TED2011
Deb Roy: The birth of a word
Deb Roy: Egy szó születése
Filmed:
Readability: 4.2
2,809,941 views
Deb Roy az MIT kutatója meg akarta érteni, hogy kisfia mily módon tanulja a nyelvet -- ezért bekamerázta az egész házát, hogy rögzíthesse a kisfiú életének minden pillanatát (néhány kivétellel). 90 ezer órányi videót vizsgáltak meg, hogy megfigyeljék, amint a "gaagaa" lassan a "water" [víz] szóvá alakul. Lenyűgöző, adatokban gazdag kutatás, mely komoly megállapításokra jutott azzal kapcsolatban, hogy hogyan tanulunk.
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
Képzeljük el, mi lenne, ha rögzíthetnénk az életünket -
00:19
everything you said, everything you did,
1
4000
3000
mindent, amit mondtunk, mindent amit tettünk,
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
mindezt egy bármikor elérhető, tökéletes memóriában tárolnánk,
00:25
so you could go back
3
10000
2000
hogy később visszatekinthessünk
00:27
and find memorable moments and relive them,
4
12000
3000
az emlékezetes pillanatokra és újraélhessük őket,
00:30
or sift through traces of time
5
15000
3000
vagy végigpásztázhassunk bizonyos időszakokat,
00:33
and discover patterns in your own life
6
18000
2000
hogy felfedezzük saját életünk bizonyos visszatérő jellegzetességeit,
00:35
that previously had gone undiscovered.
7
20000
3000
amelyeket korábban nem ismertünk fel.
00:38
Well that's exactly the journey
8
23000
2000
Pontosan ez az a kaland,
00:40
that my family began
9
25000
2000
melybe a családommal belevágtunk
00:42
five and a half years ago.
10
27000
2000
öt és fél évvel ezelőtt.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
Ez itt a feleségem, Rupal, aki szintén részt vesz a kutatásban.
00:47
And on this day, at this moment,
12
32000
2000
Ezen a napon, ebben a pillanatban,
00:49
we walked into the house with our first child,
13
34000
2000
léptünk be a házunkba az első gyermekünkkel,
00:51
our beautiful baby boy.
14
36000
2000
a gyönyörű kisfiúnkkal.
00:53
And we walked into a house
15
38000
3000
Egy olyan házba léptünk be,
00:56
with a very special home video recording system.
16
41000
4000
amelynek egy nagyon különleges házi videó kamerarendszere van.
01:07
(Video) Man: Okay.
17
52000
2000
(Videó) Férfi: Rendben.
01:10
Deb Roy: This moment
18
55000
1000
Deb Roy: Ezt a pillanatot
01:11
and thousands of other moments special for us
19
56000
3000
és sok ezer más, számunkra különleges pillanatot
01:14
were captured in our home
20
59000
2000
rögzített a házunkban,
01:16
because in every room in the house,
21
61000
2000
mert a házunk minden egyes szobájában,
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
ha felnéznek, láthatnak egy kamerát és egy mikrofont.
01:21
and if you looked down,
23
66000
2000
Ha pedig lefelé tekintenek,
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
láthatják a szoba képét madártávlatból.
01:25
Here's our living room,
25
70000
3000
Ez itt a nappalink,
01:28
the baby bedroom,
26
73000
3000
a kisbaba hálószobája,
01:31
kitchen, dining room
27
76000
2000
konyha, étkező
01:33
and the rest of the house.
28
78000
2000
és a ház többi része.
01:35
And all of these fed into a disc array
29
80000
3000
A videó felvételek egy olyan számítógépes lemezre kerültek,
01:38
that was designed for a continuous capture.
30
83000
3000
amelyet folyamatos rögzítésre terveztek.
01:41
So here we are flying through a day in our home
31
86000
3000
Végigpörgetjük a házunkban zajlott napi eseményeket
01:44
as we move from sunlit morning
32
89000
3000
napfelkeltétől,
01:47
through incandescent evening
33
92000
2000
a kivilágított estéken át
01:49
and, finally, lights out for the day.
34
94000
3000
a sötét éjszakáig.
01:53
Over the course of three years,
35
98000
3000
Három éven keresztül
01:56
we recorded eight to 10 hours a day,
36
101000
2000
napi 8-10 órányi felvételt készítettünk,
01:58
amassing roughly a quarter-million hours
37
103000
3000
ami nagyjából negyed millió órányi
02:01
of multi-track audio and video.
38
106000
3000
többsávos hang és képfelvételt jelent.
02:04
So you're looking at a piece of what is by far
39
109000
2000
Szóval, amit ma láthatnak, az messze
02:06
the largest home video collection ever made.
40
111000
2000
a legnagyobb házi videó gyűjtemény.
02:08
(Laughter)
41
113000
3000
(Nevetés)
02:11
And what this data represents
42
116000
2000
Amit ezek az adatok
02:13
for our family at a personal level,
43
118000
4000
a családunk számára személyesen képviselnek,
02:17
the impact has already been immense,
44
122000
2000
a hatásuk valójában felbecsülhetetlenül nagy,
02:19
and we're still learning its value.
45
124000
3000
de minden nappal egyre jobban értékeljük.
02:22
Countless moments
46
127000
2000
Számtalan pillanat,
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
méghozzá nem várt, természetes, nem beállított pillanatok
02:27
are captured there,
48
132000
2000
kerültek felvételre,
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
és kezdjük megtanulni, hogyan fedezzük fel őket újra.
