TED2011
Deb Roy: The birth of a word
Deb Roy: La naissance d'un mot
Filmed:
Readability: 4.2
2,809,941 views
Deb Roy, chercheur au MIT, voulait comprendre comment son fils a appris à parler - il a donc installé des caméras vidéo dans toute sa maison pour enregistrer tous les moment (à quelques exceptions près) de la vie de son fils, et a ensuite parcouru 90 000 heures de vidéo domestique pour voir "gaaaaa" se transformer lentement en "eau". Une rechercher étonnante et riche en données avec des implications profonde sur le fonctionnement de l'apprentissage.
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
Imaginez que vous pouvez enregistrer votre vie --
00:19
everything you said, everything you did,
1
4000
3000
tout ce que vous avez dit, tout ce que vous avez fait,
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
à portée de main dans une bibliothèque de souvenirs infaillible,
00:25
so you could go back
3
10000
2000
si bien que vous pourriez revenir en arrière,
00:27
and find memorable moments and relive them,
4
12000
3000
trouver des moments mémorables et les revivre,
00:30
or sift through traces of time
5
15000
3000
ou trier, sélectionner des traces temporelles
00:33
and discover patterns in your own life
6
18000
2000
et découvrir des motifs dans votre vie
00:35
that previously had gone undiscovered.
7
20000
3000
que vous n'aviez pas découvert auparavant.
00:38
Well that's exactly the journey
8
23000
2000
Et bien, c'est exactement le voyage
00:40
that my family began
9
25000
2000
qu'a entrepris ma famille
00:42
five and a half years ago.
10
27000
2000
il y a cinq ans et demi.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
Voici ma femme et collègue, Rupal.
00:47
And on this day, at this moment,
12
32000
2000
Et ce jour, à cet instant,
00:49
we walked into the house with our first child,
13
34000
2000
nous sommes rentrés dans notre maison avec notre premier enfant,
00:51
our beautiful baby boy.
14
36000
2000
notre magnifique petit garçon.
00:53
And we walked into a house
15
38000
3000
Et nous sommes rentrés dans une maison
00:56
with a very special home video recording system.
16
41000
4000
avec un système d'enregistrement vidéo très spécial.
01:07
(Video) Man: Okay.
17
52000
2000
(Vidéo) Homme: Ok.
01:10
Deb Roy: This moment
18
55000
1000
Deb Roy: Ce moment
01:11
and thousands of other moments special for us
19
56000
3000
et des milliers d'autres moments chers à nos yeux,
01:14
were captured in our home
20
59000
2000
ont été enregistrés dans notre maison
01:16
because in every room in the house,
21
61000
2000
parce que dans chaque pièce de la maison,
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
si vous regardez au plafond, vous voyez une caméra et un micro,
01:21
and if you looked down,
23
66000
2000
et si vous regardez en bas,
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
vous avez cette vue en plongée de la pièce.
01:25
Here's our living room,
25
70000
3000
Voici notre salon,
01:28
the baby bedroom,
26
73000
3000
la chambre du bébé,
01:31
kitchen, dining room
27
76000
2000
cuisine, salle à manger,
01:33
and the rest of the house.
28
78000
2000
et le reste de la maison.
01:35
And all of these fed into a disc array
29
80000
3000
Et tout ceci est envoyé à un ensemble de disques
01:38
that was designed for a continuous capture.
30
83000
3000
conçus pour enregistrer en continu.
01:41
So here we are flying through a day in our home
31
86000
3000
Nous voici donc survolant une journée à la maison,
01:44
as we move from sunlit morning
32
89000
3000
naviguant d'une aube lumineuse
01:47
through incandescent evening
33
92000
2000
à un crépuscule incandescent
01:49
and, finally, lights out for the day.
34
94000
3000
pour finalement éteindre les lumières du jour.
01:53
Over the course of three years,
35
98000
3000
Trois ans durant,
01:56
we recorded eight to 10 hours a day,
36
101000
2000
nous avons enregistré entre 8 et 10 heures par jour,
01:58
amassing roughly a quarter-million hours
37
103000
3000
amassant au bas mot un quart de million d'heures
02:01
of multi-track audio and video.
38
106000
3000
de vidéo multi-piste avec le son.
02:04
So you're looking at a piece of what is by far
39
109000
2000
Vous visionnez donc un extrait de ce qui est de loin
02:06
the largest home video collection ever made.
40
111000
2000
la plus grande collection de vidéo personnelle jamais créée.
02:08
(Laughter)
41
113000
3000
(Rire)
02:11
And what this data represents
42
116000
2000
Et ce que ces données représentent
02:13
for our family at a personal level,
43
118000
4000
pour notre famille d'un point de vue personnel,
02:17
the impact has already been immense,
44
122000
2000
l'impact a déjà été immense,
02:19
and we're still learning its value.
45
124000
3000
et nous en réalisons encore la valeur.
02:22
Countless moments
46
127000
2000
Un nombre incalculable de moments
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
de moments naturels non provoqués, sans poses,
02:27
are captured there,
48
132000
2000
sont enregistrés ici,
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
et nous commençons à apprendre comment les découvrir et les retrouver.
