TED2013
Stuart Firestein: The pursuit of ignorance
Stuart Firestein: A tudatlanság nyomában
Filmed:
Readability: 3.5
2,046,254 views
Milyennek látszik a valódi tudományos munka? Stuart Firestein, a neurológus vicces szavaival: sokkal kevésbé látszik a tudományos módszertan, inkább csak a "szarakodás ... a sötétben". Ebben az ötletes beszédben Firestein eljut a tudomány magjáig, ahogyan azt valójában művelik, és azt tanácsolja, hogy becsüljük meg mindazt, amit nem ismerünk - a "magas szintű tudatlanságot" - éppen úgy, mint amit már megismertünk.
Stuart Firestein - Neuroscientist
Stuart Firestein teaches students and “citizen scientists” that ignorance is far more important to discovery than knowledge. Full bio
Stuart Firestein teaches students and “citizen scientists” that ignorance is far more important to discovery than knowledge. Full bio
Double-click the English transcript below to play the video.
00:12
There is an ancient proverb that says
0
495
3558
Van egy régi közmondás, amelyik azt mondja:
00:16
it's very difficult to find a black cat in a dark room,
1
4053
4062
Nagyon nehéz megtalálni egy fekete macskát egy sötét szobában,
00:20
especially when there is no cat.
2
8115
2788
főleg, ha nincs is ott a macska.
00:22
I find this a particularly apt description of science
3
10903
3329
Ez egy kifejezetten találó leírás a tudományról,
00:26
and how science works --
4
14232
2136
és arról, ahogy a tudomány működik:
00:28
bumbling around in a dark room, bumping into things,
5
16368
3320
botladozunk a sötét szobában, beleütközünk dolgokba
00:31
trying to figure out what shape this might be,
6
19688
2302
megpróbáljuk kitalálni, milyen formája lehet,
00:33
what that might be,
7
21990
1444
és mi lehet az.
00:35
there are reports of a cat somewhere around,
8
23434
2489
Voltak olyan hírek, hogy volt arra egy macska
00:37
they may not be reliable, they may be,
9
25923
1793
talán nem is igaz, vagy mégis -
00:39
and so forth and so on.
10
27716
1520
és így tovább, és így tovább.
00:41
Now I know this is different than the way most people
11
29236
1976
Tudom, hogy ez eléggé különbözik attól, ahogyan
00:43
think about science.
12
31212
1552
a legtöbb ember a tudományra gondol.
00:44
Science, we generally are told,
13
32764
1554
A tudományról általában azt gondoljuk, hogy
00:46
is a very well-ordered mechanism for
14
34318
2750
az egy nagyon jól szervezett gépezet, amely
00:49
understanding the world,
15
37068
1301
segíti megérteni a világot,
00:50
for gaining facts, for gaining data,
16
38369
2286
gyűjti a tényeket és az adatokat,
00:52
that it's rule-based,
17
40655
1553
szabályokon alapszik,
00:54
that scientists use this thing called the scientific method
18
42208
3241
a tudósok pedig használják ezt a tudományos módszertannak nevezett valamit,
00:57
and we've been doing this for 14 generations or so now,
19
45449
2839
és mi is ezt tesszük már vagy 14 generáció óta.
01:00
and the scientific method is a set of rules
20
48288
2571
A tudományos módszertan szabályok gyűjteménye arra,
01:02
for getting hard, cold facts out of the data.
21
50859
4192
hogyan jussunk el rideg, száraz tényekhez az adatokból.
01:07
I'd like to tell you that's not the case.
22
55051
2095
Szeretném elmondani nektek, hogy ez nem így megy.
01:09
So there's the scientific method,
23
57146
1832
Van ugye a tudományos módszertan,
01:10
but what's really going on is this. (Laughter)
24
58978
2319
és van az, ami helyette folyik. (nevetés)
01:13
[The Scientific Method vs. Farting Around]
25
61297
958
[Tudományos Módszertan kontra Szarakodás]
01:14
And it's going on kind of like that.
26
62255
3104
Valami ilyesmi történik.
[Tudományos Módszertan kontra Szarakodás]
[Tudományos Módszertan kontra Szarakodás]
01:17
[... in the dark] (Laughter)
27
65359
1421
[... a sötétben] (Nevetés)
01:18
So what is the difference, then,
28
66780
4541
De mi is a különbség aközött,
01:23
between the way I believe science is pursued
29
71321
3816
ahogyan szerintem a tudományt űzik,
01:27
and the way it seems to be perceived?
30
75137
2861
és ahogyan ezt mások látják?
01:29
So this difference first came to me in some ways
31
77998
2715
Ezzel a különbséggel először a
Columbia Egyetemen találkoztam,
Columbia Egyetemen találkoztam,
01:32
in my dual role at Columbia University,
32
80713
2097
ahol kettős feladatom is van: professzor vagyok
01:34
where I'm both a professor and run a laboratory in neuroscience
33
82810
4155
és vezetem a neurológiai laboratóriumot is,
01:38
where we try to figure out how the brain works.
34
86965
2195
ahol megpróbáljuk kitalálni, hogyan működik az agy.
01:41
We do this by studying the sense of smell,
35
89160
2371
Tanulmányozzuk a szaglást,
01:43
the sense of olfaction, and in the laboratory,
36
91531
2531
a szaglóérzéket, és ez hatalmas élvezet
01:46
it's a great pleasure and fascinating work
37
94062
2634
és magával ragadó munka.
01:48
and exciting to work with graduate students and post-docs
38
96696
2871
Izgalmas együtt dolgozni a végzős hallgatókkal
és a PhD-sekkel,
és a PhD-sekkel,
01:51
and think up cool experiments to understand how this
39
99567
2611
kieszelni menő kísérleteket, hogy megértsük, hogyan
01:54
sense of smell works and how the brain might be working,
40
102178
2386
működik a szaglás, és hogyan működhet az agy,
01:56
and, well, frankly, it's kind of exhilarating.
41
104564
2802
és ez - őszintén szólva - igazán felvillanyozó.
01:59
But at the same time, it's my responsibility
42
107366
2718
De ugyanakkor az én felelősségem az is,
02:02
to teach a large course to undergraduates on the brain,
43
110084
2949
hogy hosszú kurzusokat tartsak a hallgatóknak az agyról,
02:05
and that's a big subject,
44
113033
1075
ami elég nagy témakör,
02:06
and it takes quite a while to organize that,
45
114108
2391
és elég sok időt visz el a szervezése,
02:08
and it's quite challenging and it's quite interesting,
46
116499
2811
ami nagy kihívás és nagyon érdekes,
02:11
but I have to say, it's not so exhilarating.
47
119310
3557
de el kell, hogy mondjam - nem igazán felvillanyozó.
02:14
So what was the difference?
48
122867
1396
De akkor mi lehet a különbség?