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
De volt ennek a projektnek egy tudományos oka is,
02:35
which was to use this natural longitudinal data
51
140000
4000
amely során fel akartuk használni ezt az adathalmazt,
02:39
to understand the process
52
144000
2000
hogy megérthessük azt a folyamatot
02:41
of how a child learns language --
53
146000
2000
amely során egy gyermek,
02:43
that child being my son.
54
148000
2000
méghozzá az én fiam - megtanulja a nyelvet -
02:45
And so with many privacy provisions put in place
55
150000
4000
Így a magánszférát tiszteletben tartó korlátozásokkal,
02:49
to protect everyone who was recorded in the data,
56
154000
3000
a felvett személyek adatainak védelmében,
02:52
we made elements of the data available
57
157000
3000
az adatok egy részét elérhetővé tettük
02:55
to my trusted research team at MIT
58
160000
3000
az MIT egyetemen működő kutatócsoportom számára.
02:58
so we could start teasing apart patterns
59
163000
3000
Mindezt azért, hogy ebben a hatalmas adattömegben
03:01
in this massive data set,
60
166000
3000
felismerhessük azokat a mintákat,
03:04
trying to understand the influence of social environments
61
169000
3000
melyek segítenek megérteni a társadalmi környezet
03:07
on language acquisition.
62
172000
2000
nyelvelsajátításra gyakorolt hatását.
03:09
So we're looking here
63
174000
2000
Itt az egyik legelső
03:11
at one of the first things we started to do.
64
176000
2000
próbálkozásunkat láthatják.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
Feleségemmel reggelit készítünk a konyhában.
03:17
and as we move through space and through time,
66
182000
3000
Egy nagyon mindennapos konyhai jelenetet láthatunk
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
térben és időben haladva.
03:23
In order to convert
68
188000
2000
Annak érdekében,
03:25
this opaque, 90,000 hours of video
69
190000
3000
hogy ezt az elmosódott 90 000 órányi videót
03:28
into something that we could start to see,
70
193000
2000
vizsgálhatóvá tehessük,
03:30
we use motion analysis to pull out,
71
195000
2000
mozgáselemzést használtunk, hogy
03:32
as we move through space and through time,
72
197000
2000
láthatóvá tegyük, hogyan mozgunk térben és időben.
03:34
what we call space-time worms.
73
199000
3000
Mi ezeket tér-idő kukacoknak nevezzük.
03:37
And this has become part of our toolkit
74
202000
3000
Ez adta meg az eszközt ahhoz,
03:40
for being able to look and see
75
205000
3000
hogy megláthassuk,
03:43
where the activities are in the data,
76
208000
2000
hol vannak a fontos cselekmények az adatokban,
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
majd ezzel nyomon követhettük különösen
03:48
where my son moved throughout the home,
78
213000
2000
a fiamat, merre mozgott a házon belül,
03:50
so that we could focus our transcription efforts,
79
215000
3000
hogy így összpontosíthassunk az átírásra,
03:53
all of the speech environment around my son --
80
218000
3000
a fiamat körülvevő beszédközegre --
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
minden egyes szóra, amit tőlem, a feleségemtől, vagy a bébiszittertől hallott,
03:59
and over time, the words he began to produce.
82
224000
3000
illetve egy idő után a szavakra, amiket ő alkotott.
04:02
So with that technology and that data
83
227000
3000
Szóval a technológiával és az adatokkal,
04:05
and the ability to, with machine assistance,
84
230000
2000
és azzal a képességgel, hogy számítógépes segítséggel
04:07
transcribe speech,
85
232000
2000
leírhatjuk a beszédet,
04:09
we've now transcribed
86
234000
2000
több mint 7 millió otthonunkban elhangzott szót
04:11
well over seven million words of our home transcripts.
87
236000
3000
írtunk le.
04:14
And with that, let me take you now
88
239000
2000
Hadd kalauzoljam végig önöket
04:16
for a first tour into the data.
89
241000
3000
az adatok világába vezető első utunkon.
04:19
So you've all, I'm sure,
90
244000
2000
Biztos vagyok benne, hogy
04:21
seen time-lapse videos
91
246000
2000
mindannyian láttak már gyorsított videó felvételeket,
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
például ahogy egy növény gyorsítva kivirágzik.
04:26
I'd like you to now experience
93
251000
2000
Szeretném megmutatni, milyen
04:28
the blossoming of a speech form.
94
253000
2000
a beszéd kivirágzása.
04:30
My son, soon after his first birthday,
95
255000
2000
A fiam nem sokkal az első születésnapja után
04:32
would say "gaga" to mean water.
96
257000
3000
a "gaagaa" szót kezdte használni a water, azaz a víz szóra.
04:35
And over the course of the next half-year,
97
260000
3000
A következő fél év során,
04:38
he slowly learned to approximate
98
263000
2000
lassan megtanulta, hogy megközelítse
04:40
the proper adult form, "water."
99
265000
3000
a helyes felnőtt formát: "water".
04:43
So we're going to cruise through half a year
100
268000
2000
Tehát most végigrepülünk egy fél éven
04:45
in about 40 seconds.
101
270000
2000
mintegy 40 másodperc alatt.
04:47
No video here,
102
272000
2000
Itt nincs videó,
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
hogy a hangra és az akusztikára összpontosíthassunk,
04:52
of a new kind of trajectory:
104
277000
2000
milyen pályát írt le ez a szóképzés:
04:54
gaga to water.