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
Mais ce projet a aussi été conduit pour une raison scientifique,
02:35
which was to use this natural longitudinal data
51
140000
4000
qui était d'utiliser ces données naturelles longitudinales
02:39
to understand the process
52
144000
2000
pour comprendre le processus
02:41
of how a child learns language --
53
146000
2000
menant à l'apprentissage du langage par un enfant --
02:43
that child being my son.
54
148000
2000
cet enfant étant ici mon fils.
02:45
And so with many privacy provisions put in place
55
150000
4000
Avec de nombreuses dispositions de protection de la vie privée
02:49
to protect everyone who was recorded in the data,
56
154000
3000
mises en place pour protéger les personnes enregistrées,
02:52
we made elements of the data available
57
157000
3000
nous avons mis des éléments de données à disposition
02:55
to my trusted research team at MIT
58
160000
3000
de mon équipe de recherche de confiance au MIT
02:58
so we could start teasing apart patterns
59
163000
3000
pour que nous puissions commencer à déchiffrer les motifs
03:01
in this massive data set,
60
166000
3000
dans cet énorme jeu de données,
03:04
trying to understand the influence of social environments
61
169000
3000
en essayant de comprendre l'influence de l'environnement social
03:07
on language acquisition.
62
172000
2000
sur l’acquisition du langage.
03:09
So we're looking here
63
174000
2000
Nous regardons ici
03:11
at one of the first things we started to do.
64
176000
2000
l'une des premières choses que nous avons faites.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
Voici ma femme et moi préparant le petit déjeuner dans la cuisine.
03:17
and as we move through space and through time,
66
182000
3000
En nous déplaçant à travers l'espace et le temps,
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
un premier motif quotidien de la vie dans la cuisine.
03:23
In order to convert
68
188000
2000
Pour convertir
03:25
this opaque, 90,000 hours of video
69
190000
3000
ces 90 000 heures de vidéo indéchiffrable
03:28
into something that we could start to see,
70
193000
2000
en quelque chose que nous pouvons commencer à visionner,
03:30
we use motion analysis to pull out,
71
195000
2000
nous utilisons l'analyse de mouvement pour extraire,
03:32
as we move through space and through time,
72
197000
2000
en naviguant à travers l'espace et le temps,
03:34
what we call space-time worms.
73
199000
3000
ce que nous appelons des vers temporels.
03:37
And this has become part of our toolkit
74
202000
3000
C'est devenu l'un de nos outils
03:40
for being able to look and see
75
205000
3000
pour être capable de voir et de définir
03:43
where the activities are in the data,
76
208000
2000
où se situent les activités dans les données,
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
et ainsi, suivre le motif, en particulier,
03:48
where my son moved throughout the home,
78
213000
2000
des déplacements de mon fils à travers la maison,
03:50
so that we could focus our transcription efforts,
79
215000
3000
pour que nous puissions focaliser nos efforts de transcription,
03:53
all of the speech environment around my son --
80
218000
3000
tout l'environnement de dialogues autour de mon fils --
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
tous les mots qu'il a entendus de moi-même, de ma femme, de la nounou,
03:59
and over time, the words he began to produce.
82
224000
3000
et au fur et à mesure, les mots qu'il a commencé à former.
04:02
So with that technology and that data
83
227000
3000
Avec cette technologie et ces données
04:05
and the ability to, with machine assistance,
84
230000
2000
et la possibilité, grâce à une machine,
04:07
transcribe speech,
85
232000
2000
de retranscrire les dialogues,
04:09
we've now transcribed
86
234000
2000
nous avons maintenant retranscrit
04:11
well over seven million words of our home transcripts.
87
236000
3000
bien plus de sept millions de mots de nos conversations domestiques.
04:14
And with that, let me take you now
88
239000
2000
Ainsi, laissez-moi vous emmener
04:16
for a first tour into the data.
89
241000
3000
faire un premier voyage dans les données.
04:19
So you've all, I'm sure,
90
244000
2000
Vous avez tous, j'en suis sûr,
04:21
seen time-lapse videos
91
246000
2000
vu des vidéos accélérées
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
où une fleur s’épanouit en temps accéléré.
04:26
I'd like you to now experience
93
251000
2000
Je voudrais maintenant vous faire vivre
04:28
the blossoming of a speech form.
94
253000
2000
l'épanouissement d'une forme de langage.
04:30
My son, soon after his first birthday,
95
255000
2000
Mon fils, peu après son premier anniversaire,
04:32
would say "gaga" to mean water.
96
257000
3000
disait "gaga" pour parler d'eau.
04:35
And over the course of the next half-year,
97
260000
3000
Au fil des six mois suivants,
04:38
he slowly learned to approximate
98
263000
2000
il a lentement appris à s'approcher
04:40
the proper adult form, "water."
99
265000
3000
de la forme adulte correcte, "eau".
04:43
So we're going to cruise through half a year
100
268000
2000
Nous allons donc parcourir 6 mois
04:45
in about 40 seconds.
101
270000
2000
en environ 40 secondes.