02:16
Well, the course I was and am teaching
49
124263
2069
Nos a kurzust, amin tanítottam és tanítok, úgy hívják,
02:18
is called Cellular and Molecular Neuroscience - I. (Laughs)
50
126332
6464
hogy Celluláris és Molekuláris Neurobiológia - 1. (Nevetés)
02:24
It's 25 lectures full of all sorts of facts,
51
132796
4555
Ez 25 előadás, tele mindenféle tényekkel,
02:29
it uses this giant book called "Principles of Neural Science"
52
137351
4317
felhasználva az "Idegi Tudományok Alapjai" című hatalmas munkát,
02:33
by three famous neuroscientists.
53
141668
2334
amit három híres neurológus írt.
02:36
This book comes in at 1,414 pages,
54
144002
3781
Ez a könyv 1414 lapból áll
02:39
it weighs a hefty seven and a half pounds.
55
147783
2736
és masszívan 3 és fél kiló.
02:42
Just to put that in some perspective,
56
150519
1927
Hogy adjak egy más megközelítést is,
02:44
that's the weight of two normal human brains.
57
152446
3455
ez két átlagos emberi agy súlya.
02:47
(Laughter)
58
155901
3283
(Nevetés)
02:51
So I began to realize, by the end of this course,
59
159184
3267
Kezdtem rájönni a kurzus végére,
02:54
that the students maybe were getting the idea
60
162451
2248
hogy a hallgatókban kialakult egy olyan kép,
02:56
that we must know everything there is to know about the brain.
61
164699
3031
hogy mi már biztosan mindent tudunk az agyról,
amit tudni lehet.
amit tudni lehet.
02:59
That's clearly not true.
62
167730
1762
De ez egyáltalán nem igaz.
03:01
And they must also have this idea, I suppose,
63
169492
2698
Szerintem még egy olyan ötletük is lehetett,
03:04
that what scientists do is collect data and collect facts
64
172190
3381
hogy a tudósok csak gyűjtögetik az adatokat és a tényeket
03:07
and stick them in these big books.
65
175571
2089
és beletöltik ezekbe a nagy könyvekbe.
03:09
And that's not really the case either.
66
177660
1407
És persze ez sem igaz.
03:11
When I go to a meeting, after the meeting day is over
67
179067
3303
Amikor egy egész napos értekezlet után
03:14
and we collect in the bar over a couple of beers with my colleagues,
68
182370
3097
összejövünk a kollégákkal néhány sörre a bárban,
03:17
we never talk about what we know.
69
185467
2201
sohasem arról beszélünk, amit tudunk,
03:19
We talk about what we don't know.
70
187668
2166
hanem arról, amit nem tudunk.
03:21
We talk about what still has to get done,
71
189834
2285
Arról beszélünk, hogy mivel kéne még elkészülni,
03:24
what's so critical to get done in the lab.
72
192119
2825
ami fontos lenne a laborban.
03:26
Indeed, this was, I think, best said by Marie Curie
73
194944
2557
Ezt szerintem legjobban Marie Curie fogalmazta meg,
03:29
who said that one never notices what has been done
74
197501
2419
amikor azt mondta: sohasem azt vesszük észre,
amivel elkészültünk,
amivel elkészültünk,
hanem azt, amit még kell tenni.
03:31
but only what remains to be done.
75
199920
1461
03:33
This was in a letter to her brother after obtaining
76
201381
2225
Ezt egy levelében írta bátyjának,
03:35
her second graduate degree, I should say.
77
203606
3718
miután megszerezte a második diplomáját.
03:39
I have to point out this has always been one of my favorite pictures of Marie Curie,
78
207324
2813
Hadd mutassak rá, hogy mindig ez volt
a kedvenc Marie Curie fényképem,
a kedvenc Marie Curie fényképem,
03:42
because I am convinced that that glow behind her
79
210137
2303
mert meg vagyok győződve arról, hogy mögötte
03:44
is not a photographic effect. (Laughter)
80
212440
2738
a derengés nem egy fotós trükk. (Nevetés)
03:47
That's the real thing.
81
215178
1800
Valódi.
03:48
It is true that her papers are, to this day,
82
216978
4380
Az is igaz, hogy az írásait a mai napig egy alagsori
03:53
stored in a basement room in the Bibliothèque Française
83
221358
2879
szobában tárolják a Bibliothéque Francaise-ben,
03:56
in a concrete room that's lead-lined,
84
224237
2197
egy ólommal bélelt szobában,
03:58
and if you're a scholar and you want access to these notebooks,
85
226434
2652
és ha tudós vagy és hozzá akarsz férni ezekhez a jegyzetfüzetekhez,
04:01
you have to put on a full radiation hazmat suit,
86
229086
2749
akkor egy sugárvédő ruhát kell felvenned,
04:03
so it's pretty scary business.
87
231835
2351
vagyis ez elég rémisztő dolog.
04:06
Nonetheless, this is what I think we were leaving out
88
234186
2796
Azt hiszem, hogy az, amit kifelejtünk
04:08
of our courses
89
236982
1626
a kurzusokból,
04:10
and leaving out of the interaction that we have
90
238608
2526
és kifelejtünk, amikor tudósként érintkezünk
04:13
with the public as scientists, the what-remains-to-be-done.
91
241134
2973
a közönséggel, az amit még meg kell tenni.
04:16
This is the stuff that's exhilarating and interesting.
92
244107
2634
Ez az a dolog, ami igazán felvillanyozó és érdekes.
04:18
It is, if you will, the ignorance.
93
246741
2910
Ez, ha úgy akarad, a tudatlanság.
04:21
That's what was missing.
94
249651
979
Ez az, amit hiányolok.
04:22
So I thought, well, maybe I should teach a course
95
250630
2860
Ezért gondoltam, hogy talán kéne tartanom egy kurzust
04:25
on ignorance,
96
253490
2100
a tudatlanságról,
04:27
something I can finally excel at, perhaps, for example.
97
255590
3629
végre valami, amiben esetleg kitűnhetek.
04:31
So I did start teaching this course on ignorance,
98
259219
1878
Így beindítottam a kurzust a tudatlanságról,
04:33
and it's been quite interesting
99
261097
1096
ami elég érdekes lett,
04:34
and I'd like to tell you to go to the website.
100
262193
2086
szeretném, ha ti is megnéznétek a weboldalt.
04:36
You can find all sorts of information there. It's wide open.
101
264279
3636
Találhattok ott mindenféle információt. Szabadon elérhető.
04:39
And it's been really quite an interesting time for me
102
267915
3523
Ez tényleg nagyon érdekes időszak lett a számomra,
04:43
to meet up with other scientists who come in and talk
103
271438
1841
találkoztam más tudósokkal is, akik eljöttek
04:45
about what it is they don't know.
