventos de la señal de TV-
12:03
episodes of shows,
268
708000
2000
episodios de programas,
12:05
commercials,
269
710000
2000
publicidad,
12:07
all of the components that make up the event structure.
270
712000
3000
todos los componentes que constituyen la estructura de eventos.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
Y ahora, con antenas parabólicas, tomamos y analizamos
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
buena parte de la TV que se mira en Estados Unidos.
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
Y ya no hay que ir a poner micrófonos en la sala de estar
12:19
to get people's conversations,
274
724000
2000
para conseguir conversaciones de la gente;
12:21
you just tune into publicly available social media feeds.
275
726000
3000
sólo hay que sintonizar los medios sociales de dominio público.
12:24
So we're pulling in
276
729000
2000
Por eso estamos tomando
12:26
about three billion comments a month,
277
731000
2000
unos 3 millones de comentarios al mes.
12:28
and then the magic happens.
278
733000
2000
Y luego se produce la magia.
12:30
You have the event structure,
279
735000
2000
Tenemos la estructura de eventos,
12:32
the common ground that the words are about,
280
737000
2000
el punto en común del significado de las palabras
12:34
coming out of the television feeds;
281
739000
3000
que salen las señales de TV;
12:37
you've got the conversations
282
742000
2000
tenemos las conversaciones
12:39
that are about those topics;
283
744000
2000
sobre esos temas;
12:41
and through semantic analysis --
284
746000
3000
y mediante análisis semántico
12:44
and this is actually real data you're looking at
285
749000
2000
-y están viendo datos reales
12:46
from our data processing --
286
751000
2000
de nuestro procesamiento-
12:48
each yellow line is showing a link being made
287
753000
3000
cada línea amarilla muestra un nexo
12:51
between a comment in the wild
288
756000
3000
entre un comentario al aire
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
y un elemento de la estructura de eventos que sale de la señal de TV.
12:57
And the same idea now
290
762000
2000
Y hora se puede construir
12:59
can be built up.
291
764000
2000
la misma idea.
13:01
And we get this wordscape,
292
766000
2000
Obtenemos este «paisaje expresivo»
13:03
except now words are not assembled in my living room.
293
768000
3000
sólo que ahora las palabras no se ensamblan en mi sala de estar.
13:06
Instead, the context, the common ground activities,
294
771000
4000
En vez de eso, el contexto, las actividades de un punto común,
13:10
are the content on television that's driving the conversations.
295
775000
3000
son el contenido televisivo que guía las conversaciones.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
Y lo que vemos aquí, estos rascacielos,
13:16
are commentary
297
781000
2000
son comentarios
13:18
that are linked to content on television.
298
783000
2000
en relación al contenido televisivo.
13:20
Same concept,
299
785000
2000
El mismo concepto
13:22
but looking at communication dynamics
300
787000
2000
pero mirando la dinámica comunicacional
13:24
in a very different sphere.
301
789000
2000
en un ámbito muy diferente.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
Fundamentalmente en vez de, por ejemplo,
13:28
measuring content based on how many people are watching,
303
793000
3000
medir el contenido en función de la cantidad de personas que miran,
13:31
this gives us the basic data
304
796000
2000
esto nos da los datos básicos
13:33
for looking at engagement properties of content.
305
798000
3000
para observar la atracción del contenido.
13:36
And just like we can look at feedback cycles
306
801000
3000
Y así como podemos mirar ciclos de respuesta
13:39
and dynamics in a family,
307
804000
3000
y dinámicas en una familia
13:42
we can now open up the same concepts
308
807000
3000
ahora podemos abrir los mismos conceptos
13:45
and look at much larger groups of people.
309
810000
3000
y mirar grupos de personas muchos más grandes.
13:48
This is a subset of data from our database --
310
813000
3000
Este es un subconjunto de datos de nuestra base
13:51
just 50,000 out of several million --
311
816000
3000
-sólo 50 000 de varios millones-
13:54
and the social graph that connects them
312
819000
2000
y el grafo social que los conecta
13:56
through publicly available sources.
313
821000
3000
mediante fuentes de dominio público.
13:59
And if you put them on one plain,
314
824000
2000
Y si los ponemos a todos en un plano,
14:01
a second plain is where the content lives.
315
826000
3000
un segundo plano es donde vive el contenido.