105
279000
2000
a gaga hogy vált "water"-é.
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(Hang) Baba: Gagagagaga
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 gag 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: Csak eltalálta, nem?
05:43
(Applause)
116
328000
7000
(Taps)
05:50
So he didn't just learn water.
117
335000
2000
Persze nem csak a víz szót tanulta meg.
05:52
Over the course of the 24 months,
118
337000
2000
Íme a 24 hónap,
05:54
the first two years that we really focused on,
119
339000
3000
azaz az első két év, amire nagyon összpontosítottunk,
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
ez az elsajátított szavainak térképe időrendi sorrendben.
06:01
And because we have full transcripts,
121
346000
3000
Mivel megvan a teljes szöveg leirat,
06:04
we've identified each of the 503 words
122
349000
2000
felismertük mind az 503 szót,
06:06
that he learned to produce by his second birthday.
123
351000
2000
amit a 2. születésnapja előtt tanult meg kiejteni.
06:08
He was an early talker.
124
353000
2000
Korán kezdett beszélni.
06:10
And so we started to analyze why.
125
355000
3000
Ezután azt kezdtük vizsgálni, miért.
06:13
Why were certain words born before others?
126
358000
3000
Miért születtek meg bizonyos szavak előbb, mint mások?
06:16
This is one of the first results
127
361000
2000
Ez a legkorábbi eredményeink egyike,
06:18
that came out of our study a little over a year ago
128
363000
2000
amit körülbelül egy éve hoztunk nyilvánosságra,
06:20
that really surprised us.
129
365000
2000
és bennünket is meglepett.
06:22
The way to interpret this apparently simple graph
130
367000
3000
Ezt a látszólag egyszerű grafikont úgy értelmezzük,
06:25
is, on the vertical is an indication
131
370000
2000
hogy a függőleges mutató
06:27
of how complex caregiver utterances are
132
372000
3000
azt jelzi, hogy hosszuk alapján,
06:30
based on the length of utterances.
133
375000
2000
milyen összetettségűek ezek a gyerekfelügyelők általi megnyilvánulások.
06:32
And the [horizontal] axis is time.
134
377000
3000
A függőleges az idő tengelye.
06:35
And all of the data,
135
380000
2000
Minden adatot
06:37
we aligned based on the following idea:
136
382000
3000
a következő elgondolás mentén rendeztük:
06:40
Every time my son would learn a word,
137
385000
3000
Valahányszor a fiam egy szót tanul,
06:43
we would trace back and look at all of the language he heard
138
388000
3000
visszamenőlegesen nyomon követjük, megnézzük, addigi nyelvtanulása során
06:46
that contained that word.
139
391000
2000
mikor hallotta a szót.
06:48
And we would plot the relative length of the utterances.
140
393000
4000
Fel szeretnénk térképezni, mi a hangképzések relatív hossza.
06:52
And what we found was this curious phenomena,
141
397000
3000
Rájöttünk arra, hogy létezik egy olyan jelenség,
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
mely során a gyerekhez való beszédmód szisztematikusan
06:58
making language as simple as possible,
143
403000
3000
és a lehető legnagyobb mértékben leegyszerűsödik,
07:01
and then slowly ascend back up in complexity.
144
406000
3000
a későbbiek folyamán pedig lassan és fokozatosan újra összetetté válik.
07:04
And the amazing thing was
145
409000
2000
Az volt a csodálatos,
07:06
that bounce, that dip,
146
411000
2000
hogy az ugrás, az a hiátus
07:08
lined up almost precisely
147
413000
2000
szinte egy az egyben igazodott
07:10
with when each word was born --
148
415000
2000
az egyes szavak születéséhez --
07:12
word after word, systematically.
149
417000
2000
sorjában, szisztematikusan.
07:14
So it appears that all three primary caregivers --
150
419000
2000
Az derült ki tehát, hogy mind a három elsődleges gyermekfelügyelő --
07:16
myself, my wife and our nanny --
151
421000
3000
én, a feleségem és a dajkánk --
07:19
were systematically and, I would think, subconsciously
152
424000
3000
mindannyian szisztematikusan, és mondhatnám önkéntelenül
07:22
restructuring our language
153
427000
2000
átstrukturáltuk a nyelvünket
07:24
to meet him at the birth of a word
154
429000
3000
oly módon, hogy idomuljunk a gyerekhez az új szavak születésekor
07:27
and bring him gently into more complex language.
155
432000
4000
és finoman bevezessük az összetettebb nyelvbe.
07:31
And the implications of this -- there are many,
156
436000
2000
Ennek következménye - sok van,
07:33
but one I just want to point out,
157
438000
2000
de amit ki szeretnék emelni,
07:35
is that there must be amazing feedback loops.
158
440000
3000
az, hogy elképesztő visszajelző hurkok működnek (ebben a folyamatban).
07:38
Of course, my son is learning
159
443000
2000
A fiam természetesen
07:40
from his linguistic environment,
160
445000
2000
a nyelvi környezetén keresztül tanul,
07:42
but the environment is learning from him.
161
447000
3000
de a környezet is tanul tőle.
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
A környezete, az emberek, ebben a szoros visszajelző hurok rendszerben,
07:48
and creating a kind of scaffolding
163
453000
2000
egyfajta mankóul szolgálnak,
07:50
that has not been noticed until now.
164
455000
3000
és ezt eddig nem vettük észre.
07:54
But that's looking at the speech context.