104
273279
1548
és beszéltek arról, amit nem tudnak.
04:46
Now I use this word "ignorance," of course,
105
274827
1985
A "tudatlanság" szót használom, ami, persze
04:48
to be at least in part intentionally provocative,
106
276812
3158
legalábbis részben, szándékosan provokatív,
04:51
because ignorance has a lot of bad connotations
107
279970
2390
mivel a tudatlansághoz sok rossz jelentés társul
04:54
and I clearly don't mean any of those.
108
282360
2005
pedig én egyikre sem gondolok.
04:56
So I don't mean stupidity, I don't mean a callow indifference
109
284365
3505
Nem gondolom ezt ostobaságnak, vagy éretlen közönynek
04:59
to fact or reason or data.
110
287870
2308
a tények, az okok vagy az adatok iránt.
05:02
The ignorant are clearly unenlightened, unaware,
111
290178
3271
A tudatlanok nyilván felvilágosulatlan, naiv,
05:05
uninformed, and present company today excepted,
112
293449
3307
tájékozatlan emberek, és nekem úgy tűnik, hogy gyakran ők foglalják
05:08
often occupy elected offices, it seems to me.
113
296756
2908
el a válogatott hivatalokat is - a jelenlévők persze kivételek.
05:11
That's another story, perhaps.
114
299664
1806
Persze, ez egy másik történet.
05:13
I mean a different kind of ignorance.
115
301470
1633
Egy másfajta tudatlanság.
05:15
I mean a kind of ignorance that's less pejorative,
116
303103
2268
Én egy olyan tudatlanságra gondolok, amely kevésbé pejoratív,
05:17
a kind of ignorance that comes from a communal gap in our knowledge,
117
305371
3487
egy olyan tudatlanság, amely tudásunk hiányosságából fakad,
05:20
something that's just not there to be known
118
308858
1865
valami, amit nem lehet ismerni,
05:22
or isn't known well enough yet or we can't make predictions from,
119
310723
2821
vagy még nem eléggé ismerünk, vagy még megjósolni sem tudunk.
05:25
the kind of ignorance that's maybe best summed up
120
313544
2318
Ezt a fajta tudatlanságot James Clark Maxwell
05:27
in a statement by James Clerk Maxwell,
121
315862
1845
összegezhette legjobban egy állításában,
05:29
perhaps the greatest physicist between Newton and Einstein,
122
317707
3449
aki talán a legnagyobb fizikus volt Newton és Einstein között.
05:33
who said, "Thoroughly conscious ignorance
123
321156
2301
"A tökéletesen öntudatos tudatlanság vezet
05:35
is the prelude to every real advance in science."
124
323457
2568
minden valódi tudományos haladáshoz."
05:38
I think it's a wonderful idea:
125
326025
1388
Szerintem ez egy csodálatos ötlet:
05:39
thoroughly conscious ignorance.
126
327413
3147
a tökéletesen öntudatos tudatlanság.
05:42
So that's the kind of ignorance that I want to talk about today,
127
330560
2421
Ez a fajta tudatlanság az, amiről ma beszélni akarok,
05:44
but of course the first thing we have to clear up
128
332981
1519
de először persze azt a dolgot kell tisztázni,
05:46
is what are we going to do with all those facts?
129
334500
2103
hogy mit is kezdünk azzal a rengeteg ténnyel?
05:48
So it is true that science piles up at an alarming rate.
130
336603
3674
Mert a tudomány riasztó mértékben halmozza a tényeket.
05:52
We all have this sense that science is this mountain of facts,
131
340277
2810
Mind éreztük már, hogy a tudomány csak tények halmaza,
05:55
this accumulation model of science, as many have called it,
132
343087
4036
ahogyan sokan nevezték, ez a tudomány felhalmozási modellje,
05:59
and it seems impregnable, it seems impossible.
133
347123
2451
ami úgy tűnik, bevehetetlen és képtelen.
06:01
How can you ever know all of this?
134
349574
1314
Hogyan lennél képes mindezt megismerni?
06:02
And indeed, the scientific literature grows at an alarming rate.
135
350888
3581
Csakugyan, a tudományos szakirodalom
riasztó mértékben növekszik.
riasztó mértékben növekszik.
06:06
In 2006, there were 1.3 million papers published.
136
354469
3654
2006-ban 1,3 millió tanulmányt publikáltak.
06:10
There's about a two-and-a-half-percent yearly growth rate,
137
358123
2632
Az éves növekedés kb. 2 és fél százalékos,
06:12
and so last year we saw over one and a half million papers being published.
138
360755
4390
vagyis tavaly (2012) már több mint másfél milliót publikáltak.
06:17
Divide that by the number of minutes in a year,
139
365145
2230
Leosztva az év minden egyes percére,
06:19
and you wind up with three new papers per minute.
140
367375
3138
percenként 3 tanulmánnyal számolhatunk.
06:22
So I've been up here a little over 10 minutes,
141
370513
1482
Amíg itt állok egy kicsit több, mint tíz percig,
06:23
I've already lost three papers.
142
371995
1776
már három tanulmányt szalasztottam el.
06:25
I have to get out of here actually. I have to go read.
143
373771
2840
Tulajdonképpen már mennem is kell. Olvasni.
06:28
So what do we do about this? Well, the fact is
144
376611
3446
De mit is tehetük ezzel? Nos, az a helyzet,
06:32
that what scientists do about it is a kind of a controlled neglect, if you will.
145
380057
4509
hogy amit a tudósok tesznek,
az egyfajta irányított hanyagság, ha úgy tetszik.
az egyfajta irányított hanyagság, ha úgy tetszik.
06:36
We just don't worry about it, in a way.
146
384566
2664
Egyszerűen nem aggódunk emiatt egy bizonyos fokig.
06:39
The facts are important. You have to know a lot of stuff
147
387230
2243
A tények fontosak. Egy csomó dolgot tudnod kell,
06:41
to be a scientist. That's true.
148
389473
1810
hogy tudós legyél. Ez igaz.
06:43
But knowing a lot of stuff doesn't make you a scientist.
149
391283
2927
De hiába ismersz egy csomó dolgot, attól még nem leszel tudós.
06:46
You need to know a lot of stuff to be a lawyer
150
394210
2665
Rengeteg dolgot kell tudnod, hogy ügyvéd,
06:48
or an accountant or an electrician or a carpenter.
151
396875
3892
könyvelő, villanyszerelő vagy ács legyél.
06:52
But in science, knowing a lot of stuff is not the point.
152
400767
3610
De a tudományban nem ez a lényeg.
06:56
Knowing a lot of stuff is there to help you get
153
404377
3556
Ha sok mindent tudsz, az segít abban, hogy
06:59
to more ignorance.
154
407933
1388
még tudatlanabb legyél.