14:04
So we have the programs
316
829000
3000
Tenemos los programas,
14:07
and the sporting events
317
832000
2000
los eventos deportivos,
14:09
and the commercials,
318
834000
2000
las publicidades
14:11
and all of the link structures that tie them together
319
836000
2000
y todas las estructuras que los unen
14:13
make a content graph.
320
838000
2000
conforman el grafo de contenido.
14:15
And then the important third dimension.
321
840000
4000
Y luego tenemos la tercera, importante, dimensión.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
Cada enlace que ven graficado aquí
14:21
is an actual connection made
323
846000
2000
es una conexión real
14:23
between something someone said
324
848000
3000
entre algo que alguien dijo
14:26
and a piece of content.
325
851000
2000
y un contenido.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
Y hay, de nuevo, decenas de millones de estos enlaces
14:31
that give us the connective tissue of social graphs
327
856000
3000
que nos dan el tejido conectivo de los grafos sociales
14:34
and how they relate to content.
328
859000
3000
y cómo se relacionan con el contenido.
14:37
And we can now start to probe the structure
329
862000
2000
Y ahora podemos empezar a probar la estructura
14:39
in interesting ways.
330
864000
2000
de maneras interesantes.
14:41
So if we, for example, trace the path
331
866000
3000
Si, por ejemplo, trazamos el camino
14:44
of one piece of content
332
869000
2000
de un contenido
14:46
that drives someone to comment on it,
333
871000
2000
que lleva a alguien a comentarlo
14:48
and then we follow where that comment goes,
334
873000
3000
y luego seguimos a dónde va ese comentario
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
y después miramos todo el grafo social que se activa
14:54
and then trace back to see the relationship
336
879000
3000
y después volvemos para ver la relación
14:57
between that social graph and content,
337
882000
2000
entre ese grafo social y el contenido
14:59
a very interesting structure becomes visible.
338
884000
2000
se revela una estructura muy interesante.
15:01
We call this a co-viewing clique,
339
886000
2000
Lo llamamos «círculo de co-expectación»
15:03
a virtual living room if you will.
340
888000
3000
una sala de estar virtual, si se quiere.
15:06
And there are fascinating dynamics at play.
341
891000
2000
Y hay una dinámica fascinante en juego.
15:08
It's not one way.
342
893000
2000
No es unidireccional.
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
Un contenido o un evento hacen que alguien hable de eso.
15:13
They talk to other people.
344
898000
2000
Ellos hablan con otras personas.
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
Eso produce más encendido en los medios de comunicación
15:18
and you have these cycles
346
903000
2000
y se obtienen estos ciclos
15:20
that drive the overall behavior.
347
905000
2000
que guían el comportamiento general.
15:22
Another example -- very different --
348
907000
2000
Otro ejemplo, muy diferente,
15:24
another actual person in our database --
349
909000
3000
otra persona real de nuestra base de datos,
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
y estamos encontrando al menos cientos, si no miles de ellos.
15:30
We've given this person a name.
351
915000
2000
A esta persona le hemos dado un nombre.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
Es un crítico de medios pro-amateur, o pro-am,
15:35
who has this high fan-out rate.
353
920000
3000
que tiene esta alta tasa de exposición.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
Entonces, muchas personas siguen a esta persona - muy influyente-
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
y tienen una propensión a hablar de lo que pasa en la TV.
15:43
So this person is a key link
356
928000
3000
Esta persona es un vínculo clave
15:46
in connecting mass media and social media together.
357
931000
3000
para conectar a los medios de comunicación con los medios sociales.
15:49
One last example from this data:
358
934000
3000
Un último ejemplo de estos datos:
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
a veces lo especial es el contenido.
15:55
So if we go and look at this piece of content,
360
940000
4000
Si vemos este contenido es
15:59
President Obama's State of the Union address
361
944000
3000
el discurso del presidente Obama sobre el Estado de la Unión
16:02
from just a few weeks ago,
362
947000
2000
de hace apenas unas semanas
16:04
and look at what we find in this same data set,
363
949000
3000
y miramos lo que encontramos en estos mismos datos,
16:07
at the same scale,
364
952000
3000
en la misma escala,
16:10
the engagement properties of this piece of content
365
955000
2000
la atracción de este contenido
16:12
are truly remarkable.
366
957000
2000
es verdaderamente notable.
16:14
A nation exploding in conversation
367
959000
2000
Una nación explota de conversación
16:16
in real time
368
961000
2000
en tiempo real
16:18
in response to what's on the broadcast.
