TEDGlobal 2012
Read Montague: What we're learning from 5,000 brains
Read Montague: Amit megtudunk 5000 agytól
Filmed:
Readability: 4
763,896 views
Az egerek, bogarak, hörcsögök már nem az egyedülálló eszközeink arra, hogy az agyat tanulmányozzuk. A funkcionális MRI (fMRI) lehetővé teszi a tudósoknak, hogy feltérképezzék az agy tevékenységeit élő, lélegző, éppen döntést hozó emberi lényeknél. Read Montague áttekintést ad arról, hogy ez a technológia hogyan segít megértenünk az egymással való kapcsolódásunk bonyolult módjait.
Read Montague - Behavioral Neuroscientist
What does "normal behavior" look like? To find out, Read Montague is imaging thousands of brains at work. Full bio
What does "normal behavior" look like? To find out, Read Montague is imaging thousands of brains at work. Full bio
Double-click the English transcript below to play the video.
00:16
Other people. Everyone is interested in other people.
0
474
2809
Más emberek. Mindenkit érdekelnek mások.
00:19
Everyone has relationships with other people,
1
3283
2123
Mindenkinek vannak kapcsolatai másokkal,
00:21
and they're interested in these relationships
2
5406
1592
és különböző okok miatt
00:22
for a variety of reasons.
3
6998
1855
érdeklődik mindenki mások iránt.
00:24
Good relationships, bad relationships,
4
8853
2012
Jó viszonyok, rossz viszonyok,
00:26
annoying relationships, agnostic relationships,
5
10865
3146
idegesítő viszonyok, agnosztikus viszonyok,
00:29
and what I'm going to do is focus on the central piece
6
14011
3424
és én most itt arra a központi dologra fogok fókuszálni,
00:33
of an interaction that goes on in a relationship.
7
17435
3303
ami egy ilyen kapcsolatban lejátszódik.
00:36
So I'm going to take as inspiration the fact that we're all
8
20738
2336
Ezért aztán inspirációul fogom hívni azt a tényt,
00:38
interested in interacting with other people,
9
23074
2425
hogy mindannyian érdekeltek vagyunk a másokkal való kapcsolatokban,
00:41
I'm going to completely strip it of all its complicating features,
10
25499
3832
és teljesen lehántom róla az összes bonyolító tényezőt,
00:45
and I'm going to turn that object, that simplified object,
11
29331
3894
és ezt a leegyszerűsített témát, tárgyat,
00:49
into a scientific probe, and provide the early stages,
12
33225
4150
tudományos kísérletnek vetem alá, és lehetőséget biztosítok így új felismeréseknek
00:53
embryonic stages of new insights into what happens
13
37375
2449
a kezdeti, embrionális szakasz során, hogy kiderülhessen,
00:55
in two brains while they simultaneously interact.
14
39824
3650
mi történik két agyban, amikor egyidejűleg kölcsönhatásba kerülnek egymással.
00:59
But before I do that, let me tell you a couple of things
15
43474
2293
Mielőtt azonban erre rátérnék, hadd mondjak el pár dolgot,
01:01
that made this possible.
16
45767
1699
ami ezt lehetővé teszi.
01:03
The first is we can now eavesdrop safely
17
47466
2781
Az első az, hogy ma már biztonságosan
01:06
on healthy brain activity.
18
50247
2711
meg tudjuk vizsgálni az egészséges agy aktivitását.
01:08
Without needles and radioactivity,
19
52958
2577
Tűk és radioaktivitás nélkül,
01:11
without any kind of clinical reason, we can go down the street
20
55535
2863
mindenféle klinikai ok nélkül, foghatjuk magunkat,
01:14
and record from your friends' and neighbors' brains
21
58398
3127
és miközben a barátaink és szomszédaink egy sor kognitív feladatot hajtanak végre,
01:17
while they do a variety of cognitive tasks, and we use
22
61525
2538
felvehetjük az agyuk működését, s használjuk mindehhez
01:19
a method called functional magnetic resonance imaging.
23
64063
3734
a funkcionális mágneses rezonancia képalkotó eszközt (fMRI-t).
01:23
You've probably all read about it or heard about in some
24
67797
2325
Valószínűleg mind olvastak, vagy hallottak róla
01:26
incarnation. Let me give you a two-sentence version of it.
25
70122
4378
valamilyen formában. Hadd mutassam most be két mondatban.
01:30
So we've all heard of MRIs. MRIs use magnetic fields
26
74500
3484
Mind hallottunk tehát az MRI-kről. Az MRI-k mágneses tereket és rádióhullámokat
01:33
and radio waves and they take snapshots of your brain
27
77984
2029
használnak, hogy pillanatfelvételeket készítsenek az agyunkról,
01:35
or your knee or your stomach,
28
80013
2361
vagy a térdünkről, hasunkról,
01:38
grayscale images that are frozen in time.
29
82374
2045
szürkeárnyalatos állóképeket.