07:01
So knowledge is a big subject, but I would say
155
409321
2510
Vagyis a tudás egy nagy témakör, de azt mondanám,
07:03
ignorance is a bigger one.
156
411831
2487
hogy a tudatlanság még nagyobb.
07:06
So this leads us to maybe think about, a little bit
157
414318
2194
Ez vezet el minket ahhoz, hogy egy kicsit átgondoljuk
07:08
about, some of the models of science that we tend to use,
158
416528
2883
azokat a tudományos modelleket,
amiket hajlamosak vagyunk elhinni,
amiket hajlamosak vagyunk elhinni,
07:11
and I'd like to disabuse you of some of them.
159
419411
1825
de én szeretnélek titeket kiábrándítani.
07:13
So one of them, a popular one, is that scientists
160
421236
2313
Az egyik, talán a legnépszerűbb, hogy a tudósok
07:15
are patiently putting the pieces of a puzzle together
161
423549
2628
türelmesen rakosgatják egy puzzle darabjait,
07:18
to reveal some grand scheme or another.
162
426177
2773
hogy nagyszerű összefüggéseket tárjanak fel.
07:20
This is clearly not true. For one, with puzzles,
163
428950
2558
Ez egyáltalán nem igaz. Először is, a puzzle
07:23
the manufacturer has guaranteed that there's a solution.
164
431508
3499
gyártója garantálja, hogy van megoldás.
07:27
We don't have any such guarantee.
165
435007
1749
Nekünk nincs ilyen garanciánk.
07:28
Indeed, there are many of us who aren't so sure about the manufacturer.
166
436756
3155
Persze sokan még a gyártóban sem olyan biztosak.
07:31
(Laughter)
167
439911
3063
(Nevetés)
07:34
So I think the puzzle model doesn't work.
168
442974
1757
Szerintem a puzzle modell nem működik.
07:36
Another popular model is that science is busy unraveling things
169
444731
3514
Egy másik népszerű modell szerint a tudomány
szorgosan bogozgatja a szálakat,
szorgosan bogozgatja a szálakat,
07:40
the way you unravel the peels of an onion.
170
448245
2196
ahogyan a hagyma héját is tisztítjuk.
07:42
So peel by peel, you take away the layers of the onion
171
450441
2989
Héjról-héjra eltávolítva a hagyma rétegeit,
07:45
to get at some fundamental kernel of truth.
172
453430
2319
eljuthatunk az igazság alapvető lényegéhez.
07:47
I don't think that's the way it works either.
173
455749
2187
Szerintem ez sem működik.
07:49
Another one, a kind of popular one, is the iceberg idea,
174
457936
2934
Még egy, szintén népszerű ötlet a jéghegy, vagyis
07:52
that we only see the tip of the iceberg but underneath
175
460870
2460
mi csak a jéghegy csúcsát látjuk, de alatta
07:55
is where most of the iceberg is hidden.
176
463330
2185
ott van a jéghegy nagyobb része elrejtve.
07:57
But all of these models are based on the idea of a large body of facts
177
465515
3554
Ezek a modellek a hatalmas tömegű tényanyag
gondolatára alapoznak,
gondolatára alapoznak,
08:01
that we can somehow or another get completed.
178
469069
2420
amit mi, vagy valaki más befejezhet.
08:03
We can chip away at this iceberg and figure out what it is,
179
471489
3343
Szétmállaszthatjuk a jéghegyet és kitalálhatjuk, mi lehet ez,
08:06
or we could just wait for it to melt, I suppose, these days,
180
474832
2605
vagy csak megvárjuk, amíg elolvad, különösen mostanában,
08:09
but one way or another we could get to the whole iceberg. Right?
181
477437
3227
de így vagy úgy, a miénk lesz az egész jéghegy. Igaz?
08:12
Or make it manageable. But I don't think that's the case.
182
480664
2467
Vagy kezelhetővé válik. De nem hiszem, hogy így lenne.
08:15
I think what really happens in science
183
483131
2399
Ami a tudományban történik, az szerintem valójában
08:17
is a model more like the magic well,
184
485530
1830
olyan, mint egy varázskút,
08:19
where no matter how many buckets you take out,
185
487360
1837
ahol nem számít, mennyi vödör vizet húzol,
08:21
there's always another bucket of water to be had,
186
489197
2112
mindig megtölthetsz egy másik vödröt is vízzel.
08:23
or my particularly favorite one,
187
491309
2127
A személyes kedvencem,
08:25
with the effect and everything, the ripples on a pond.
188
493436
2939
hatásában és egyébként is, a fodrozódás a vízen.
08:28
So if you think of knowledge being this ever-expanding ripple on a pond,
189
496375
3127
Ha úgy tekintesz a tudásra, mint egy folytonosan terjedő hullámra,
08:31
the important thing to realize is that our ignorance,
190
499502
3382
akkor észreveheted, hogy tudatlanságunk, ami a tudás
08:34
the circumference of this knowledge, also grows with knowledge.
191
502884
3382
kerülete, együtt növekszik a tudással.
08:38
So the knowledge generates ignorance.
192
506266
2763
Vagyis a tudás idézi elő a tudatlanságot.
08:41
This is really well said, I thought, by George Bernard Shaw.
193
509029
2915
Nagyon jól mondta ezt George Bernard Show.
08:43
This is actually part of a toast that he delivered
194
511944
2677
Ez egy részlet abból a köszöntőből, amit egy
08:46
to celebrate Einstein at a dinner celebrating Einstein's work,
195
514621
3677
Einstein tiszteletére adott vacsorán mondott,
08:50
in which he claims that science
196
518298
1414
azt állítva, hogy a tudomány
08:51
just creates more questions than it answers.
["Science is always wrong. It never solves a problem without creating 10 more."]
["Science is always wrong. It never solves a problem without creating 10 more."]
197
519712
2265
több kérdést vet fel, mint amennyit megválaszol.
08:53
I find that kind of glorious, and I think he's precisely right,
198
521977
3542
Ez ragyogó, és úgy vélem, rendkívül igaz,
08:57
plus it's a kind of job security.
199
525519
2526
sőt még biztosítja a munkánkat is.
09:00
As it turns out, he kind of cribbed that
200
528045
2726
Kiderülhet persze, hogy csak lenyúlta az ötletet
09:02
from the philosopher Immanuel Kant
201
530771
1852
Immanuel Kanttól, a filozófustól,
09:04
who a hundred years earlier had come up with this idea
202
532623
2645
aki már száz évvel korábban előállt egy ötlettel
09:07
of question propagation, that every answer begets more questions.
203
535268
3808
a kérdések szaporodásáról, ami szerint minden válasz
újabb kérdéseket vet fel.
újabb kérdéseket vet fel.
09:11
I love that term, "question propagation,"
204
539076
2199
Imádom ezt a kifejezést, a "kérdések szaporodását",
09:13
this idea of questions propagating out there.