165
459000
2000
Ennyit tehát a beszéd kontextusáról.
07:56
What about the visual context?
166
461000
2000
Hogy állunk a vizuális kontextussal?
07:58
We're not looking at --
167
463000
2000
Ezt nem (közvetlenül, nem ránézésre) vizsgáljuk --
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
mondjuk, hogy ez a házunktól elkülönített babaház.
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
Halszem-objektívvel ellátott kamerával dolgoztunk,
08:05
and we've done some optical correction,
170
470000
2000
végeztünk némi optikai korrekciót,
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
hogy három dimenzióssá tehessük.
08:11
So welcome to my home.
172
476000
2000
Üdvözöljük otthonunkban!
08:13
This is a moment,
173
478000
2000
Ez egy perc,
08:15
one moment captured across multiple cameras.
174
480000
3000
különböző kamerák által együttesen rögzítve.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
Mindezt azért csináltuk, hogy létrehozzuk a mindenkori memóriagépet,
08:21
where you can go back and interactively fly around
176
486000
3000
mellyel visszamehetünk, és interaktív módon repülhetünk
08:24
and then breathe video-life into this system.
177
489000
3000
majd videó-életet lehelhetünk a rendszerbe.
08:27
What I'm going to do
178
492000
2000
Most pedig egy
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
30 perces felgyorsított felvételt mutatok,
08:32
again, of just life in the living room.
180
497000
2000
mely ugyancsak a nagyszobában készült.
08:34
That's me and my son on the floor.
181
499000
3000
Ez a fiam és én a földön.
08:37
And there's video analytics
182
502000
2000
Videós analitika
08:39
that are tracking our movements.
183
504000
2000
követi nyomon a mozgásunkat.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
A fiamat jelöli a vörös, engem a zöld.
08:44
We're now on the couch,
185
509000
2000
Most a kanapén vagyunk,
08:46
looking out through the window at cars passing by.
186
511000
3000
a kint elsuhanó kocsikat nézzük.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
Itt pedig végül a fiam, amint magában játszik.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
Most kimerevítjük a képet, 30 perc,
08:55
we turn time into the vertical axis,
189
520000
2000
megnézzük az időt a függőleges tengelyen,
08:57
and we open up for a view
190
522000
2000
és várjuk, mit mutatnak
08:59
of these interaction traces we've just left behind.
191
524000
3000
az épp folytatott tevékenységek jelzései.
09:02
And we see these amazing structures --
192
527000
3000
Látjuk ezeket a csodálatos szerkezeteket --
09:05
these little knots of two colors of thread
193
530000
3000
a két színes fonalra kötött kis csomót,
09:08
we call "social hot spots."
194
533000
2000
amit mi társas forró pontnak nevezünk.
09:10
The spiral thread
195
535000
2000
A spirál-szerű fonalat
09:12
we call a "solo hot spot."
196
537000
2000
szóló forró pontnak nevezzük.
09:14
And we think that these affect the way language is learned.
197
539000
3000
Úgy látjuk, ez az, ami befolyásolja a nyelvtanulást.
09:17
What we'd like to do
198
542000
2000
Igazán szeretnénk
09:19
is start understanding
199
544000
2000
megérteni, milyen viszonyban
09:21
the interaction between these patterns
200
546000
2000
vannak ezek a minták
09:23
and the language that my son is exposed to
201
548000
2000
a fiam által használt nyelvvel,
09:25
to see if we can predict
202
550000
2000
hogy lássuk, vajon meg tudjuk-e mondani előre,
09:27
how the structure of when words are heard
203
552000
2000
hogy a hallott szó szerkezetének
09:29
affects when they're learned --
204
554000
2000
van-e hatása arra, ahogy tanulja --
09:31
so in other words, the relationship
205
556000
2000
más szóval a szavak
09:33
between words and what they're about in the world.
206
558000
4000
közötti viszonyra és a világban betöltött szerepükre.
09:37
So here's how we're approaching this.
207
562000
2000
Így közelítjük tehát meg:
09:39
In this video,
208
564000
2000
Ebben a videóban is
09:41
again, my son is being traced out.
209
566000
2000
a fiamat követjük nyomon.
09:43
He's leaving red ink behind.
210
568000
2000
A vörös "tinta" őt jelöli.
09:45
And there's our nanny by the door.
211
570000
2000
A dajkánk az ajtónál áll.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(Videó) Dajka: Akarsz vizet? (Bébi: Aaaa)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
Dajka: Jó (Bébi: Aaaa)
09:53
DR: She offers water,
214
578000
2000
DR: Vízzel kínálja,
09:55
and off go the two worms
215
580000
2000
és a két "kukac"
09:57
over to the kitchen to get water.
216
582000
2000
a konyhába megy vízért.
09:59
And what we've done is use the word "water"
217
584000
2000
Azt csináltuk, hogy a "water" szót használva
10:01
to tag that moment, that bit of activity.
218
586000
2000
felcímkéztük ezt a percet, ezt a cselekvési mozzanatot.
10:03
And now we take the power of data
219
588000
2000
Most pedig vesszük az adatokat,
10:05
and take every time my son
220
590000
3000
és megnézünk minden egyes alkalmat,
10:08
ever heard the word water
221
593000
2000
amikor a fiam előtt elhangzott a water szó,
10:10
and the context he saw it in,
222
595000
2000
és az elhangzott szövegkörnyezetet,
10:12
and we use it to penetrate through the video
223
597000
3000
és áthatolunk a videón, és megkeressük
10:15
and find every activity trace
224
600000
3000
az összes ilyen esetet,
10:18
that co-occurred with an instance of water.