01:40
In the 1990s, it was discovered you could use
30
84419
2321
Az 1990-es években felfedezték, hogy lehet
01:42
the same machines in a different mode,
31
86740
2659
ugyanezeket a gépeket más üzemmódban is használni,
01:45
and in that mode, you could make microscopic blood flow
32
89399
2346
és abban a módban lehetséges mikroszkopikus szintű véráramlás filmeket készíteni
01:47
movies from hundreds of thousands of sites independently in the brain.
33
91745
3300
az agyban sok százezer különböző területről.
01:50
Okay, so what? In fact, the so what is, in the brain,
34
95045
3200
Rendben, és mi van akkor? Valójában, az az "és mi van akkor ott az agyban?"
01:54
changes in neural activity, the things that make your brain work,
35
98245
3832
megváltoztatja az idegi aktivitást, azokat a dolgokat, ami miatt az agyunk működik,
01:57
the things that make your software work in your brain,
36
102077
2010
amik az agyunkban lévő szoftvert működésre késztetik,
01:59
are tightly correlated with changes in blood flow.
37
104087
2489
szoros összefüggésben vannak a véráramlás változásaival.
02:02
You make a blood flow movie, you have an independent
38
106576
1973
Ha elkészítünk egy véráramlásfilmet,
02:04
proxy of brain activity.
39
108549
2339
akkor lesz egy független proxynk az agyi aktivitásról.
02:06
This has literally revolutionized cognitive science.
40
110888
3034
Ez szó szerint forradalmasította a kognitív tudományokat!
02:09
Take any cognitive domain you want, memory,
41
113922
1991
Vegyük akármelyik kognitív területet, mondjuk az emlékezetet,
02:11
motor planning, thinking about your mother-in-law,
42
115913
2141
géptervezést, anyósunkon való gondolkodást,
02:13
getting angry at people, emotional response, it goes on and on,
43
118054
3715
valakire való haragunkat, vagy érzelmi reakciónkat, és sorolhatnám,
02:17
put people into functional MRI devices, and
44
121769
3089
tegyük az embereket az fMRI-be,
02:20
image how these kinds of variables map onto brain activity.
45
124858
3383
és feltérképezzük, hogyan adják ki ezek a változók az agyi aktivitást.
02:24
It's in its early stages, and it's crude by some measures,
46
128241
2849
Kezdeti lépéseknél tartunk még, és bizonyos mérték szerint nyers még ez a technológia,
02:26
but in fact, 20 years ago, we were at nothing.
47
131090
2568
de tény, hogy 20 évvel ezelőtt még sehol sem tartottunk!
02:29
You couldn't do people like this. You couldn't do healthy people.
48
133658
2359
Nem tudtuk ezt megtenni az emberekkel. Az egészségesekkel semmiképpen.
02:31
That's caused a literal revolution, and it's opened us up
49
136017
2488
Ezért okozott ez szó szerint forradalmat, s feltárta a lehetőséget
02:34
to a new experimental preparation. Neurobiologists,
50
138505
2818
egy új kísérletre való felkészüléshez. A neurobiológusoknak,
02:37
as you well know, have lots of experimental preps,
51
141323
3760
ahogy Önök is tudják, rengeteg kísérletezéshez való eszközük van,
02:40
worms and rodents and fruit flies and things like this.
52
145083
3141
férgek, rágcsálók, muslicák, és ilyesmik.
02:44
And now, we have a new experimental prep: human beings.
53
148224
3397
És most van egy új dolog is a kezünkben: az emberi lény.
02:47
We can now use human beings to study and model
54
151621
3761
Ma már az embereket is használhatjuk arra, hogy tanulmányozzuk és modellezzük
02:51
the software in human beings, and we have a few
55
155382
2950
az emberben lévő szoftvert,
02:54
burgeoning biological measures.
56
158332
2835
és van is már néhány bimbózó biológiai intézkedésünk erre vonatkozóan.
02:57
Okay, let me give you one example of the kinds of experiments that people do,
57
161167
3887
Rendben, hadd mutassak be egy példát az ilyesfajta kísérletekből, amik manapság zajlanak,
03:00
and it's in the area of what you'd call valuation.
58
165054
2677
mégpedig az értékelés területéről.
03:03
Valuation is just what you think it is, you know?
59
167731
2135
Értékelés: pont az, amit gondolunk róla, tudják!
03:05
If you went and you were valuing two companies against
60
169866
2804
Ha fogjuk magunkat és összehasonlítunk két céget egymással,
03:08
one another, you'd want to know which was more valuable.
61
172670
2736
akkor tudni akarjuk, melyik cég értékesebb.
03:11
Cultures discovered the key feature of valuation thousands of years ago.
62
175406
3879
Bizonyos kultúrák évezredekkel ezelőtt felfedezték már az értékelés kritériumait.
03:15
If you want to compare oranges to windshields, what do you do?
63
179285
2690
Ha össze akarjuk hasonlítani a narancsot a szélvédővel, mit teszünk?
03:17
Well, you can't compare oranges to windshields.
64
181975
2356
Nos, ezt nem tudjuk megtenni.
03:20
They're immiscible. They don't mix with one another.
65
184331
2255
Ezek nem összehasonlíthatók. Nem vegyíthetők egymással.