04:47
No video here,
102
272000
2000
Pas de vidéo ici,
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
pour que vous puissiez vous concentrer sur le son, l'acoustique,
04:52
of a new kind of trajectory:
104
277000
2000
d'une nouvelle forme de trajectoire:
04:54
gaga to water.
105
279000
2000
de gaga à eau [prononcé water en anglais].
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(Audio) Bébé: 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: Il a bien réussi, n'est-ce pas ?
05:43
(Applause)
116
328000
7000
(Applaudissements)
05:50
So he didn't just learn water.
117
335000
2000
Il n'a pas seulement appris à dire eau.
05:52
Over the course of the 24 months,
118
337000
2000
Pendant les 24 mois,
05:54
the first two years that we really focused on,
119
339000
3000
les 2 ans, sur lesquels nous nous sommes réellement concentrés,
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
voici une liste de tous les mots qu'il a appris par ordre chronologique.
06:01
And because we have full transcripts,
121
346000
3000
Parce que nous avons les transcriptions complètes,
06:04
we've identified each of the 503 words
122
349000
2000
nous avons identifié chacun des 503 mots
06:06
that he learned to produce by his second birthday.
123
351000
2000
qu'il a appris à prononcer avant son second anniversaire.
06:08
He was an early talker.
124
353000
2000
Il a été un parleur précoce.
06:10
And so we started to analyze why.
125
355000
3000
Nous avons donc commencé à analyser pourquoi.
06:13
Why were certain words born before others?
126
358000
3000
Pourquoi certains mots sont-ils apparus avant d'autres?
06:16
This is one of the first results
127
361000
2000
C'est un des premier résultat
06:18
that came out of our study a little over a year ago
128
363000
2000
produit dans notre étude il y a un peu plus d'un an
06:20
that really surprised us.
129
365000
2000
qui nous ai réellement surpris.
06:22
The way to interpret this apparently simple graph
130
367000
3000
La manière de lire ce graphe apparemment simple
06:25
is, on the vertical is an indication
131
370000
2000
est d'y voir verticalement une indication
06:27
of how complex caregiver utterances are
132
372000
3000
de la complexité de l'expression des adultes à proximité
06:30
based on the length of utterances.
133
375000
2000
basée sur la longueur des mots.
06:32
And the [horizontal] axis is time.
134
377000
3000
L'axe horizontal est le temps.
06:35
And all of the data,
135
380000
2000
Toutes les données,
06:37
we aligned based on the following idea:
136
382000
3000
nous les avons alignées en nous basant sur le principe suivant:
06:40
Every time my son would learn a word,
137
385000
3000
chaque fois que mon fils apprend un mot,
06:43
we would trace back and look at all of the language he heard
138
388000
3000
nous rembobinons et analysons le langage qu'il a entendu
06:46
that contained that word.
139
391000
2000
qui contenait ce mot.
06:48
And we would plot the relative length of the utterances.
140
393000
4000
Nous affichons la longueur relative des mots.
06:52
And what we found was this curious phenomena,
141
397000
3000
Et nous avons découvert un phénomène curieux:
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
le discours des adultes se réduit systématiquement à un minimum,
06:58
making language as simple as possible,
143
403000
3000
rendant le langage aussi simple que possible,
07:01
and then slowly ascend back up in complexity.
144
406000
3000
puis progressivement revient à sa complexité initiale.
07:04
And the amazing thing was
145
409000
2000
Ce qu'il y avait d'étonnant,
07:06
that bounce, that dip,
146
411000
2000
ce rebond, ce creux,
07:08
lined up almost precisely
147
413000
2000
était quasiment précisément aligné
07:10
with when each word was born --
148
415000
2000
avec le moment où chaque mot est né --
07:12
word after word, systematically.
149
417000
2000
mot après mot, systématiquement.
07:14
So it appears that all three primary caregivers --
150
419000
2000
Il semble donc que tous ces adultes directement en contact --
07:16
myself, my wife and our nanny --
151
421000
3000
moi, ma femme et notre nounou --
07:19
were systematically and, I would think, subconsciously
152
424000
3000
étions systématiquement et, je pense, subconsciemment
07:22
restructuring our language
153
427000
2000
entrain de restructurer notre langage
07:24
to meet him at the birth of a word
154
429000
3000
pour se mettre à son niveau à la naissance du mot
07:27
and bring him gently into more complex language.
155
432000
4000
et doucement le faire progresser vers un langage plus complexe.
07:31
And the implications of this -- there are many,
156
436000
2000
Une implication de cela -- il y en a de nombreuses,
07:33
but one I just want to point out,
157
438000
2000
mais une que je veux mettre en avant,
07:35
is that there must be amazing feedback loops.
158
440000
3000
c'est qu'il doit y avoir une incroyable boucle de rétro-action.
07:38
Of course, my son is learning
159
443000
2000
Bien entendu, mon fils apprend
07:40
from his linguistic environment,
160
445000
2000
à partir de son environnement linguistique,
07:42
but the environment is learning from him.
161
447000
3000
mais l'environnement apprend de lui.
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
L'environnement, les gens, sont dans cette boucle de rétro-action
07:48
and creating a kind of scaffolding
163
453000
2000
et créent une sorte d’échafaudage
07:50
that has not been noticed until now.