225
603000
3000
melyben előfordul a water szó.
10:21
And what this data leaves in its wake
226
606000
2000
Amit ez az adat közöl velünk az
10:23
is a landscape.
227
608000
2000
egyfajta tájkép.
10:25
We call these wordscapes.
228
610000
2000
Szótájképnek nevezzük.
10:27
This is the wordscape for the word water,
229
612000
2000
Ez a water szó szótájképe,
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
és láthatjuk, hogy a hozzáfűződő tevékenységek zömmel a konyhában zajlanak.
10:31
That's where those big peaks are over to the left.
231
616000
3000
A baloldali csúcsok jelzik ezeket.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
Összehasonlításképpen mondom, ez bármilyen más szóval is elvégezhető.
10:37
We can take the word "bye"
233
622000
2000
Vegyük például a "bye" szót,
10:39
as in "good bye."
234
624000
2000
ami a "good bye" része.
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
Ez most a házunk bejárata, csak fel van nagyítva.
10:43
And we look, and we find, as you would expect,
236
628000
3000
Ha megnézzük, észrevesszük, hogy, ahogy arra számíthattunk is,
10:46
a contrast in the landscape
237
631000
2000
az előzővel ellentétben, ez, melyben
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
a "bye" szó szerepel, sokkal rendezettebb.
10:51
So we're using these structures
239
636000
2000
Elkezdünk ezekkel a szerkezetekkel dolgozni,
10:53
to start predicting
240
638000
2000
hogy megjósoljuk
10:55
the order of language acquisition,
241
640000
3000
a nyelv elsajátításának menetét,
10:58
and that's ongoing work now.
242
643000
2000
ez pedig mostantól folyamatos munkát jelent.
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
A labor, melybe most bekukucskálunk az MIT-n,
11:03
this is at the media lab.
244
648000
2000
itt a médialabort láthatjuk.
11:05
This has become my favorite way
245
650000
2000
Ez lett a kedvenc video-gráfiás módszerem,
11:07
of videographing just about any space.
246
652000
2000
bármilyen térről legyen szó.
11:09
Three of the key people in this project,
247
654000
2000
A projektben résztvevő három kulcsfontosságú személy,
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
Philip DeCamp, Rony Kubat és Brandon Roy jelenik itt meg.
11:14
Philip has been a close collaborator
249
659000
2000
Philip-pel nagyon szorosan együttműködtünk,
11:16
on all the visualizations you're seeing.
250
661000
2000
minden itt látható vizualizációnál.
11:18
And Michael Fleischman
251
663000
3000
Michael Fleischman pedig
11:21
was another Ph.D. student in my lab
252
666000
2000
egy másik PhD-s diák a laboromban,
11:23
who worked with me on this home video analysis,
253
668000
3000
akivel a házi-videó elemzéskor dolgoztam együtt,
11:26
and he made the following observation:
254
671000
3000
és az volt a megfigyelése, hogy
11:29
that "just the way that we're analyzing
255
674000
2000
"azt az elgondolást, hogy a nyelv
11:31
how language connects to events
256
676000
3000
eseményekhez fűződő viszonyát elemezzük,
11:34
which provide common ground for language,
257
679000
2000
annak érdekében, hogy a nyelv alapjait vizsgáljuk,
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
kivihetnénk az otthonodból, Deb,
11:40
and we can apply it to the world of public media."
259
685000
3000
és alkalmazhatjuk a nyilvános média világában is."
11:43
And so our effort took an unexpected turn.
260
688000
3000
Erőfeszítéseink váratlan fordulatot vettek.
11:46
Think of mass media
261
691000
2000
Gondoljunk csak a tömegmédiára,
11:48
as providing common ground
262
693000
2000
mely szintén egy közös alapot szolgáltat,
11:50
and you have the recipe
263
695000
2000
és a recept nálunk van arra,
11:52
for taking this idea to a whole new place.
264
697000
3000
hogy ezt az elgondolást egy teljesen új területen használjuk.
11:55
We've started analyzing television content
265
700000
3000
Elkezdtünk televíziós tartalmak elemzésével foglalkozni,
11:58
using the same principles --
266
703000
2000
ugyanennek az elvnek a felhasználásával --
12:00
analyzing event structure of a TV signal --
267
705000
3000
a TV-szignálok esemény rendszerének elemzésével --
12:03
episodes of shows,
268
708000
2000
show műsorok epizódjaival,
12:05
commercials,
269
710000
2000
reklámokkal,
12:07
all of the components that make up the event structure.
270
712000
3000
az eseményeket felépítő elemekkel.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
Most meg itt állunk műhold vevőkkel felszerelve, ízekre szedjük,
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
úgy elemezzük az Egyesült Államok összes adását.
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
Ehhez még csak fel sem kell szerelni a nappalit mikrofonokkal,
12:19
to get people's conversations,
274
724000
2000
hogy meglegyen az emberek beszélgetése,
12:21
you just tune into publicly available social media feeds.
275
726000
3000
egyszerűen nyilvános társadalmi média-adásokra hangolódunk rá.
12:24
So we're pulling in
276
729000
2000
Havonta körülbelül
12:26
about three billion comments a month,
277
731000
2000
három milliárd hozzászólást húzunk be a rendszerünkbe.
12:28
and then the magic happens.