03:22
So instead, you convert them to a common currency scale,
66
186586
2351
Ehelyett, fogjuk és átkonvertáljuk egy közös mértékegységre,
03:24
put them on that scale, and value them accordingly.
67
188937
2706
azzal megmérjük őket és annak megfelelően értékeljük ki.
03:27
Well, your brain has to do something just like that as well,
68
191643
3436
Nos, az agyunk is valami ehhez hasonlót tesz,
03:30
and we're now beginning to understand and identify
69
195079
2488
és most kezdjük megérteni, és beazonosítani
03:33
brain systems involved in valuation,
70
197567
2137
az agynak azokat a rendszereit, amelyek ebben az értékelésben szerepet játszanak,
03:35
and one of them includes a neurotransmitter system
71
199704
2632
melyek közül az egyikben van egy olyan ingerületátvivő rendszer,
03:38
whose cells are located in your brainstem
72
202336
2632
amelynek a sejtjei az agytörzsben vannak,
03:40
and deliver the chemical dopamine to the rest of your brain.
73
204968
3175
és a dopamin vegyületet szállítják az agy többi részéhez.
03:44
I won't go through the details of it, but that's an important
74
208143
2442
Nem fogom végigvenni a részleteket, de ez egy fontos felfedezés,
03:46
discovery, and we know a good bit about that now,
75
210585
2157
aminek jó részét feltártuk már,
03:48
and it's just a small piece of it, but it's important because
76
212742
2230
s bár csak egy aprócska dolog ez, mégis nagyon fontos,
03:50
those are the neurons that you would lose if you had Parkinson's disease,
77
214972
3275
mert ezek azok a neuronok, amelyeket elveszítünk, ha Parkinson-kórosak leszünk,
03:54
and they're also the neurons that are hijacked by literally
78
218247
2016
valamint ezek azok a neuronok, amelyek szó szerint eltérítésre kerülnek,
03:56
every drug of abuse, and that makes sense.
79
220263
2232
minden típusú drogfogyasztás esetén, és ennek bizony van értelme!
03:58
Drugs of abuse would come in, and they would change
80
222495
2336
Belép a képbe a droggal való visszaélés, és miatta
04:00
the way you value the world. They change the way
81
224831
1789
megváltozik a világról alkotott értékrendszerünk. Ezek megváltoztatják
04:02
you value the symbols associated with your drug of choice,
82
226620
3199
a szimbólumok megítélését, melyek a választott drogunkhoz társulnak,
04:05
and they make you value that over everything else.
83
229819
2514
és rávesznek minket arra, hogy azt mindenek felett valónak értékeljük.
04:08
Here's the key feature though. These neurons are also
84
232333
3021
Ez itt a leglényegesebb jellegzetessége. Ezek a neuronok
04:11
involved in the way you can assign value to literally abstract ideas,
85
235354
3501
részt vesznek abban is, amikor szó szerint elvont ötletekhez értéket kapcsolunk,
04:14
and I put some symbols up here that we assign value to
86
238855
2041
és feltettem ide néhány olyan szimbólumot, amelyhez értéket társítunk,
04:16
for various reasons.
87
240896
2720
különböző okoknál fogva.
04:19
We have a behavioral superpower in our brain,
88
243616
2689
Van az agyunkban egy viselkedési szuperhatalom,
04:22
and it at least in part involves dopamine.
89
246305
1753
amely legalább is részben dopaminból áll.
04:23
We can deny every instinct we have for survival for an idea,
90
248058
4189
Képesek vagyunk megtagadni az összes létfenntartó ösztönünket egy idea miatt,
04:28
for a mere idea. No other species can do that.
91
252247
4005
pusztán egy idea miatt! Egyetlen más faj sem képes erre.
04:32
In 1997, the cult Heaven's Gate committed mass suicide
92
256252
3606
1997-ben a Menny Kapuja kultusz tömeges öngyilkosságot követett el,
04:35
predicated on the idea that there was a spaceship
93
259858
2215
azt képzelve, hogy jön egy űrhajó
04:37
hiding in the tail of the then-visible comet Hale-Bopp
94
262073
3785
az akkor látható Hale-Bopp-üstökös csóvájában rejtőzve,
04:41
waiting to take them to the next level. It was an incredibly tragic event.
95
265858
4272
ami arra vár, hogy a következő szintre vihesse őket. Ez egy hihetetlenül tragikus kimenetelű eset volt.
04:46
More than two thirds of them had college degrees.
96
270130
3485
Több mint kétharmaduknak egyetemi diplomája volt.
04:49
But the point here is they were able to deny their instincts for survival
97
273615
3723
A lényeg azonban itt az, hogy képesek voltak megtagadni a létfenntartó ösztöneiket,
04:53
using exactly the same systems that were put there
98
277338
2866
pontosan ugyanazokat a rendszereket használva fel ehhez,
04:56
to make them survive. That's a lot of control, okay?
99
280204
4042
amelyek lehetővé teszik a túlélést. Itt nagyon nagy mértékű szabályozásról van szó, világos, ugye?