164
455000
3000
qui n'avait pas été remarqué jusqu'à présent.
07:54
But that's looking at the speech context.
165
459000
2000
Mais ce n'est que la vision du contexte de parole.
07:56
What about the visual context?
166
461000
2000
Qu'en est-il du contexte visuel ?
07:58
We're not looking at --
167
463000
2000
Nous ne regardons pas --
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
imaginez ça comme une coupe de maison de poupée de notre maison.
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
Nous avons pris ces lentilles de caméra circulaires en œil de poisson
08:05
and we've done some optical correction,
170
470000
2000
utilisé un peu de correction optique,
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
et nous pouvons ensuite le transformer en modèle tri-dimensionnel.
08:11
So welcome to my home.
172
476000
2000
Bienvenu chez moi.
08:13
This is a moment,
173
478000
2000
Voici un instant,
08:15
one moment captured across multiple cameras.
174
480000
3000
un instant capturé à travers plusieurs caméras.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
La raison derrière cela est de créer la machine à souvenir ultime,
08:21
where you can go back and interactively fly around
176
486000
3000
avec laquelle il est possible de rembobiner et de se mouvoir à volonté dans la pièce
08:24
and then breathe video-life into this system.
177
489000
3000
et d’insuffler une vie digitale à ce système.
08:27
What I'm going to do
178
492000
2000
Ce que je vais faire,
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
c'est vous donner une vue accélérée de 30 minutes,
08:32
again, of just life in the living room.
180
497000
2000
de nouveau, de la vie de tous les jours dans le salon.
08:34
That's me and my son on the floor.
181
499000
3000
C'est moi et mon fils par terre.
08:37
And there's video analytics
182
502000
2000
Il y a l'analyse vidéo
08:39
that are tracking our movements.
183
504000
2000
qui suit nos mouvements.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
Mon fils laisse une traînée rouge, je laisse une traînée verte.
08:44
We're now on the couch,
185
509000
2000
Nous sommes maintenant sur le canapé,
08:46
looking out through the window at cars passing by.
186
511000
3000
on regarde à travers les vitres les voitures qui passent à l'extérieur.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
Enfin, mon fils qui s'amuse tout seul dans un déambulateur.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
Maintenant, on arrête le temps, 30 minutes,
08:55
we turn time into the vertical axis,
189
520000
2000
on met le temps sur l'axe vertical,
08:57
and we open up for a view
190
522000
2000
et on étend la vue
08:59
of these interaction traces we've just left behind.
191
524000
3000
pour afficher les traînées d'interaction que nous avons déposées.
09:02
And we see these amazing structures --
192
527000
3000
Et on découvre ces structures incroyables --
09:05
these little knots of two colors of thread
193
530000
3000
ces petits noeuds de fils bicolores
09:08
we call "social hot spots."
194
533000
2000
qu'on appelle les points chauds sociaux.
09:10
The spiral thread
195
535000
2000
Le fil spiralé
09:12
we call a "solo hot spot."
196
537000
2000
on l'appelle un point chaud solitaire.
09:14
And we think that these affect the way language is learned.
197
539000
3000
On pense que cela affecte la manière dont le langage est appris.
09:17
What we'd like to do
198
542000
2000
Ce qu'on souhaite faire
09:19
is start understanding
199
544000
2000
c'est essayer de comprendre
09:21
the interaction between these patterns
200
546000
2000
les relations entre ces motifs
09:23
and the language that my son is exposed to
201
548000
2000
et le langage auquel mon fils est exposé
09:25
to see if we can predict
202
550000
2000
pour voir si on peut prévoir
09:27
how the structure of when words are heard
203
552000
2000
comment la structure du contexte d'écoute du mot
09:29
affects when they're learned --
204
554000
2000
a un effet sur l'apprentissage --
09:31
so in other words, the relationship
205
556000
2000
en d'autres mots, la relation
09:33
between words and what they're about in the world.
206
558000
4000
entre les mots et ce qu'ils désignent dans l'environnement.
09:37
So here's how we're approaching this.
207
562000
2000
Donc voilà notre démarche.
09:39
In this video,
208
564000
2000
Dans cette vidéo,
09:41
again, my son is being traced out.
209
566000
2000
de nouveau, mon fils laisse une trace.
09:43
He's leaving red ink behind.
210
568000
2000
Il laisse de l'encre rouge derrière lui.
09:45
And there's our nanny by the door.
211
570000
2000
Et il y a notre nounou à la porte.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(Vidéo) Nounou: Tu veux de l'eau? (Bébé: Aaaaa.)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
Nounou: Très bien. (Bébé: Aaaa.)
09:53
DR: She offers water,
214
578000
2000
DR: Elle lui propose de l'eau,
09:55
and off go the two worms
215
580000
2000
et voilà les deux limaces
09:57
over to the kitchen to get water.
216
582000
2000
qui vont chercher de l'eau à la cuisine.
09:59
And what we've done is use the word "water"
217
584000
2000
Ce qu'on a fait, c'est d'utiliser le mot "eau"
10:01
to tag that moment, that bit of activity.
218
586000
2000
pour tagguer ce moment, cette activité.