278
733000
2000
Aztán megtörténik a csoda.
12:30
You have the event structure,
279
735000
2000
Megvan az esemény szerkezete,
12:32
the common ground that the words are about,
280
737000
2000
a televíziós adásból adódó
12:34
coming out of the television feeds;
281
739000
3000
szavak közös alapja,
12:37
you've got the conversations
282
742000
2000
megvannak a beszélgetések
12:39
that are about those topics;
283
744000
2000
az adott témákban;
12:41
and through semantic analysis --
284
746000
3000
és jelentéstani vizsgálattal,
12:44
and this is actually real data you're looking at
285
749000
2000
nem mellesleg felhasználásra került
12:46
from our data processing --
286
751000
2000
valós adatokkal --
12:48
each yellow line is showing a link being made
287
753000
3000
minden egyes sárga sor
12:51
between a comment in the wild
288
756000
3000
egy a "vadonban" tett megjegyzés,
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
és a televíziós jelből kivilágló eseményszerkezet darabja közötti összefüggést mutatja.
12:57
And the same idea now
290
762000
2000
A korábban említett elvre
12:59
can be built up.
291
764000
2000
építünk.
13:01
And we get this wordscape,
292
766000
2000
Ezt a szótájképet kapjuk,
13:03
except now words are not assembled in my living room.
293
768000
3000
annyi különbséggel, hogy a szavak ezúttal nem a nappalimban hangzanak el.
13:06
Instead, the context, the common ground activities,
294
771000
4000
Ehelyett a környezet, az események közös talaja
13:10
are the content on television that's driving the conversations.
295
775000
3000
a televíziós adásban elhangzott beszélgetések tartalma.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
Az itt látható felhőkarcolók pedig
13:16
are commentary
297
781000
2000
a megjegyzések,
13:18
that are linked to content on television.
298
783000
2000
melyek a televízióban elhangzott tartalomhoz köthetők.
13:20
Same concept,
299
785000
2000
Az elgondolás ugyanaz,
13:22
but looking at communication dynamics
300
787000
2000
de a kommunikációs dinamizmust
13:24
in a very different sphere.
301
789000
2000
nagyon különböző légkörben vizsgáljuk.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
Alapvetően tehát, ahelyett, hogy például
13:28
measuring content based on how many people are watching,
303
793000
3000
a nézettség alapján mérnénk a tartalmat,
13:31
this gives us the basic data
304
796000
2000
így olyan alapadatokhoz jutunk,
13:33
for looking at engagement properties of content.
305
798000
3000
melyek a tartalom tulajdonságaihoz kapcsolódnak.
13:36
And just like we can look at feedback cycles
306
801000
3000
Ugyanúgy, ahogy eddig visszajelzések körforgását,
13:39
and dynamics in a family,
307
804000
3000
családok dinamikáját vizsgáltuk,
13:42
we can now open up the same concepts
308
807000
3000
úgy most ugyanilyen elv alapján
13:45
and look at much larger groups of people.
309
810000
3000
egy sokkal nagyobb embercsoportot is vizsgálhatunk.
13:48
This is a subset of data from our database --
310
813000
3000
Ez az adatbázisunk egy részhalmaza --
13:51
just 50,000 out of several million --
311
816000
3000
több millióból mindössze 50 000 --
13:54
and the social graph that connects them
312
819000
2000
nyilvánosan elérhető forrásokon keresztül
13:56
through publicly available sources.
313
821000
3000
kapcsolódnak egymáshoz, ebben a szociális grafikonban.
13:59
And if you put them on one plain,
314
824000
2000
Ha egy síkba helyezzük őket,
14:01
a second plain is where the content lives.
315
826000
3000
a tartalom egy második síkban érvényes.
14:04
So we have the programs
316
829000
3000
Ott vannak tehát a programok,
14:07
and the sporting events
317
832000
2000
a sportesemények,
14:09
and the commercials,
318
834000
2000
a reklámok,
14:11
and all of the link structures that tie them together
319
836000
2000
és az összes őket összekötő kapcsolati struktúra,
14:13
make a content graph.
320
838000
2000
mely a tartalmi grafikont adja.
14:15
And then the important third dimension.
321
840000
4000
A harmadik dimenzió is fontos.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
Minden itt látható, egymáshoz rendelt kapcsolat,
14:21
is an actual connection made
323
846000
2000
tulajdonképpen nem más, mint
14:23
between something someone said
324
848000
3000
valami, amit valaki mondott,
14:26
and a piece of content.
325
851000
2000
és valamilyen tartalom.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
Ismétlem, több tízmillió ilyen kapocs van,
14:31
that give us the connective tissue of social graphs
327
856000
3000
ami a szociális grafikonok kötőszövetét képzi,
14:34
and how they relate to content.
328
859000
3000
és ami a tartalomhoz való kapcsolatukat adja.
14:37
And we can now start to probe the structure
329
862000
2000
Elkezdhetjük tesztelni a szerkezetet
14:39
in interesting ways.
330
864000
2000
ezzel az érdekes módszerrel például.