05:00
One thing that I've left out of this narrative
100
284246
2089
Egy dolgot még nem említettem,
05:02
is the obvious thing, which is the focus of the rest of my
101
286335
2234
mégpedig azt a nyilvánvaló dolgot, amely e kis előadásom
05:04
little talk, and that is other people.
102
288569
2159
további részét képezi, vagyis a többi embert.
05:06
These same valuation systems are redeployed
103
290728
2996
Ugyanezek az értékelő rendszerek kerülnek használatra,
05:09
when we're valuing interactions with other people.
104
293724
2492
amikor emberekkel kapcsolatos viszonyokat mérlegelünk.
05:12
So this same dopamine system that gets addicted to drugs,
105
296216
3271
Azaz ugyanaz a dopaminrendszer, ami hozzászokik a drogokhoz,
05:15
that makes you freeze when you get Parkinson's disease,
106
299487
2524
ami egy Parkinson-kór esetén a lebénulásunkat okozza,
05:17
that contributes to various forms of psychosis,
107
302011
3077
ami hozzájárul a pszichózis különböző formáihoz,
05:20
is also redeployed to value interactions with other people
108
305088
3920
szintén használatra kerül annak érdekében, hogy a más emberekkel kapcsolatos
05:24
and to assign value to gestures that you do
109
309008
2896
viszonyunkat kiértékelje, és értéket rendeljen a gesztusokhoz,
05:27
when you're interacting with somebody else.
110
311904
2574
amikor másokkal kölcsönhatásba lépünk.
05:30
Let me give you an example of this.
111
314478
2577
Hadd említsek itt egy példát.
05:32
You bring to the table such enormous processing power
112
317055
2967
Olyan hatalmas feldolgozási teljesítményt alkalmazunk
05:35
in this domain that you hardly even notice it.
113
320022
2624
ezen a területen, amiről szinte fogalmunk sincs.
05:38
Let me just give you a few examples. So here's a baby.
114
322646
1467
Hadd mondjak egy példát. Itt egy kisbaba.
05:40
She's three months old. She still poops in her diapers and she can't do calculus.
115
324113
3730
3 hónapos. Pelenkába kakil, és nem tud számolni.
05:43
She's related to me. Somebody will be very glad that she's up here on the screen.
116
327843
3353
Velem áll kapcsolatban. Valaki nagyon fog örülni annak, hogy felkerült ide a kivetítőre.
05:47
You can cover up one of her eyes, and you can still read
117
331196
2376
Lefedheted az egyik szemét, és még úgy is le tudsz olvasni
05:49
something in the other eye, and I see sort of curiosity
118
333572
2755
valamit a másik szeméből, és látok némi kíváncsiságot
05:52
in one eye, I see maybe a little bit of surprise in the other.
119
336327
3597
az egyik szemében, a másikban pedig némi meglepettséget.
05:55
Here's a couple. They're sharing a moment together,
120
339924
3179
Itt egy pár. Ez egy közös pillanatuk,
05:59
and we've even done an experiment where you can cut out
121
343103
1318
és végeztünk egy kísérletet, amiben kivághatunk
06:00
different pieces of this frame and you can still see
122
344421
3007
különböző darabokat a képből, és mégis láthatjuk,
06:03
that they're sharing it. They're sharing it sort of in parallel.
123
347428
2504
hogy közösen vesznek részt benne. Amolyan párhuzamosan osztják meg.
06:05
Now, the elements of the scene also communicate this
124
349932
2463
Namost, a jelenet részei is üzenik ezt nekünk,
06:08
to us, but you can read it straight off their faces,
125
352395
2235
de leolvashatjuk egyenesen az ő arcukról is,
06:10
and if you compare their faces to normal faces, it would be a very subtle cue.
126
354630
3503
és ha összehasonlítjuk az arcukat normál arcokkal, nagyon kevés lenne a különbség.
06:14
Here's another couple. He's projecting out at us,
127
358133
3347
Itt egy másik pár. A férfi ránk nevet,
06:17
and she's clearly projecting, you know,
128
361480
2888
a nő pedig, látják, világosan kimutatja
06:20
love and admiration at him.
129
364368
2263
csodálatát és szeretetét a férfi iránt.
06:22
Here's another couple. (Laughter)
130
366631
3635
Itt van még egy pár. (Nevetés)
06:26
And I'm thinking I'm not seeing love and admiration on the left. (Laughter)
131
370266
5150
És szerintem nem lehet semmiféle szeretetet és tetszést megfigyelni a baloldali arcon. (Nevetés)
06:31
In fact, I know this is his sister, and you can just see
132
375416
2560
Én tudom, hogy ez itt a kissrác nővére, és megfigyelhetjük,
06:33
him saying, "Okay, we're doing this for the camera,
133
377976
2513
hogy a kissrác épp azt mondja: "Na persze, a kamera miatt így csinálunk,
06:36
and then afterwards you steal my candy and you punch me in the face." (Laughter)
134
380489
5702
aztán persze elveszed a nyalókámat, meg még be is húzol egyet!" (Nevetés)
06:42
He'll kill me for showing that.
135
386191
2106
Meg fog ölni, hogy megmutattam ezt.
06:44
All right, so what does this mean?
136
388297
2797
Rendben, szóval mit jelent ez?