10:03
And now we take the power of data
219
588000
2000
Maintenant on utilise la puissance des données
10:05
and take every time my son
220
590000
3000
et on prend chaque instant où mon fils
10:08
ever heard the word water
221
593000
2000
a entendu le mot eau
10:10
and the context he saw it in,
222
595000
2000
et le contexte où cela c'est produit.
10:12
and we use it to penetrate through the video
223
597000
3000
On l'utilise pour traverser la vidéo
10:15
and find every activity trace
224
600000
3000
et trouver toutes les traces d'activité
10:18
that co-occurred with an instance of water.
225
603000
3000
qui correspondent à une occurrence de eau.
10:21
And what this data leaves in its wake
226
606000
2000
Ces paroles laissent dans leurs sillages
10:23
is a landscape.
227
608000
2000
un panorama.
10:25
We call these wordscapes.
228
610000
2000
On appelle ces formes des paro-namas.
10:27
This is the wordscape for the word water,
229
612000
2000
Voici le paronama pour le mot eau.
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
Vous pouvez constater que la majorité de l'action se situe dans la cuisine.
10:31
That's where those big peaks are over to the left.
231
616000
3000
C'est là que sont ces grands pics tout à gauche.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
Juste pour le contraste, nous pouvons faire ça avec n'importe quel mot.
10:37
We can take the word "bye"
233
622000
2000
Nous pouvons prendre le mot "bye"
10:39
as in "good bye."
234
624000
2000
utilisé dans "good bye" (au revoir).
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
On s'est maintenant rapproché de l'entrée de la maison.
10:43
And we look, and we find, as you would expect,
236
628000
3000
On se rend compte, comme on s'y attend,
10:46
a contrast in the landscape
237
631000
2000
qu'il y a un contraste dans le panorama
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
là où le mot "bye" est prononcé de manière plus structurée.
10:51
So we're using these structures
239
636000
2000
On utilise donc ces structures
10:53
to start predicting
240
638000
2000
pour commencer à prévoir
10:55
the order of language acquisition,
241
640000
3000
l'ordre d'acquisition du langage.
10:58
and that's ongoing work now.
242
643000
2000
C'est un travail que nous sommes entrain de mener.
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
Dans mon labo, où nous nous trouvons maintenant, au MIT --
11:03
this is at the media lab.
244
648000
2000
c'est le labo média.
11:05
This has become my favorite way
245
650000
2000
C'est devenu ma manière favorite
11:07
of videographing just about any space.
246
652000
2000
d'enregistrer n’importe quel type d'espace.
11:09
Three of the key people in this project,
247
654000
2000
3 des personnes clés dans ce projet,
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
Philip DeCamp, Rony Kubat et Brandon Roy sont présent ici.
11:14
Philip has been a close collaborator
249
659000
2000
Philip a été un collaborateur précieux
11:16
on all the visualizations you're seeing.
250
661000
2000
sur toutes les visualisations que vous voyez.
11:18
And Michael Fleischman
251
663000
3000
Michael Fleischman
11:21
was another Ph.D. student in my lab
252
666000
2000
était un autre doctorant de mon labo
11:23
who worked with me on this home video analysis,
253
668000
3000
qui travaillait avec moi sur l'analyse de cette vidéo domestique.
11:26
and he made the following observation:
254
671000
3000
Il m'a fait la remarque suivante:
11:29
that "just the way that we're analyzing
255
674000
2000
"La manière dont on analyse
11:31
how language connects to events
256
676000
3000
comment le langage s'articule avec les évènements
11:34
which provide common ground for language,
257
679000
2000
qui fournissent une fondation à la langue,
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
la même idée peut être transposée hors de ta maison, Deb,
11:40
and we can apply it to the world of public media."
259
685000
3000
et on peut l'appliquer au monde des médias publics."
11:43
And so our effort took an unexpected turn.
260
688000
3000
Nos efforts ont donc pris un tour inattendu.
11:46
Think of mass media
261
691000
2000
Pensez aux média de masse
11:48
as providing common ground
262
693000
2000
comme donnant une base commune.
11:50
and you have the recipe
263
695000
2000
et vous avez la recette
11:52
for taking this idea to a whole new place.
264
697000
3000
pour exporter cette idée vers un tout nouvel horizon.
11:55
We've started analyzing television content
265
700000
3000
Nous avons commencé à analyser le contenu de la télévision
11:58
using the same principles --
266
703000
2000
en utilisant les mêmes principes --
12:00
analyzing event structure of a TV signal --
267
705000
3000
analyser la structure des évènements d'un signal TV --
12:03
episodes of shows,
268
708000
2000
épisodes de séries,
12:05
commercials,
269
710000
2000
publicités,
12:07
all of the components that make up the event structure.
270
712000
3000
tous les composants de la structure des évènements.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
Nous voilà, avec des paraboles satellites, captant et analysant
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
une bonne partie des programmes TV diffusés aux États-Unis.
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
Il n'est plus nécessaire d'aller équiper des salons avec des microphones
12:19
to get people's conversations,
274
724000
2000
pour obtenir des conversations,
12:21
you just tune into publicly available social media feeds.