205
541275
2739
az eszmét, hogy a kérdések szaporodnak a világban.
09:16
So I'd say the model we want to take is not
206
544014
1887
Mondhatnám, hogy nem olyan modellt akarunk kapni,
09:17
that we start out kind of ignorant and we get some facts together
207
545901
3509
ahol elindulva egyfajta tudatlanságból, gyűjtögetve a tényeket
09:21
and then we gain knowledge.
208
549410
2143
végül elnyerjük a tudást.
09:23
It's rather kind of the other way around, really.
209
551553
2379
Ez tényleg nagyon különböző.
09:25
What do we use this knowledge for?
210
553932
1907
Mire használjuk ezt a tudást?
09:27
What are we using this collection of facts for?
211
555839
2528
Mire is használjuk az összegyűjtött tényeket?
09:30
We're using it to make better ignorance,
212
558367
2857
Arra használjuk, hogy javítsuk a tudatlanságot,
09:33
to come up with, if you will, higher-quality ignorance.
213
561224
3079
előálljunk, ha úgy tetszik, egy magas szintű tudatlansággal.
09:36
Because, you know, there's low-quality ignorance
214
564303
1872
Mivel, tudjuk, létezik az alacsony szintű
09:38
and there's high-quality ignorance. It's not all the same.
215
566175
2413
és a magas szintű tudatlanság. Egyáltalán nem ugyanaz.
09:40
Scientists argue about this all the time.
216
568588
2370
A tudósok állandóan erről vitatkoznak.
09:42
Sometimes we call them bull sessions.
217
570958
1965
Néha megbeszélésnek hívjuk.
09:44
Sometimes we call them grant proposals.
218
572923
1918
Néha ösztöndíj előterjesztésnek.
09:46
But nonetheless, it's what the argument is about.
219
574841
3508
De mindazonáltal, ez az, amiről a vita folyik.
09:50
It's the ignorance. It's the what we don't know.
220
578349
1844
A tudatlanság. Ez az, amit nem ismerünk.
09:52
It's what makes a good question.
221
580193
2690
Ez az, ami a jó kérdéseket felveti.
09:54
So how do we think about these questions?
222
582883
1630
Hogyan is gondolunk ezekre a kérdésekre?
09:56
I'm going to show you a graph that shows up
223
584513
1952
Mutatok egy grafikont, amely fellelhető
09:58
quite a bit on happy hour posters in various science departments.
224
586465
3867
egyes egyetemi tanszékek hirdetőtábláin is.
10:02
This graph asks the relationship between what you know
225
590332
4221
Ez a grafikon azt vizsgálja, hogy mi a viszony a között, amit tudsz
10:06
and how much you know about it.
226
594553
2190
és amennyit tudsz róla.
10:08
So what you know, you can know anywhere from nothing to everything, of course,
227
596743
3515
Az "amit tudsz", az az amit tudhatsz, valahol a semmitől a mindenig,
10:12
and how much you know about it can be anywhere
228
600258
1683
a "mennyit tudsz róla", pedig valahol
10:13
from a little to a lot.
229
601941
2423
a kevéstől a sokig.
10:16
So let's put a point on the graph. There's an undergraduate.
230
604364
4232
Tegyünk egy pontot a grafikonra. Az egy alsóéves hallgató.
10:20
Doesn't know much but they have a lot of interest.
231
608596
2364
Nem tud sokat, de tele van érdeklődéssel.
10:22
They're interested in almost everything.
232
610960
1691
Majdnem minden érdekli.
10:24
Now you look at a master's student, a little further along in their education,
233
612651
3454
Most lássunk egy végzőst, aki már tovább jutott a tanulmányaiban,
10:28
and you see they know a bit more,
234
616105
1351
és ahogy látod, már kicsit többet tud,
10:29
but it's been narrowed somewhat.
235
617456
1890
de már némileg szűkebben.
10:31
And finally you get your Ph.D., where it turns out
236
619346
2719
És végül eléri a PhD-t, ahol kiderül,
10:34
you know a tremendous amount about almost nothing. (Laughter)
237
622065
5105
hogy borzasztó sokat tud, de majdnem semmiről.
(Nevetés)
(Nevetés)
10:39
What's really disturbing is the trend line that goes through that
238
627170
3781
Ami igazán zavaró, hogy a vonal még tovább is megy,
10:42
because, of course, when it dips below the zero axis, there,
239
630951
3775
hogy aztán ott a zéró tengely alá bukva,
10:46
it gets into a negative area.
240
634726
2262
elérje a negatív tartományt.
10:48
That's where you find people like me, I'm afraid.
241
636988
2915
Ott találni meg olyanokat mint én, attól tartok.
10:51
So the important thing here is that this can all be changed.
242
639903
3368
Fontos, hogy itt van az, ahol minden megváltozhat.
10:55
This whole view can be changed
243
643271
1804
Az egész nézőpont megváltozhat
10:57
by just changing the label on the x-axis.
244
645075
3161
azáltal, hogy kicseréljük az X-tengelyen a címkét.
11:00
So instead of how much you know about it,
245
648236
1917
A "mennyit tudsz róla" helyett
11:02
we could say, "What can you ask about it?"
246
650153
3541
legyen inkább "mit tudsz erről kérdezni?"
11:05
So yes, you do need to know a lot of stuff as a scientist,
247
653694
2867
És igen, tényleg sok mindent kell tudnod tudósként,
11:08
but the purpose of knowing a lot of stuff
248
656561
2629
de a sok minden tudásának a célja nem az,
11:11
is not just to know a lot of stuff. That just makes you a geek, right?
249
659190
2587
hogy sokat tudjál. Attól csak egy stréber leszel, ugye?
11:13
Knowing a lot of stuff, the purpose is
250
661777
2138
Ennek a sok tudásnak az a célja,
11:15
to be able to ask lots of questions,
251
663915
1676
hogy képes legyél sok kérdést feltenni,
11:17
to be able to frame thoughtful, interesting questions,
252
665591
3088
hogy képes legyél összerakni megfontolt, érdekes kérdéseket,
11:20
because that's where the real work is.
253
668679
1725
mivel ez az igazi munka.
11:22
Let me give you a quick idea of a couple of these sorts of questions.
254
670404
2552
Adok egy kis ízelítőt az ilyen kérdésekből.
11:24
I'm a neuroscientist, so how would we come up
255
672956
2163
Neurológus vagyok, vagyis javasolhatok
11:27
with a question in neuroscience?
256
675119
1431
egy neurológiai kérdést?
11:28
Because it's not always quite so straightforward.
257
676550
2669
Ez nem mindig igazán egyértelmű.
11:31
So, for example, we could say, well what is it that the brain does?
258
679219
2559
Például mondhatnánk, hogy mit is csinál az agy?
11:33
Well, one thing the brain does, it moves us around.