06:46
It means we bring an enormous amount of processing power to the problem.
137
391094
3350
Azt, hogy hihetetlen mértékű feldolgozóerőt viszünk a problémamegoldásba.
06:50
It engages deep systems in our brain, in dopaminergic
138
394444
3648
Az agyunk mélyen fekvő részeit használjuk ehhez,
06:53
systems that are there to make you chase sex, food and salt.
139
398092
2818
a dopaminerg rendszert, ami azért van, hogy becserkésszük a szexet, a kaját, az élet sava-borsát.
06:56
They keep you alive. It gives them the pie, it gives
140
400910
2894
Ezek tartanak minket életben! Ez jutalmaz minket,
06:59
that kind of a behavioral punch which we've called a superpower.
141
403804
2904
ez nyomja ránk azt a viselkedési bélyeget, amit szuperhatalomnak hívunk.
07:02
So how can we take that and arrange a kind of staged
142
406708
3654
Hogyan tudjuk ezt kiragadni, és létrehozni egy szervezett társadalmi érintkezést,
07:06
social interaction and turn that into a scientific probe?
143
410362
2698
majd az egészet egy tudományos kísérletté alakítani?
07:08
And the short answer is games.
144
413060
2691
A gyors válasz: a játék.
07:11
Economic games. So what we do is we go into two areas.
145
415751
4404
Gazdasági játékok. Azt csináltuk tehát, hogy két területbe mélyedünk bele.
07:16
One area is called experimental economics. The other area is called behavioral economics.
146
420155
3336
Az egyik terület a kísérleti gazdaságtan. A másik pedig a viselkedési gazdaságtan.
07:19
And we steal their games. And we contrive them to our own purposes.
147
423491
4078
Kölcsönvesszük a játékaikat. És felhasználjuk őket a saját céljainkra.
07:23
So this shows you one particular game called an ultimatum game.
148
427569
2967
Ez itt tehát azt a bizonyos játékot mutatja be, amit ultimátumjátéknak hívunk.
07:26
Red person is given a hundred dollars and can offer
149
430536
1845
A piros személy kap 100 dollárt, s ő felajánlhatja a kéknek.
07:28
a split to blue. Let's say red wants to keep 70,
150
432381
3723
a pénz elosztását. Mondjuk a piros meg akar tartani 70-et,
07:32
and offers blue 30. So he offers a 70-30 split with blue.
151
436104
4086
így felajánl a kéknek 30-at. 70:30-hoz megosztást ajánl a kéknek.
07:36
Control passes to blue, and blue says, "I accept it,"
152
440190
2851
A kékre kerül a sor, és a kék bele is egyezik: "Elfogadom",
07:38
in which case he'd get the money, or blue says,
153
443041
1956
amely esetben meg is kapja a pénzt. De mondhatja a kék azt is,
07:40
"I reject it," in which case no one gets anything. Okay?
154
444997
4307
hogy "Visszautasítom", amely esetben senki sem kap semmit! Rendben?
07:45
So a rational choice economist would say, well,
155
449304
3392
Tehát egy racionális választásokkal foglalkozó közgazdász azt mondaná erre, hogy hát
07:48
you should take all non-zero offers.
156
452696
2056
el kéne fogadni minden nem 0 összegű ajánlatot.
07:50
What do people do? People are indifferent at an 80-20 split.
157
454752
3762
Mit tesznek az emberek? A 80:20 arányú elosztásnál még indifferensek.
07:54
At 80-20, it's a coin flip whether you accept that or not.
158
458514
3524
A 80:20 aránynál érmefeldobáshoz hasonlóan dől el, hogy elfogadjuk-e, vagy sem.
07:57
Why is that? You know, because you're pissed off.
159
462038
2891
Miért van ez így? Hát tudják, mert be vannak rágva.
08:00
You're mad. That's an unfair offer, and you know what an unfair offer is.
160
464929
3609
Dühösek. Mert ez egy igazságtalan ajánlat, és tudjuk, hogy az mit jelent.
08:04
This is the kind of game done by my lab and many around the world.
161
468538
2704
Ilyen fajta játékokat játszunk a laboromban, és sok más helyen is a világban.
08:07
That just gives you an example of the kind of thing that
162
471242
2544
Ez némi betekintést nyújt abba,
08:09
these games probe. The interesting thing is, these games
163
473786
3738
hogy ezek a játékok mit feszegetnek. Az érdekes benne az, hogy ezek a játékok megkövetelik
08:13
require that you have a lot of cognitive apparatus on line.
164
477524
3707
tőlünk azt, hogy a kognitív berendezéseink nagy része be legyen kapcsolva.
08:17
You have to be able to come to the table with a proper model of another person.
165
481231
2928
Képesek kell legyünk úgy odaállni az asztalhoz, hogy a másik emberről megfelelő képet alkossunk.
08:20
You have to be able to remember what you've done.
166
484159
3213
Képesek kell legyünk visszaidézni mindazt, amit tettünk.
08:23
You have to stand up in the moment to do that.
167
487372
1420
Fel kell tudjunk állni adott pillanatban és megtenni mindezt.