275
726000
3000
il suffit de se brancher sur les ondes des médias sociaux publics.
12:24
So we're pulling in
276
729000
2000
On extrait donc
12:26
about three billion comments a month,
277
731000
2000
environ trois milliards de commentaires par mois.
12:28
and then the magic happens.
278
733000
2000
Et la magie se produit.
12:30
You have the event structure,
279
735000
2000
Voici la structure des évènements,
12:32
the common ground that the words are about,
280
737000
2000
la base de ce dont parlent les mots,
12:34
coming out of the television feeds;
281
739000
3000
extraits de la télévision.
12:37
you've got the conversations
282
742000
2000
Vous avez les conversations
12:39
that are about those topics;
283
744000
2000
qui concernent ces sujets.
12:41
and through semantic analysis --
284
746000
3000
Par l'analyse sémantique --
12:44
and this is actually real data you're looking at
285
749000
2000
et vous voyez d'ailleurs de vraies données ici,
12:46
from our data processing --
286
751000
2000
traitées par nos soins --
12:48
each yellow line is showing a link being made
287
753000
3000
chaque ligne jaune montre un lien fait
12:51
between a comment in the wild
288
756000
3000
entre un commentaire sauvage
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
et un élément de la structure des évènements issue du signal télévisé.
12:57
And the same idea now
290
762000
2000
La même idée peut maintenant
12:59
can be built up.
291
764000
2000
être développée.
13:01
And we get this wordscape,
292
766000
2000
On obtient ce paronama,
13:03
except now words are not assembled in my living room.
293
768000
3000
sauf qu'ici les mots ne s'assemblent pas dans mon salon.
13:06
Instead, the context, the common ground activities,
294
771000
4000
À la place, le contexte, l'activité commune à la base,
13:10
are the content on television that's driving the conversations.
295
775000
3000
c'est le contenu télévisé qui sous-tend les conversations.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
Ce que vous voyez là, ces gratte-ciels,
13:16
are commentary
297
781000
2000
sont des commentaires
13:18
that are linked to content on television.
298
783000
2000
liés à du contenu télévisuel.
13:20
Same concept,
299
785000
2000
Même concept,
13:22
but looking at communication dynamics
300
787000
2000
mais nous regardons la dynamique des communications
13:24
in a very different sphere.
301
789000
2000
dans une sphère très différente.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
Fondamentalement, plutôt que, par exemple,
13:28
measuring content based on how many people are watching,
303
793000
3000
mesurer le contenu par le nombre de personnes qui le regardent,
13:31
this gives us the basic data
304
796000
2000
on obtient les données de base
13:33
for looking at engagement properties of content.
305
798000
3000
pour regarder la capacité à susciter des commentaires du contenu.
13:36
And just like we can look at feedback cycles
306
801000
3000
De la même manière qu'on a étudié les boucles de retour
13:39
and dynamics in a family,
307
804000
3000
et la dynamique au sein d'une famille,
13:42
we can now open up the same concepts
308
807000
3000
nous pouvons étendre les même concepts
13:45
and look at much larger groups of people.
309
810000
3000
et observer une population bien plus grande.
13:48
This is a subset of data from our database --
310
813000
3000
Voici un sous-ensemble des données de notre base de données --
13:51
just 50,000 out of several million --
311
816000
3000
à peine 50 000 parmi plusieurs millions --
13:54
and the social graph that connects them
312
819000
2000
et le graphe social qui les connecte
13:56
through publicly available sources.
313
821000
3000
à travers des ressources publiques.
13:59
And if you put them on one plain,
314
824000
2000
Si vous les mettez sur une plaine,
14:01
a second plain is where the content lives.
315
826000
3000
les contenus vivent sur une seconde plaine.
14:04
So we have the programs
316
829000
3000
On a donc les programmes
14:07
and the sporting events
317
832000
2000
et les évènements sportifs
14:09
and the commercials,
318
834000
2000
et les pubs,
14:11
and all of the link structures that tie them together
319
836000
2000
et tous les liens qui les relient
14:13
make a content graph.
320
838000
2000
créent le graphe des contenus.
14:15
And then the important third dimension.
321
840000
4000
Ensuite, la 3ème dimension.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
Chacun des liens qui sont affichés ici
14:21
is an actual connection made
323
846000
2000
représente une connexion faite
14:23
between something someone said
324
848000
3000
entre ce que quelqu'un a dit
14:26
and a piece of content.
325
851000
2000
et un élément de contenu.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
De nouveau, il y a des dizaines de millions de liens
14:31
that give us the connective tissue of social graphs
327
856000
3000
qui forment le tissu de connexions du graphe social
14:34
and how they relate to content.
328
859000
3000
et de leur rapport au contenu.
14:37
And we can now start to probe the structure
329
862000
2000
On peut alors commencer à étudier la structure
14:39
in interesting ways.
330
864000
2000
de manière intéressante.