14:41
So if we, for example, trace the path
331
866000
3000
Tegyük fel, hogy a tartalom egy szeletének
14:44
of one piece of content
332
869000
2000
útvonalát akarjuk nyomon követni, mely
14:46
that drives someone to comment on it,
333
871000
2000
valakit megjegyzések tételére késztetett,
14:48
and then we follow where that comment goes,
334
873000
3000
s akkor azt is nyomon követjük, hogy a megjegyzés merre tart,
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
majd az egész szociális grafikont látjuk, ahogy mozgásba lendül
14:54
and then trace back to see the relationship
336
879000
3000
és vissza tudunk térni oda, hogy mi a
14:57
between that social graph and content,
337
882000
2000
kapcsolat a szociális grafikon és a tartalom között,
14:59
a very interesting structure becomes visible.
338
884000
2000
és egy nagyon érdekes szerkezet bontakozik ki.
15:01
We call this a co-viewing clique,
339
886000
2000
Együttesen megtekintő klikk-nek nevezzük,
15:03
a virtual living room if you will.
340
888000
3000
virtuális nappalinak, ha úgy tetszik.
15:06
And there are fascinating dynamics at play.
341
891000
2000
Lenyűgöző dinamika zajlik, ha megfigyeljük.
15:08
It's not one way.
342
893000
2000
Nem egyirányú.
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
Egy tartalom-foszlány, egy esemény valakit beszédre késztet.
15:13
They talk to other people.
344
898000
2000
Egymáshoz beszélnek.
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
A beszélgetésre hangoló viselkedés pedig visszakanyarodik a tömegmédiához,
15:18
and you have these cycles
346
903000
2000
és így körforgás alakul ki,
15:20
that drive the overall behavior.
347
905000
2000
ami serkenti a viselkedés összességét.
15:22
Another example -- very different --
348
907000
2000
Egy másik példa -- mely merőben más --
15:24
another actual person in our database --
349
909000
3000
egy adatbázisunkban lévő másik személy,
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
és legalább száz ilyen van, ha nem ezer.
15:30
We've given this person a name.
351
915000
2000
Adtunk neki egy nevet.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
Egy amatőr-párti, vagy pro-am médiakritikus,
15:35
who has this high fan-out rate.
353
920000
3000
aki nagyon nagy népszerűségre tett szert.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
Szóval sokan képben vannak ezt a személyt illetően -- nagyon nagy hatású --
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
és hajlamosak arra, hogy beszéljenek arról, ami a TV-ben van.
15:43
So this person is a key link
356
928000
3000
Ez a személy tehát kulcsszerepet játszik
15:46
in connecting mass media and social media together.
357
931000
3000
a tömegmédia és a szociális média összekapcsolásában.
15:49
One last example from this data:
358
934000
3000
Az utolsó ilyen adat:
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
Néha csak egy tartalomfoszlány az, ami figyelemreméltó.
15:55
So if we go and look at this piece of content,
360
940000
4000
Ha tehát ezt a tartalom-foszlányt kezdjük vizsgálni,
15:59
President Obama's State of the Union address
361
944000
3000
Obama elnöknek az Egyesült Államokbeli felszólalását
16:02
from just a few weeks ago,
362
947000
2000
csak néhány héttel ezelőttről,
16:04
and look at what we find in this same data set,
363
949000
3000
nézzük, mi az, amit ugyanebben az adathalmazban találunk,
16:07
at the same scale,
364
952000
3000
ugyanezen a skálán,
16:10
the engagement properties of this piece of content
365
955000
2000
a tartalom-foszlány tulajdonságai közti kapcsolat
16:12
are truly remarkable.
366
957000
2000
valóban figyelemre méltó.
16:14
A nation exploding in conversation
367
959000
2000
Egy egész nemzet beszélni kezd
16:16
in real time
368
961000
2000
élőben
16:18
in response to what's on the broadcast.
369
963000
3000
az adásra válaszolva.
16:21
And of course, through all of these lines
370
966000
2000
A sorokat követve
16:23
are flowing unstructured language.
371
968000
2000
semmilyen rendszer nem fedezhető fel a nyelvben.
16:25
We can X-ray
372
970000
2000
Megröntgenezhetjük,
16:27
and get a real-time pulse of a nation,
373
972000
2000
s akkor esetleg megkapjuk
16:29
real-time sense
374
974000
2000
a nemzet aktuális pulzusát, a szociális grafikon
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
különböző áramköreinek
16:34
being activated by content.
376
979000
3000
a tartalom által kiváltott társadalmi reakcióit.
16:37
So, to summarize, the idea is this:
377
982000
3000
Összefoglalásképpen elmondhatjuk tehát, hogy az elgondolás a következő:
16:40
As our world becomes increasingly instrumented
378
985000
3000
Ahogy a világ technikailag egyre felszereltebb,
16:43
and we have the capabilities
379
988000
2000
képesek leszünk
16:45
to collect and connect the dots
380
990000
2000
arra, hogy összegyűjtsük mindazt, ami az
16:47
between what people are saying
381
992000
2000
emberek között elhangzott, és összekössük
16:49
and the context they're saying it in,
382
994000
2000
a szövegkörnyezettel,
16:51
what's emerging is an ability
383
996000
2000
és ez segít bennünket abban,
16:53
to see new social structures and dynamics
384
998000
3000
hogy új, eddig felfedezetlen társadalmi
16:56
that have previously not been seen.
385
1001000
2000
szerkezeteket és mozgásokat lássunk meg.
16:58
It's like building a microscope or telescope
386
1003000
2000
Ezt egy mikroszkóp vagy teleszkóp megépítéséhez lehet hasonlítani,
17:00
and revealing new structures
387
1005000
2000
ahhoz, hogy új szerkezeteket fedezünk fel,
17:02
about our own behavior around communication.