08:24
Then you have to update your model based on the signals coming back,
168
488792
3350
Majd felül kell vizsgálnunk és megújítanunk a modellünket, a visszaérkező jelek alapján,
08:28
and you have to do something that is interesting,
169
492142
2972
és valami érdekeset kell tennünk,
08:31
which is you have to do a kind of depth of thought assay.
170
495114
2597
amolyan mélyenszántó képzeletbeli kivizsgálást kell eszközölnünk.
08:33
That is, you have to decide what that other person expects of you.
171
497711
3333
Ami annyit tesz, hogy előre el kell döntenünk, hogy vajon a másik ember mit vár el tőlünk.
08:36
You have to send signals to manage your image in their mind.
172
501044
2954
Jeleket kell küldjünk arra vonatkozóan, hogy az ő fejükben rólunk alkotott képüket irányítsuk!
08:39
Like a job interview. You sit across the desk from somebody,
173
503998
2853
Mint egy állásinterjúnál. Valakivel szemben ülünk egy asztal mögött,
08:42
they have some prior image of you,
174
506851
1369
akinek van valamiféle előzetes képe rólunk,
08:44
you send signals across the desk to move their image
175
508220
2751
jeleket küldünk az asztalon át, hogy a rólunk alkotott képet befolyásoljuk,
08:46
of you from one place to a place where you want it to be.
176
510971
3920
mégpedig, hogy egy olyat alakítsunk ki, amilyet mi akarunk.
08:50
We're so good at this we don't really even notice it.
177
514891
3385
Olyan jók vagyunk ebben, hogy észre sem vesszük az egész folyamatot.
08:54
These kinds of probes exploit it. Okay?
178
518276
3767
Az ilyesfajta feladatok ezt használják ki, érthető?
08:57
In doing this, what we've discovered is that humans
179
522043
1807
Ezt vizsgálva arra jöttünk rá, hogy az emberek
08:59
are literal canaries in social exchanges.
180
523850
2331
szó szerint olyanok a társadalmi viszonyokban, mint a kanárik.
09:02
Canaries used to be used as kind of biosensors in mines.
181
526181
3397
A kanárikat amolyan élő jelzőeszközként használták régen a bányákban.
09:05
When methane built up, or carbon dioxide built up,
182
529578
3560
Amikor metán vagy szén-dioxid gyülemlett fel,
09:09
or oxygen was diminished, the birds would swoon
183
533138
4186
vagy elfogyott az oxigén, a madarak elájultak,
09:13
before people would -- so it acted as an early warning system:
184
537324
2326
még mielőtt az emberek ájultak volna el -- amolyan korabeli vészjelzőrendszerként működtek.
09:15
Hey, get out of the mine. Things aren't going so well.
185
539650
2980
Hé, kifele a bányából! Baj van!
09:18
People come to the table, and even these very blunt,
186
542630
2954
Odajönnek az emberek az asztalhoz, és még e nagyon bugyuta,
09:21
staged social interactions, and they, and there's just
187
545584
2990
megrendezett társadalmi kapcsolódás során is, akkor és ott,
09:24
numbers going back and forth between the people,
188
548574
3016
amikor pusztán számokról van szó köztük,
09:27
and they bring enormous sensitivities to it.
189
551590
2199
akkor is óriási érzékenységgel állnak hozzá a feladathoz.
09:29
So we realized we could exploit this, and in fact,
190
553789
2689
Azt gondoltuk, felhasználhatnánk ezt, mégpedig úgy,
09:32
as we've done that, and we've done this now in
191
556478
2556
ahogy már tettük, és tesszük mostanában is
09:34
many thousands of people, I think on the order of
192
559034
2694
sok ezer emberrel, azt hiszem
09:37
five or six thousand. We actually, to make this
193
561728
2165
kb. öt- vagy hatezerrel. Ahhoz, hogy ebből valódi
09:39
a biological probe, need bigger numbers than that,
194
563893
2224
biológiai kísérletet csináljunk, nagyobb számokra van szükségünk,
09:42
remarkably so. But anyway,
195
566117
3674
méghozzá jelentősen nagyobbakra. De mindenesetre,
09:45
patterns have emerged, and we've been able to take
196
569791
2004
a minták látszanak, és képesek vagyunk ezeket a mintákat
09:47
those patterns, convert them into mathematical models,
197
571795
3836
megfogni és átkonvertálni őket matematikai modellekké,
09:51
and use those mathematical models to gain new insights
198
575631
2689
majd felhasználni ezeket a matematikai modelleket arra, hogy új felismeréseket szerezzünk
09:54
into these exchanges. Okay, so what?
199
578320
2131
ezekkel az érintkezésekkel kapcsolatosan. Rendben, és akkor mi van?
09:56
Well, the so what is, that's a really nice behavioral measure,
200
580451
3313
Nos, az "és akkor mi van?" egy igazán jól működő viselkedési mérőeszköz,
09:59
the economic games bring to us notions of optimal play.
201
583764
3319
a gazdasági játékok az optimális játszmákba engednek bepillantást.
10:02
We can compute that during the game.
202
587083
2484
Számításokat végezhetünk a játék során.