14:41
So if we, for example, trace the path
331
866000
3000
Donc, par exemple, si on trace le chemin
14:44
of one piece of content
332
869000
2000
d'un élément de contenu
14:46
that drives someone to comment on it,
333
871000
2000
que quelqu'un commente,
14:48
and then we follow where that comment goes,
334
873000
3000
et que l'on suit le cheminement du commentaire,
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
et que l'on regarde le graphe sociale qui est activé dans sa globalité
14:54
and then trace back to see the relationship
336
879000
3000
et que l'on revient en arrière pour voir les relations
14:57
between that social graph and content,
337
882000
2000
entre ce graphe social et les contenus,
14:59
a very interesting structure becomes visible.
338
884000
2000
une structure très intéressante apparaît.
15:01
We call this a co-viewing clique,
339
886000
2000
Nous l’appelons le groupe de co-visionnage,
15:03
a virtual living room if you will.
340
888000
3000
une salon virtuel si vous préférez.
15:06
And there are fascinating dynamics at play.
341
891000
2000
Les dynamiques mises en jeu sont fascinantes.
15:08
It's not one way.
342
893000
2000
Ce n'est pas à sens-unique.
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
Un contenu, un évènement, faut que quelqu'un en parle.
15:13
They talk to other people.
344
898000
2000
Ils en parlent à d'autres personnes.
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
Qui entraîne les médias de masse dans un comportement d'écoute
15:18
and you have these cycles
346
903000
2000
et vous avez ces cycles
15:20
that drive the overall behavior.
347
905000
2000
qui entraînent ce comportement généralisé.
15:22
Another example -- very different --
348
907000
2000
Un autre exemple -- très différent --
15:24
another actual person in our database --
349
909000
3000
une autre personne dans notre base de données --
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
et nous en trouvons des centaines, voire des milliers, comme elle.
15:30
We've given this person a name.
351
915000
2000
Nous avons donné un nom à cette personne.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
C'est un pro-amateur, ou pro-am, un critique des médias
15:35
who has this high fan-out rate.
353
920000
3000
qui a ce taux de dispersion élevé.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
De nombreuses personnes suivent cette personne -- très influente --
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
et elles ont une propension à parler de ce qui se passe à la télé.
15:43
So this person is a key link
356
928000
3000
Cette personne est donc un maillon clé
15:46
in connecting mass media and social media together.
357
931000
3000
pour connecter les médias de masse et les médias sociaux.
15:49
One last example from this data:
358
934000
3000
Un dernier exemple de ces données:
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
parfois, c'est un contenu qui est spécial.
15:55
So if we go and look at this piece of content,
360
940000
4000
Si vous allez regarder ce contenu,
15:59
President Obama's State of the Union address
361
944000
3000
le discours sur l'état de l'Union du Président Obama
16:02
from just a few weeks ago,
362
947000
2000
qui a eu lieu la semaine dernière,
16:04
and look at what we find in this same data set,
363
949000
3000
et si vous regardez ce que l'on trouve dans le même jeu de données,
16:07
at the same scale,
364
952000
3000
à la même échelle,
16:10
the engagement properties of this piece of content
365
955000
2000
la capacité à susciter des commentaires de ce contenu
16:12
are truly remarkable.
366
957000
2000
est véritablement remarquable.
16:14
A nation exploding in conversation
367
959000
2000
Un nation entière qui discute
16:16
in real time
368
961000
2000
en temps réel
16:18
in response to what's on the broadcast.
369
963000
3000
en réponse à ce qui est diffusé.
16:21
And of course, through all of these lines
370
966000
2000
Bien sûr, toutes ces lignes
16:23
are flowing unstructured language.
371
968000
2000
sont parcourues par du langage non structuré.
16:25
We can X-ray
372
970000
2000
Nous pouvons radiographier
16:27
and get a real-time pulse of a nation,
373
972000
2000
et obtenir le pouls de la nation en temps réel,
16:29
real-time sense
374
974000
2000
une mesure en temps réel
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
des réactions sociales dans les différents circuits du graphe social
16:34
being activated by content.
376
979000
3000
qui sont activés par le contenu.
16:37
So, to summarize, the idea is this:
377
982000
3000
Donc, pour résumer, l'idée est :
16:40
As our world becomes increasingly instrumented
378
985000
3000
alors que notre monde devient de plus en plus instrumenté
16:43
and we have the capabilities
379
988000
2000
et que nous avons la possibilité
16:45
to collect and connect the dots
380
990000
2000
de récupérer et de connecter les points
16:47
between what people are saying
381
992000
2000
entre ce que les gens disent
16:49
and the context they're saying it in,
382
994000
2000
et le contexte dans lequel ils le disent,
16:51
what's emerging is an ability
383
996000
2000
ce qui émerge est une capacité
16:53
to see new social structures and dynamics
384
998000
3000
à observer des structures sociales et des dynamiques nouvelles
16:56
that have previously not been seen.
385
1001000
2000
que nous n'avions pas vu auparavant.
16:58
It's like building a microscope or telescope
386
1003000
2000
C'est comme créer un microscope ou un téléscope
17:00
and revealing new structures
387
1005000
2000
et faire apparaître de nouvelles structures
17:02
about our own behavior around communication.
388
1007000
3000
décrivant notre propre comportement par rapport à la communication.