369
963000
3000
en respuesta a lo que se está emitiendo.
16:21
And of course, through all of these lines
370
966000
2000
Y, por supuesto, en todas estas líneas
16:23
are flowing unstructured language.
371
968000
2000
fluye lenguaje no estructurado.
16:25
We can X-ray
372
970000
2000
Podemos radiografiar
16:27
and get a real-time pulse of a nation,
373
972000
2000
y obtener el pulso de una nación en tiempo real,
16:29
real-time sense
374
974000
2000
sentido en tiempo real,
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
de las reacciones sociales en los diferentes circuitos del grafo social
16:34
being activated by content.
376
979000
3000
que se activan por los contenidos.
16:37
So, to summarize, the idea is this:
377
982000
3000
Así, para resumir, la idea es ésta:
16:40
As our world becomes increasingly instrumented
378
985000
3000
a medida que nuestro mundo se vuelve cada vez más instrumentado
16:43
and we have the capabilities
379
988000
2000
y tenemos la capacidad
16:45
to collect and connect the dots
380
990000
2000
para reunir y conectar los puntos
16:47
between what people are saying
381
992000
2000
entre lo que dicen las personas
16:49
and the context they're saying it in,
382
994000
2000
y el contexto en el que lo están diciendo,
16:51
what's emerging is an ability
383
996000
2000
está surgiendo una capacidad para
16:53
to see new social structures and dynamics
384
998000
3000
ver nuevas estructuras y dinámicas sociales
16:56
that have previously not been seen.
385
1001000
2000
que antes no se veían.
16:58
It's like building a microscope or telescope
386
1003000
2000
Es como construir un microscopio o un telescopio
17:00
and revealing new structures
387
1005000
2000
y revelar nuevas estructuras
17:02
about our own behavior around communication.
388
1007000
3000
sobre nuestro comportamiento en torno a la comunicación.
17:05
And I think the implications here are profound,
389
1010000
3000
Y pienso que las consecuencias aquí son profundas
17:08
whether it's for science,
390
1013000
2000
ya sea para la ciencia,
17:10
for commerce, for government,
391
1015000
2000
para el comercio, para el gobierno,
17:12
or perhaps most of all,
392
1017000
2000
o quizá, sobre todo,
17:14
for us as individuals.
393
1019000
3000
para nosotros como individuos.
17:17
And so just to return to my son,
394
1022000
3000
Y para volver al tema de mi hijo
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
cuando estaba preparando esta charla, él miraba por encima de mi hombro,
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
y le mostré los videos que iba a presentar hoy,
17:25
and I asked him for permission -- granted.
397
1030000
3000
le pedí permiso; me lo concedió.
17:28
And then I went on to reflect,
398
1033000
2000
Y luego seguí reflexionando:
17:30
"Isn't it amazing,
399
1035000
3000
"No es asombrosa
17:33
this entire database, all these recordings,
400
1038000
3000
toda esta base de datos, estas grabaciones,
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
que les voy a dejar a ti y a tu hermana"
17:38
who arrived two years later --
402
1043000
3000
-que llegó 2 años después-
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"Uds van a poder volver atrás y experimentar momentos
17:44
that you could never, with your biological memory,
404
1049000
3000
que con sus memorias biológicas jamás hubieran podido
17:47
possibly remember the way you can now?"
405
1052000
2000
de la forma en que lo hacen ahora".
17:49
And he was quiet for a moment.
406
1054000
2000
Se quedó callado un momento.
17:51
And I thought, "What am I thinking?
407
1056000
2000
Y pensé: "¿Qué estoy pensando?
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
Tiene 5 años. No va a entender esto".
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
Y mientras pensaba eso él me miró y dijo:
17:58
"So that when I grow up,
410
1063000
2000
"Así que cuando crezca,
18:00
I can show this to my kids?"
411
1065000
2000
¿puedo mostrarle esto a mis hijos?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
Y pensé: "¡esto es algo muy potente!"
18:05
So I want to leave you
413
1070000
2000
Quiero despedirme
18:07
with one last memorable moment
414
1072000
2000
con un último momento memorable
18:09
from our family.
415
1074000
3000
de nuestra familia.
18:12
This is the first time our son
416
1077000
2000
Este es la primera vez que nuestro hijo
18:14
took more than two steps at once --
417
1079000
2000
dio más de 2 pasos seguidos,
18:16
captured on film.