10:05
And we can use that to sort of carve up the behavior.
203
589567
2953
És felhasználhatjuk mindezt úgymond ahhoz, hogy felszeleteljük a viselkedést kis részekre.
10:08
Here's the cool thing. Six or seven years ago,
204
592520
4330
És ez a klassz benne: 6-7 évvel ezelőtt
10:12
we developed a team. It was at the time in Houston, Texas.
205
596850
2550
létrehoztunk egy csapatot. Akkoriban Houstonban voltunk.
10:15
It's now in Virginia and London. And we built software
206
599400
3394
Ma Virginiában és Londonban vagyunk. És létrehoztunk egy szoftvert,
10:18
that'll link functional magnetic resonance imaging devices
207
602794
3207
amely összeköti az fMRI eszközöket az interneten keresztül.
10:21
up over the Internet. I guess we've done up to six machines
208
606001
4035
Úgy emlékszem, vagy hat ilyen gépet építettünk akkoriban,
10:25
at a time, but let's just focus on two.
209
610036
1981
de most fókuszáljunk csak kettőre.
10:27
So it synchronizes machines anywhere in the world.
210
612017
3058
Tehát ez a rendszer összehangolja a világon bárhol elhelyezkedő gépeket.
10:30
We synchronize the machines, set them into these
211
615075
3169
Összehangoljuk ezeket a gépeket, beállítva őket
10:34
staged social interactions, and we eavesdrop on both
212
618244
1983
ezekre a társadalmi interakciókra, és folyamatosan vizsgáljuk mindkét
10:36
of the interacting brains. So for the first time,
213
620227
1666
egymással interakcióba lépő agyat. Első alkalommal tehát,
10:37
we don't have to look at just averages over single individuals,
214
621893
3607
nem csupán átlagokat vizsgálnunk az egyedi személyekkel összehasonlítva,
10:41
or have individuals playing computers, or try to make
215
625500
2897
vagy egyéneket, amint a számítógépen játszanak,
10:44
inferences that way. We can study individual dyads.
216
628397
2763
vagy amint megpróbálnak következtetéseket levonni ilyen módon. Vizsgálhatunk egyéneket párban.
10:47
We can study the way that one person interacts with another person,
217
631160
2785
Vizsgálhatjuk, ahogy az egyik egyén kapcsolatba lép a másikkal,
10:49
turn the numbers up, and start to gain new insights
218
633945
2564
emeli a tétet, majd új felismerések keletkeznek benne
10:52
into the boundaries of normal cognition,
219
636509
2515
a normál felfogóképesség határaival kapcsolatban,
10:54
but more importantly, we can put people with
220
639024
2732
de ami még ennél is fontosabb, hogy belevehetünk
10:57
classically defined mental illnesses, or brain damage,
221
641756
3337
klasszikus értelemben véve mentálisan fogyatékos, ill. agyi sérült egyéneket
11:00
into these social interactions, and use these as probes of that.
222
645093
3551
ezekbe az interakciókba, és használhatjuk ezeket próbaként.
11:04
So we've started this effort. We've made a few hits,
223
648644
2350
Elkezdtük tehát ezt a munkát. És elértünk néhány találatot,
11:06
a few, I think, embryonic discoveries.
224
650994
2449
szerintem embriószintű felfedezéseket.
11:09
We think there's a future to this. But it's our way
225
653443
2812
Szerintünk ennek jövője van. De a mi dolgunk,
11:12
of going in and redefining, with a new lexicon,
226
656255
2560
hogy mélyre ássuk magunkat és újradefiniáljuk egy lexikon segítségével,
11:14
a mathematical one actually, as opposed to the standard
227
658815
4022
méghozzá egy matematikai lexikon segítségével, nem pedig normállal,
11:18
ways that we think about mental illness,
228
662837
2578
ahogy a mentális betegségekre tekintünk,
11:21
characterizing these diseases, by using the people
229
665415
2067
leírva ezen betegségek jellegzetességeit, ezeket az embereket használva
11:23
as birds in the exchanges. That is, we exploit the fact
230
667482
3007
az ilyen kapcsolódások kanárijaként. Ez annyit tesz,
11:26
that the healthy partner, playing somebody with major depression,
231
670489
4244
hogy kihasználjuk a tényt, hogy az egészséges fél, aki egy komolyan depressziós másik féllel játszik,
11:30
or playing somebody with autism spectrum disorder,
232
674733
2910
vagy valaki olyannal, aki az autizmus rendellenesség spektrumba esik,
11:33
or playing somebody with attention deficit hyperactivity disorder,
233
677643
3850
vagy olyannal, aki figyelemhiányos hiperaktivitás rendellenességgel bír,
11:37
we use that as a kind of biosensor, and then we use
234
681493
3219
felhasználjuk egyfajta élő jelzőeszközként,
11:40
computer programs to model that person, and it gives us
235
684712
2644
majd számítógépes programok segítségével modellezzük azt a személyt,
11:43
a kind of assay of this.
236
687356
2470
és ez megadja számunkra ennek az egésznek a kielemzését.