17:05
And I think the implications here are profound,
389
1010000
3000
Je pense que les implications sont profondes,
17:08
whether it's for science,
390
1013000
2000
que ce soit pour la science,
17:10
for commerce, for government,
391
1015000
2000
pour le commerce, pour le gouvernement,
17:12
or perhaps most of all,
392
1017000
2000
ou peut-être plus encore,
17:14
for us as individuals.
393
1019000
3000
pour nous en tant qu'individu.
17:17
And so just to return to my son,
394
1022000
3000
Donc juste pour revenir à mon fils,
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
quand je préparais cette conférence, il regardait par dessus mon épaule.
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
Je lui ai montré les vidéos que j'avais l'intention de vous montrer aujourd'hui.
17:25
and I asked him for permission -- granted.
397
1030000
3000
Je lui ai demandé sa permission -- accordée.
17:28
And then I went on to reflect,
398
1033000
2000
Et je me suis remis à réfléchir,
17:30
"Isn't it amazing,
399
1035000
3000
"N'est-ce pas étonnant,
17:33
this entire database, all these recordings,
400
1038000
3000
cette base de données, tous ces enregistrements,
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
que je vais vous transmettre à toi et à ta soeur,"
17:38
who arrived two years later --
402
1043000
3000
qui est venue au monde deux ans plus tard.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"Et vous allez être capables de rembobiner et de re-vivre des moments
17:44
that you could never, with your biological memory,
404
1049000
3000
dont vous ne pourriez jamais, avec votre mémoire biologique,
17:47
possibly remember the way you can now?"
405
1052000
2000
vous rappeler comme vous le pouvez aujourd'hui."
17:49
And he was quiet for a moment.
406
1054000
2000
Il n'a rien dit pendant un moment.
17:51
And I thought, "What am I thinking?
407
1056000
2000
Je me suis dit, "A quoi je pense ?
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
Il a cinq ans. Il ne peux pas comprendre tout ça."
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
Alors même que cette pensée me traversait l'esprit, il a levé la tête et dit,
17:58
"So that when I grow up,
410
1063000
2000
"Alors quand je grandirai,
18:00
I can show this to my kids?"
411
1065000
2000
je pourrai montrer ça à mes enfants?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
Je me suis dit, "Wow, c'est un truc puissant."
18:05
So I want to leave you
413
1070000
2000
Je voudrais vous quitter
18:07
with one last memorable moment
414
1072000
2000
avec un dernier moment mémorable
18:09
from our family.
415
1074000
3000
pour notre famille.
18:12
This is the first time our son
416
1077000
2000
Voici la première fois que notre fils
18:14
took more than two steps at once --
417
1079000
2000
a fait plus de deux pas à la suite --
18:16
captured on film.
418
1081000
2000
capturé en vidéo.
18:18
And I really want you to focus on something
419
1083000
3000
Je veux vraiment que vous vous concentriez sur quelque chose
18:21
as I take you through.
420
1086000
2000
pendant que je vous montre cela.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
C'est un environnement encombré; c'est la vie à l'état naturel.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
Ma mère est dans la cuisine, entrain de préparer à manger,
18:27
and, of all places, in the hallway,
423
1092000
2000
et, dans le couloir parmi tous les lieux,
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
je me rends compte qu'il est sur le point d'y arriver, de faire deux pas d'affilée.
18:32
And so you hear me encouraging him,
425
1097000
2000
Et donc vous m'entendez, je l'encourage,
18:34
realizing what's happening,
426
1099000
2000
je me rends compte de ce qui se passe,
18:36
and then the magic happens.
427
1101000
2000
et ensuite la magie se produit.
18:38
Listen very carefully.
428
1103000
2000
Ecoutez attentivement.
18:40
About three steps in,
429
1105000
2000
Après trois pas,
18:42
he realizes something magic is happening,
430
1107000
2000
il réalise que quelque chose de magique se produit.
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
Et la boucle de retour la plus extraordinaire prends le dessus,
18:47
and he takes a breath in,
432
1112000
2000
il inspire,
18:49
and he whispers "wow"
433
1114000
2000
et il soupire "wow"
18:51
and instinctively I echo back the same.
434
1116000
4000
et instinctivement je réponds la même chose.
18:56
And so let's fly back in time
435
1121000
3000
Remontons donc dans le temps
18:59
to that memorable moment.
436
1124000
2000
vers ce moment mémorable.
19:05
(Video) DR: Hey.
437
1130000
2000
(Vidéo) DR: Hey.
19:07
Come here.
438
1132000
2000
Viens là.
19:09
Can you do it?
439
1134000
3000
Tu peux le faire ?
19:13
Oh, boy.
440
1138000
2000
Mon grand.
19:15
Can you do it?
441
1140000
3000
Tu peux le faire ?
19:18
Baby: Yeah.
442
1143000
2000
Bébé: Yeah.
19:20
DR: Ma, he's walking.
443
1145000
3000
DR: 'mam, il marche.
19:24
(Laughter)
444
1149000
2000
(Rire)
19:26
(Applause)
445
1151000
2000
(Applaudissements)
19:28
DR: Thank you.
446
1153000
2000
DR: Merci.
19:30
(Applause)
447
1155000
15000
(Applaudissements)
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