418
1081000
2000
capturado en la película.
18:18
And I really want you to focus on something
419
1083000
3000
Y quiero que se centren en algo
18:21
as I take you through.
420
1086000
2000
a medida que les muestre.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
Es un ambiente desordenado, es la vida natural.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
Mi madre está en la cocina, cocinando,
18:27
and, of all places, in the hallway,
423
1092000
2000
y de todos los lugares, en el pasillo,
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
me doy cuenta que está por hacerlo, por dar más de 2 pasos.
18:32
And so you hear me encouraging him,
425
1097000
2000
Por eso me oyen dándole ánimo
18:34
realizing what's happening,
426
1099000
2000
al darme cuenta lo que está sucediendo
18:36
and then the magic happens.
427
1101000
2000
y luego se produce la magia.
18:38
Listen very carefully.
428
1103000
2000
Escuchen muy atentamente.
18:40
About three steps in,
429
1105000
2000
Al dar unos 3 pasos
18:42
he realizes something magic is happening,
430
1107000
2000
él se da cuenta que está pasando algo mágico.
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
Y entra en acción el ciclo de respuesta más asombroso:
18:47
and he takes a breath in,
432
1112000
2000
él toma un respiro,
18:49
and he whispers "wow"
433
1114000
2000
y susurra "¡guau!"
18:51
and instinctively I echo back the same.
434
1116000
4000
e instintivamente yo hago lo mismo.
18:56
And so let's fly back in time
435
1121000
3000
Retrocedamos en el tiempo
18:59
to that memorable moment.
436
1124000
2000
hasta ese momento memorable.
19:05
(Video) DR: Hey.
437
1130000
2000
(Video) DR: Oye.
19:07
Come here.
438
1132000
2000
Ven aquí.
19:09
Can you do it?
439
1134000
3000
¿Puedes hacerlo?
19:13
Oh, boy.
440
1138000
2000
Oh, muchacho.
19:15
Can you do it?
441
1140000
3000
¿Puedes hacerlo?
19:18
Baby: Yeah.
442
1143000
2000
Bebé: Sí.
19:20
DR: Ma, he's walking.
443
1145000
3000
DR: Ma, está caminando.
19:24
(Laughter)
444
1149000
2000
(Risas)
19:26
(Applause)
445
1151000
2000
(Aplausos)
19:28
DR: Thank you.
446
1153000
2000
DR: Gracias.
19:30
(Applause)
447
1155000
15000
(Aplausos)
ABOUT THE SPEAKER
Deb Roy - Cognitive scientistDeb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs.
Why you should listen
Deb Roy directs the Cognitive Machines group at the MIT Media Lab, where he studies how children learn language, and designs machines that learn to communicate in human-like ways. To enable this work, he has pioneered new data-driven methods for analyzing and modeling human linguistic and social behavior. He has authored numerous scientific papers on artificial intelligence, cognitive modeling, human-machine interaction, data mining, and information visualization.
Deb Roy was the co-founder and serves as CEO of Bluefin Labs, a venture-backed technology company. Built upon deep machine learning principles developed in his research over the past 15 years, Bluefin has created a technology platform that analyzes social media commentary to measure real-time audience response to TV ads and shows.
Follow Deb Roy on Twitter>
Roy adds some relevant papers:
Deb Roy. (2009). New Horizons in the Study of Child Language Acquisition. Proceedings of Interspeech 2009. Brighton, England. bit.ly/fSP4Qh
Brandon C. Roy, Michael C. Frank and Deb Roy. (2009). Exploring word learning in a high-density longitudinal corpus. Proceedings of the 31st Annual Meeting of the Cognitive Science Society. Amsterdam, Netherlands. bit.ly/e1qxej
Plenty more papers on our research including technology and methodology can be found here, together with other research from my lab at MIT: bit.ly/h3paSQ
The work that I mentioned on relationships between television content and the social graph is being done at Bluefin Labs (www.bluefinlabs.com). Details of this work have not been published. The social structures we are finding (and that I highlighted in my TED talk) are indeed new. The social media communication channels that are leading to their formation did not even exist a few years ago, and Bluefin's technology platform for discovering these kinds of structures is the first of its kind. We'll certainly have more to say about all this as we continue to dig into this fascinating new kind of data, and as new social structures continue to evolve!
Deb Roy | Speaker | TED.com