259
681778
1814
Nos, az egyik dolog, hogy mozgat minket.
11:35
We walk around on two legs.
260
683592
2005
Két lábon járunk.
11:37
That seems kind of simple, somehow or another.
261
685597
1851
Ez egyszerűen tűnik, így vagy úgy.
11:39
I mean, virtually everybody over 10 months of age
262
687448
2725
Úgy értem, látszólag mindenki, aki elmúlt 10 hónapos
11:42
walks around on two legs, right?
263
690173
2172
két lábon jár, ugye?
11:44
So that maybe is not that interesting.
264
692345
1391
Vagyis talán ez nem is olyan érdekes.
11:45
So instead maybe we want to choose something a little more complicated to look at.
265
693736
3148
Ehelyett talán valami bonyolultabbat akarunk megvizsgálni.
11:48
How about the visual system?
266
696884
2775
Legyen a látás?
11:51
There it is, the visual system.
267
699659
1627
Ez az, a látás.
11:53
I mean, we love our visual systems. We do all kinds of cool stuff.
268
701286
3248
Arra gondolok, imádjuk a látásunkat. Mindenféle menő dolgot csinál.
11:56
Indeed, there are over 12,000 neuroscientists
269
704534
3391
És tényleg, több mint 12.000 neurológus van,
11:59
who work on the visual system,
270
707925
1580
akik a retinától a látókéregig
12:01
from the retina to the visual cortex,
271
709505
2081
a látás vizsgálatán dolgoznak,
12:03
in an attempt to understand not just the visual system
272
711586
2565
hogy megkíséreljék megérteni nem csak a látást,
12:06
but to also understand how general principles
273
714151
3024
hanem az általános törvényszerűségeit annak is,
12:09
of how the brain might work.
274
717175
1951
hogyan működhet az agy.
12:11
But now here's the thing:
275
719126
1660
De van itt egy bökkenő:
12:12
Our technology has actually been pretty good
276
720786
2480
a technológia már elég jó abban,
12:15
at replicating what the visual system does.
277
723266
2590
hogy lemásoljuk a látás rendszerét.
12:17
We have TV, we have movies,
278
725856
3023
Van tévé, mozi,
12:20
we have animation, we have photography,
279
728879
2495
animáció, fotózás,
12:23
we have pattern recognition, all of these sorts of things.
280
731374
3151
alakfelismerés, mindenféle ezekből a dolgokból.
12:26
They work differently than our visual systems in some cases,
281
734525
2646
Bizonyos esetekben másképp működnek, mint a látásunk,
12:29
but nonetheless we've been pretty good at
282
737171
1591
de mégis eléggé jók vagyunk abban,
12:30
making a technology work like our visual system.
283
738762
3476
hogy a látáshoz hasonló technológiát készítsünk.
12:34
Somehow or another, a hundred years of robotics,
284
742238
2936
Így vagy úgy, a robotika 100 éve után
12:37
you never saw a robot walk on two legs,
285
745174
2266
sohasem láttunk robotot két lábon járni,
12:39
because robots don't walk on two legs
286
747440
2163
a robotok nem járnak két lábon,
12:41
because it's not such an easy thing to do.
287
749603
2390
mert ez mégsem olyan egyszerű dolog.
12:43
A hundred years of robotics,
288
751993
1528
A robotikában 100 éve után sem készült
12:45
and we can't get a robot that can move more than a couple steps one way or the other.
289
753521
3367
olyan robot, amely képes lenne néhány lépésnél többet megtenni.
12:48
You ask them to go up an inclined plane, and they fall over.
290
756888
2572
Ha megkérjük, hogy menjen fel egy ferde síkon, feldől.
12:51
Turn around, and they fall over. It's a serious problem.
291
759460
2004
Visszafordul és feldől. Ez elég komoly probléma.
12:53
So what is it that's the most difficult thing for a brain to do?
292
761464
3547
Akkor mi is a legbonyolultabb dolog az agy számára?
12:57
What ought we to be studying?
293
765011
1623
Mit kellene tanulmányoznunk?
12:58
Perhaps it ought to be walking on two legs, or the motor system.
294
766634
4295
Talán a két lábon járást, vagy a mozgásszervi rendszert.
13:02
I'll give you an example from my own lab,
295
770929
1735
Legyen egy példa a saját laboromból,
13:04
my own particularly smelly question,
296
772664
1725
egy különösen büdös kérdés,
13:06
since we work on the sense of smell.
297
774389
2099
mivel mi a szaglás működésével foglalkozunk.
13:08
But here's a diagram of five molecules
298
776488
3228
Itt van egy ábra 5 molekulával
13:11
and sort of a chemical notation.
299
779716
1510
és valamiféle kémiai jelölésekkel.
13:13
These are just plain old molecules, but if you sniff those molecules
300
781226
2996
Ezek egyszerű, jól ismert molekulák, de ha megszaglászod őket
13:16
up these two little holes in the front of your face,
301
784222
2470
az arcodon található két kis lyukkal,
13:18
you will have in your mind the distinct impression of a rose.
302
786692
3874
az elmédben felötlik egy rózsa határozott lenyomata.
13:22
If there's a real rose there, those molecules will be the ones,
303
790566
2158
Ha van ott egy valódi rózsa, akkor ezek azok a molekulák,
13:24
but even if there's no rose there,
304
792724
1560
de még ha nincs is ott a rózsa,
13:26
you'll have the memory of a molecule.
305
794284
1591
akkor is van egy emléked a molekuláról.
13:27
How do we turn molecules into perceptions?
306
795875
3104
Hogyan fordítjuk át a molekulát érzékeléssé?
13:30
What's the process by which that could happen?
307
798979
1857
Mi az a folyamat, amely ezt lehetővé teszi?
13:32
Here's another example: two very simple molecules, again in this kind of chemical notation.
308
800836
3960
Itt egy másik példa: két nagyon egyszerű molekula,
újra a kémiai jelöléssel.
újra a kémiai jelöléssel.
13:36
It might be easier to visualize them this way,
309
804796
2077
Így talán könnyebb megjeleníteni őket,
13:38
so the gray circles are carbon atoms, the white ones
310
806873
2794
a szürke körök a szén atomok, a fehérek
13:41
are hydrogen atoms and the red ones are oxygen atoms.
311
809667
2775
a hidrogén atomok, a vörösek az oxigén atomok.
13:44
Now these two molecules differ by only one carbon atom
312
812442
4298
A két molekula között a különbség mindössze egyetlen szén atom
13:48
and two little hydrogen atoms that ride along with it,
313
816740
2688
és a rajta kapaszkodó két kicsi hidrogén atom,
13:51
and yet one of them, heptyl acetate,
314
819428
1986
és mégis, az egyik, a heptil-acetát illata
13:53
has the distinct odor of a pear,
315
821414
2311
határozottan a körtéé,
13:55
and hexyl acetate is unmistakably banana.