388
1007000
3000
melyek a kommunikációnk körüli viselkedésünket érintik.
17:05
And I think the implications here are profound,
389
1010000
3000
Azt gondolom, a következmények mélyrehatóak,
17:08
whether it's for science,
390
1013000
2000
legyenek azok tudományosak,
17:10
for commerce, for government,
391
1015000
2000
kereskedelmiek, államiak
17:12
or perhaps most of all,
392
1017000
2000
vagy, ami talán mindannyiunkat érint,
17:14
for us as individuals.
393
1019000
3000
individuálisak.
17:17
And so just to return to my son,
394
1022000
3000
A fiamra visszatérve,
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
amikor erre az előadásra készültem, ő átnézett a vállamon,
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
én megmutattam neki ezeket a bemutatásra kerülő videó felvételeket,
17:25
and I asked him for permission -- granted.
397
1030000
3000
kértem a jóváhagyását - megadta.
17:28
And then I went on to reflect,
398
1033000
2000
Azt is tudtára adtam, hogy
17:30
"Isn't it amazing,
399
1035000
3000
"Ez a hatalmas adatbázis,
17:33
this entire database, all these recordings,
400
1038000
3000
ez az egész felvétel-sorozat valami csodálatos,
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
az egészet meg fogjátok kapni, te és a húgod,"
17:38
who arrived two years later --
402
1043000
3000
aki két év elteltével született.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"Nektek megadatik majd a lehetőség, hogy visszatekintsetek olyan pillanatokra,
17:44
that you could never, with your biological memory,
404
1049000
3000
amelyekre a biológiai memóriátokkal
17:47
possibly remember the way you can now?"
405
1052000
2000
valószínűleg soha nem lennétek képesek, és ezeket a perceket mind újra átélhetitek."
17:49
And he was quiet for a moment.
406
1054000
2000
Egy percig csendben figyelt.
17:51
And I thought, "What am I thinking?
407
1056000
2000
Én meg arra gondoltam, "Mit nem képzelek?
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
Hiszen még csak öt éves. Nem fogja megérteni, miről van szó."
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
Ahogy ez járt éppen a fejemben, felnézett rám, és megszólalt:
17:58
"So that when I grow up,
410
1063000
2000
"Szóval, ha én felnövök,
18:00
I can show this to my kids?"
411
1065000
2000
megmutathatom a gyerekeimnek?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
És akkor belém hasított: "Nahát, ez kemény dolog."
18:05
So I want to leave you
413
1070000
2000
Végezetül hadd mutassak Önöknek
18:07
with one last memorable moment
414
1072000
2000
egy utolsó emlékezetes pillanatot a
18:09
from our family.
415
1074000
3000
családi életünkből.
18:12
This is the first time our son
416
1077000
2000
Itt történt meg az, hogy a fiúnk
18:14
took more than two steps at once --
417
1079000
2000
első alkalommal tett meg egyszerre több mint két lépést --
18:16
captured on film.
418
1081000
2000
és meg lett örökítve.
18:18
And I really want you to focus on something
419
1083000
3000
Szeretném, ha közben valamire
18:21
as I take you through.
420
1086000
2000
összpontosítanának.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
Zsúfolt környezet; természetes életközegben.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
Anyám a konyhában főz,
18:27
and, of all places, in the hallway,
423
1092000
2000
és látni, hol máshol, mint éppen az előszobában,
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
azon van, hogy megtegye, hogy megtegyen több, mint két lépést.
18:32
And so you hear me encouraging him,
425
1097000
2000
Hallani lehet a hangomat, ahogy biztatom,
18:34
realizing what's happening,
426
1099000
2000
amint rájövök, hogy mi történik,
18:36
and then the magic happens.
427
1101000
2000
és akkor egyszerre csak megtörténik a csoda.
18:38
Listen very carefully.
428
1103000
2000
Nagyon figyeljenek!
18:40
About three steps in,
429
1105000
2000
Körülbelül három lépés után
18:42
he realizes something magic is happening,
430
1107000
2000
felfogja, hogy valami csodálatos dolog történik.
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
És az eddigi legbámulatosabb visszajelzést adja,
18:47
and he takes a breath in,
432
1112000
2000
mély levegőt vesz,
18:49
and he whispers "wow"
433
1114000
2000
és halkan mondja "wow"
18:51
and instinctively I echo back the same.
434
1116000
4000
én pedig ösztönösen visszhangzom ezt a "wow"-t.
18:56
And so let's fly back in time
435
1121000
3000
Siessünk vissza időben
18:59
to that memorable moment.
436
1124000
2000
ehhez az emlékezetes perchez.
19:05
(Video) DR: Hey.
437
1130000
2000
(Videó) DR: Hé,
19:07
Come here.
438
1132000
2000
Gyere ide.
19:09
Can you do it?
439
1134000
3000
Na, sikerülni fog?
19:13
Oh, boy.
440
1138000
2000
Ó, fiam.
19:15
Can you do it?
441
1140000
3000
Sikerülni fog?
19:18
Baby: Yeah.
442
1143000
2000
Bébi: Igen.
19:20
DR: Ma, he's walking.
443
1145000
3000
DR: Anya, jár a gyerek!
19:24
(Laughter)
444
1149000
2000
(Nevetés)
19:26
(Applause)
445
1151000
2000
(taps)
19:28
DR: Thank you.
446
1153000
2000
DR: Köszönöm.
19:30
(Applause)
447
1155000
15000
(Taps)
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