11:45
Early days, and we're just beginning, we're setting up sites
237
689826
2131
Az elején vagyunk még, még csak most kezdjük,
11:47
around the world. Here are a few of our collaborating sites.
238
691957
3410
most állítunk fel vizsgálati helyeket szerte a világon. Ez itt néhány
11:51
The hub, ironically enough,
239
695367
2309
együttműködő terület. A központ, elég ironikusan,
11:53
is centered in little Roanoke, Virginia.
240
697676
2889
a virginiai picike Roanoke-ban van.
11:56
There's another hub in London, now, and the rest
241
700565
2269
Van egy másik központunk is Londonban jelenleg,
11:58
are getting set up. We hope to give the data away
242
702834
4009
és a többi kialakítás alatt. Szándékunkban áll az adatokat nyilvánosságra hozni
12:02
at some stage. That's a complicated issue
243
706843
3673
majd egy bizonyos ponton. Ez egy bonyolult feladat,
12:06
about making it available to the rest of the world.
244
710516
2994
elérhetővé tenni az egész világon.
12:09
But we're also studying just a small part
245
713510
1847
Viszont csak egy kis részét tanulmányozzuk annak,
12:11
of what makes us interesting as human beings, and so
246
715357
2267
hogy mi tesz bennünket, embereket érdekessé,
12:13
I would invite other people who are interested in this
247
717624
2041
és ezért szeretnék minden érdeklődőt biztatni, hogy használják a szofverünket,
12:15
to ask us for the software, or even for guidance
248
719665
2569
és kérjenek nyugodtan segítséget
12:18
on how to move forward with that.
249
722234
2219
a használatával kapcsolatban.
12:20
Let me leave you with one thought in closing.
250
724453
2341
Befejezésképpen hadd osszam meg Önökkel a következőt:
12:22
The interesting thing about studying cognition
251
726794
1942
Az az érdekes az emberi felfogóképességet vizsgálva,
12:24
has been that we've been limited, in a way.
252
728736
3732
hogy eddig bizonyos tekintetben be voltunk határolva.
12:28
We just haven't had the tools to look at interacting brains
253
732468
2943
Eddig egyszerűen nem voltak meg az eszközeink ahhoz,
12:31
simultaneously.
254
735411
1200
hogy az egymással kapcsolatba lépő agyakba egyszerre nézzünk bele.
12:32
The fact is, though, that even when we're alone,
255
736611
2470
A helyzet azonban az, hogy még, ha magunk vagyunk is,
12:34
we're a profoundly social creature. We're not a solitary mind
256
739081
4111
akkor is alapjában véve társas lények vagyunk.
12:39
built out of properties that kept it alive in the world
257
743192
4373
Nem elkülönülő elmék, olyan tulajdonra épülve,
12:43
independent of other people. In fact, our minds
258
747565
3948
ami másoktól függetlenül tart életben minket,
12:47
depend on other people. They depend on other people,
259
751513
2870
mert az elménk nagyon is függ másoktól! Függ másoktól,
12:50
and they're expressed in other people,
260
754383
1541
és még tükröződik is másokban,
12:51
so the notion of who you are, you often don't know
261
755924
3652
így néha annak képzete, hogy kik is vagyunk, nem válik világossá addig,
12:55
who you are until you see yourself in interaction with people
262
759576
2688
amíg nem tapasztaljuk meg magunkat más emberekkel való interakciókban,
12:58
that are close to you, people that are enemies of you,
263
762264
2406
olyanokkal, akik közel állnak hozzánk, vagy akik éppenséggel ellenségeink,
13:00
people that are agnostic to you.
264
764670
2545
vagy akik agnosztikusak velünk.
13:03
So this is the first sort of step into using that insight
265
767215
3776
Tehát ez az egyik első lépés, hogy ezt az új felismerést
13:06
into what makes us human beings, turning it into a tool,
266
770991
3295
-- hogy mitől is vagyunk mi emberek -- hasznosítsuk arra,
13:10
and trying to gain new insights into mental illness.
267
774286
1978
hogy új ismereteket gyűjtsünk a mentális betegségekről.
13:12
Thanks for having me. (Applause)
268
776264
3121
Köszönöm, hogy itt lehettem. (Taps)
13:15
(Applause)
269
779385
3089
(Taps)
ABOUT THE SPEAKER
Read Montague - Behavioral NeuroscientistWhat does "normal behavior" look like? To find out, Read Montague is imaging thousands of brains at work.
Why you should listen
Until recently, the world's curiosity about our brains seemed to focus on abnormal behavior. Which of course left a big question unanswered: Do we even know what "normal behavior" is? Through the landmark Roanoke Brain Study, Read Montague is hoping to find that out, exploring the everyday tasks of brains -- making decisions, understanding social context, and relating to others -- by neuroimaging some 5,000 people, ages 18-85, over a period of many years.
Montague's teams in Virginia and in London lead fascinating research in computational neuroscience (how the brain's "machinery" works), offering insight into the relationship between the social and cognitive functions. For instance, a recent study from his group found that in small social groups, some people will alter the expression of their IQ in reaction to social pressures -- revising, in almost all cases, downward.
Read Montague | Speaker | TED.com