316
823725
3839
a másik, a hexil-acetát, félreismerhetetlenül a banáné.
13:59
So there are two really interesting questions here, it seems to me.
317
827564
2557
Vagyis úgy tűnik, hogy itt van két valóban érdekes kérdés.
14:02
One is, how can a simple little molecule like that
318
830121
3215
Egy, hogyan képes egy ilyen egyszerű molekula,
14:05
create a perception in your brain that's so clear
319
833336
2468
mint ez, létrehozni az agyunkban
14:07
as a pear or a banana?
320
835804
1742
a körte vagy a banán élményét?
14:09
And secondly, how the hell can we tell the difference
321
837546
3121
Másodszor, hogy az ördögbe vagyunk képesek
14:12
between two molecules that differ by a single carbon atom?
322
840667
4315
különbséget tenni két molekula között,
ami csak egy szén atomban különbözik?
ami csak egy szén atomban különbözik?
14:16
I mean, that's remarkable to me,
323
844982
1646
Vagyis, ami igazán rendkívüli,
14:18
clearly the best chemical detector on the face of the planet.
324
846628
3032
hogy az arcunkon van a bolygó legjobb kémiai detektora.
14:21
And you don't even think about it, do you?
325
849660
2776
És mi még sohasem gondoltunk erre, ugye?
14:24
So this is a favorite quote of mine that takes us
326
852436
2617
Ez a kedvenc idézetem, ami visszavezet minket
14:27
back to the ignorance and the idea of questions.
327
855053
1746
a tudatlansághoz és a kérdések fogalmához.
14:28
I like to quote because I think dead people
328
856799
2019
Szeretek idézni, mert úgy vélem, a halottakat
14:30
shouldn't be excluded from the conversation.
329
858818
2543
sem kellene kizárni a beszélgetésből.
14:33
And I also think it's important to realize that
330
861361
1939
És persze fontosnak gondolom, hogy ráébredjünk,
14:35
the conversation's been going on for a while, by the way.
331
863300
2462
hogy a beszélgetés már folyik egy ideje.
14:37
So Erwin Schrodinger, a great quantum physicist
332
865762
2758
Erwin Schrödinger, a nagy kvantumfizikus
14:40
and, I think, philosopher, points out how you have to
333
868520
2566
és filozófus mutatott rá, hogy még
14:43
"abide by ignorance for an indefinite period" of time.
334
871086
3465
"határozatlan ideig el kell viselnünk a tudatlanságot".
14:46
And it's this abiding by ignorance
335
874551
1987
A tudatlanság elviselése az,
14:48
that I think we have to learn how to do.
336
876538
1666
amit szerintem meg kell tanulnunk.
14:50
This is a tricky thing. This is not such an easy business.
337
878204
2977
Ez egy ravasz dolog. Nem is igazán könnyű ügy.
14:53
I guess it comes down to our education system,
338
881181
1959
Ez talán az oktatási rendszerből származik,
14:55
so I'm going to talk a little bit about ignorance and education,
339
883140
2457
ezért beszélek egy kicsit a tudatlanságról és az oktatásról,
14:57
because I think that's where it really has to play out.
340
885597
2268
mivel ez az, ahol ezt tényleg végig kell csinálni.
14:59
So for one, let's face it,
341
887865
2267
Először is nézzünk szembe azzal,
15:02
in the age of Google and Wikipedia,
342
890132
3352
hogy a Google és a Wikipedia korában
15:05
the business model of the university
343
893484
1793
az egyetemek, és talán a középiskolák
15:07
and probably secondary schools is simply going to have to change.
344
895277
3421
működési modellje is változtatásra szorul.
15:10
We just can't sell facts for a living anymore.
345
898698
1901
Nem adhatunk el többé tényeket a megélhetésért.
15:12
They're available with a click of the mouse,
346
900599
2050
Mindezt el lehet érni egy kattintással,
15:14
or if you want to, you could probably just ask the wall
347
902649
2496
vagy ha akarod, egy napon talán a faltól is
15:17
one of these days, wherever they're going to hide the things
348
905145
1712
megkérdezheted, ha éppen oda rejtik el
15:18
that tell us all this stuff.
349
906857
1417
ezeket a dolgokat.
15:20
So what do we have to do? We have to give our students
350
908274
2883
Akkor mit kellene tennünk? Át kell adjuk a hallgatóknak
15:23
a taste for the boundaries, for what's outside that circumference,
351
911157
3896
a határok érzését, hogy mi van a tudás peremén túl,
15:27
for what's outside the facts, what's just beyond the facts.
352
915053
4308
mi van a tényeken kívül, mi van a tényeken túl.
15:31
How do we do that?
353
919361
2157
Hogy tegyük meg ezt?
15:33
Well, one of the problems, of course,
354
921518
1508
Nos, kiderült, hogy természetesen
15:35
turns out to be testing.
355
923026
2109
az egyik probléma a tesztelés.
15:37
We currently have an educational system
356
925135
2649
Van pillanatnyilag egy oktatási rendszer,
15:39
which is very efficient but is very efficient at a rather bad thing.
357
927784
3709
amelyik nagyon hatékony, de egy eléggé rossz dologban.
15:43
So in second grade, all the kids are interested in science,
358
931493
2974
Második osztályban minden gyereket érdekli a tudomány,
15:46
the girls and the boys.
359
934467
1263
a fiúkat és a lányokat is.
15:47
They like to take stuff apart. They have great curiosity.
360
935730
3974
Szeretnek szétszedni dolgokat. Nagyon kíváncsiak.
15:51
They like to investigate things. They go to science museums.
361
939704
2499
Szívesen kutatják a dolgokat. Múzeumba járnak.
15:54
They like to play around. They're in second grade.
362
942203
6188
Szívesen játszanak. Másodikosok.
16:00
They're interested.
363
948407
1494
Érdeklődőek.
16:01
But by 11th or 12th grade, fewer than 10 percent
364
949901
2934
De a 11. vagy 12. osztályban kevesebb mint 10 százalék
16:04
of them have any interest in science whatsoever,
365
952835
3075
mutat bármilyen tudományos érdeklődést, nem is szólva
16:07
let alone a desire to go into science as a career.
366
955910
2945
olyan vágyról, hogy tudományos karriert kezdjen.
16:10
So we have this remarkably efficient system
367
958855
2982
Vagyis van egy rendkívül hatékony rendszer,
16:13
for beating any interest in science out of everybody's head.
368
961837
3973
amely kiveri a tudományos érdeklődést a fejekből.
16:17
Is this what we want?
369
965810
1914
Ez az, amit akarunk?
16:19
I think this comes from what a teacher colleague of mine
370
967724
2342
Azt hiszem, ez abból származik, amit egy tanár kollégám
16:22
calls "the bulimic method of education."
371
970066
2722
úgy hívott, hogy "az oktatás bulimiás modellje."
16:24
You know. You can imagine what it is.
372
972788
1373
Ismeritek. El tudjátok képzelni, mi ez.
16:26
We just jam a whole bunch of facts down their throats over here
373
974161
2948
Lenyomunk egy egész csomó tényt a torkukon,
16:29
and then they puke it up on an exam over here
374
977109
2354
és aztán ők visszaöklendezik ezt egy vizsgán,
16:31
and everybody goes home with no added intellectual heft whatsoever.
375
979463
4579
majd mindenki hazamegy,
bármilyen hozzáadott intellektuális érték nélkül.
bármilyen hozzáadott intellektuális érték nélkül.
16:36
This can't possibly continue to go on.
376
984042
2081
Ezt nem folytatódhat így tovább.
16:38
So what do we do? Well the geneticists, I have to say,
377
986123
2334
Akkor mit csináljunk? El kell mondjam, a genetikusoknak
16:40
have an interesting maxim they live by.
378
988457
1983
van egy érdekes alapelvük, ami szerint élnek.
16:42
Geneticists always say, you always get what you screen for.
379
990440
5252
Azt mondják, hogy mindig azt kapod, amit éppen keresel.
16:47
And that's meant as a warning.
380
995692
2861
Ezt figyelmeztetésnek szánják.
16:50
So we always will get what we screen for,
381
998553
2319
Vagyis mindig azt kapjuk, amit keresünk,
16:52
and part of what we screen for is in our testing methods.
382
1000872
3455
és ennek az egyik oldala a teszteléses módszer.
16:56
Well, we hear a lot about testing and evaluation,
383
1004327
3243
Nos, sokat hallunk tesztelésről és értékelésről,
16:59
and we have to think carefully when we're testing
384
1007570
2187
és gondosan át kellene gondolnunk, hogy amikor tesztelünk,
17:01
whether we're evaluating or whether we're weeding,
385
1009757
3087
akkor vajon értékelünk, vagy gyomlálunk?
17:04
whether we're weeding people out,
386
1012844
1459
Vajon csak kigyomláljuk az embereket,
17:06
whether we're making some cut.
387
1014303
3134
csak csökkentjük a létszámot?
17:09
Evaluation is one thing. You hear a lot about evaluation
388
1017437
2641
Az értékelés egy dolog. Sokkal hallottunk erről mostanában
17:12
in the literature these days, in the educational literature,
389
1020078
2910
a szakirodalomban, főleg az oktatási szakirodalomban,
17:14
but evaluation really amounts to feedback and it amounts
390
1022988
2958
de az értékelés valójában csak egy visszacsatolás,
17:17
to an opportunity for trial and error.
391
1025946
2154
ami alkalmat teremt a próbálgatásokra.
17:20
It amounts to a chance to work over a longer period of time
392
1028100
4494
Hosszú távon a visszajelzések esélyt teremtenek
17:24
with this kind of feedback.
393
1032594
1910
az újragondolásra.
17:26
That's different than weeding, and usually, I have to tell you,
394
1034504
2938
Ez más, mint a gyomlálás, és el kell mondjam, amikor
17:29
when people talk about evaluation, evaluating students,
395
1037442
2726
az emberek általában az értékelésről beszélnek -
17:32
evaluating teachers, evaluating schools,
396
1040168
2787
hallgatók, tanárok, iskolák vagy
17:34
evaluating programs, that they're really talking about weeding.
397
1042955
4161
programok értékeléséről, valójában gyomlálásról beszélnek.
17:39
And that's a bad thing, because then you will get what you select for,
398
1047116
4210
Ez pedig rossz dolog, mivel azt fogjuk kapni, amit keresünk,
17:43
which is what we've gotten so far.
399
1051326
1958
az, amit már eddig is megkaptunk.
17:45
So I'd say what we need is a test that says, "What is x?"
400
1053284
3441
Szerintem olyan tesztre van szükségünk,
amiben a kérdésre: "Mi az X?"
amiben a kérdésre: "Mi az X?"
17:48
and the answers are "I don't know, because no one does,"
401
1056725
3092
a válasz: "Nem tudom, mert senki sem tudja",
17:51
or "What's the question?" Even better.
402
1059817
1741
esetleg "Mi is a kérdés?" Még jobb.
17:53
Or, "You know what, I'll look it up, I'll ask someone,
403
1061558
2390
Vagy: "Te tudod, én majd utánanézek,
megkérdezek vagy felhívok valakit. Kiderítem."
17:55
I'll phone someone. I'll find out."
404
1063964
2700
17:58
Because that's what we want people to do,
405
1066664
1550
Mert azt akarjuk, hogy így tegyenek az emberek,
18:00
and that's how you evaluate them.
406
1068214
1371
ez az, ahogy értékelni tudjuk őket.
18:01
And maybe for the advanced placement classes,
407
1069585
1943
A kiemelt osztályok számára esetleg
18:03
it could be, "Here's the answer. What's the next question?"
408
1071528
3714
lehetne ilyen is: "Itt a válasz. Mi a következő kérdés?"
18:07
That's the one I like in particular.
409
1075242
1511
Ez az, amit igazán kedvelek.
18:08
So let me end with a quote from William Butler Yeats,
410
1076753
2177
Ezért hadd fejezzem be egy Yeats idézettel, aki
18:10
who said "Education is not about filling buckets;
411
1078930
3167
azt mondta: "Az oktatás nem arról szól, hogy vödröket töltögessünk,
18:14
it is lighting fires."
412
1082097
2153
hanem hogy tüzeket gyújtsunk."
18:16
So I'd say, let's get out the matches.
413
1084250
3875
Szóval, elő a gyufákkal.
18:20
Thank you.
414
1088125
1208
Köszönöm.
18:21
(Applause)
415
1089333
3227
(Taps)
18:24
Thank you. (Applause)
416
1092560
3816
Köszönöm. (Taps)
ABOUT THE SPEAKER
Stuart Firestein - NeuroscientistStuart Firestein teaches students and “citizen scientists” that ignorance is far more important to discovery than knowledge.
Why you should listen
You’d think that a scientist who studies how the human brain receives and perceives information would be inherently interested in what we know. But Stuart Firestein says he’s far more intrigued by what we don’t. “Answers create questions,” he says. “We may commonly think that we begin with ignorance and we gain knowledge [but] the more critical step in the process is the reverse of that.”
Firestein, who chairs the biological sciences department at Columbia University, teaches a course about how ignorance drives science. In it -- and in his 2012 book on the topic -- he challenges the idea that knowledge and the accumulation of data create certainty. Facts are fleeting, he says; their real purpose is to lead us to ask better questions.
Stuart Firestein | Speaker | TED.com