TED2011
Deb Roy: The birth of a word
デブ・ロイ「初めて言えた時」
Filmed:
Readability: 4.2
2,809,941 views
MIT研究員デブ・ロイは、まだ赤ちゃんの息子がどうやって言語を習得するのか解明すべく家中にカメラを取り付けました。子どもの日常を（例外を除いて）すべて撮影し、９万時間に及ぶホームビデオを整理し、「ガー」という発音が時間をかけてゆっくりと「ウォーター」に変わりゆく軌跡を聴かせてくれます。人はどう学習するのでしょう。驚愕するようなデータにあふれた研究成果を深い含蓄を織り交ぜて語ります。
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
人生を記録できるとしたらどうでしょう
00:19
everything you said, everything you did,
1
4000
3000
どんな発言も どんな振る舞いも
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
手近な記憶装置に残しておけたら
00:25
so you could go back
3
10000
2000
過去に戻って
00:27
and find memorable moments and relive them,
4
12000
3000
心に残る思い出を 再生したり
00:30
or sift through traces of time
5
15000
3000
時間の流れを精査することで
00:33
and discover patterns in your own life
6
18000
2000
見過ごしていた
00:35
that previously had gone undiscovered.
7
20000
3000
生活パターンを見つけたりできます
00:38
Well that's exactly the journey
8
23000
2000
それこそ まさに
00:40
that my family began
9
25000
2000
私たち一家が
00:42
five and a half years ago.
10
27000
2000
５年半前に始めた旅なのです
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
妻と 協力者ルーパルです
00:47
And on this day, at this moment,
12
32000
2000
この日 この時
00:49
we walked into the house with our first child,
13
34000
2000
第一子を迎え入れました
00:51
our beautiful baby boy.
14
36000
2000
かわいい男の子です
00:53
And we walked into a house
15
38000
3000
家には かなり特殊な
00:56
with a very special home video recording system.
16
41000
4000
ホームビデオの撮影機材を取り付けました
01:07
(Video) Man: Okay.
17
52000
2000
「じゃあ撮るよ」
01:10
Deb Roy: This moment
18
55000
1000
ほかにも
01:11
and thousands of other moments special for us
19
56000
3000
我が家の貴重な瞬間を
01:14
were captured in our home
20
59000
2000
たっぷり撮影しました
01:16
because in every room in the house,
21
61000
2000
どの部屋にも
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
見上げればカメラとマイクがあって
01:21
and if you looked down,
23
66000
2000
そこから下を眺めれば
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
部屋を一望できます
01:25
Here's our living room,
25
70000
3000
リビング
01:28
the baby bedroom,
26
73000
3000
赤ちゃんの寝室
01:31
kitchen, dining room
27
76000
2000
キッチン ダイニング
01:33
and the rest of the house.
28
78000
2000
残りの部屋も
01:35
And all of these fed into a disc array
29
80000
3000
ディスク記録装置に全部送って
01:38
that was designed for a continuous capture.
30
83000
3000
継続的に記録しました
01:41
So here we are flying through a day in our home
31
86000
3000
一日の流れを見渡せます
01:44
as we move from sunlit morning
32
89000
3000
日の差す明け方から
01:47
through incandescent evening
33
92000
2000
燃えるような夕刻を迎え
01:49
and, finally, lights out for the day.
34
94000
3000
消灯して 一日を終えます
01:53
Over the course of three years,
35
98000
3000
３年間
01:56
we recorded eight to 10 hours a day,
36
101000
2000
毎日 ８から10時間
01:58
amassing roughly a quarter-million hours
37
103000
3000
合計 約25万時間に及ぶ
02:01
of multi-track audio and video.
38
106000
3000
マルチトラックの音声と映像の記録です
02:04
So you're looking at a piece of what is by far
39
109000
2000
史上初の 壮大な
02:06
the largest home video collection ever made.
40
111000
2000
ホームビデオ全集なのです
02:08
(Laughter)
41
113000
3000
（笑い）
02:11
And what this data represents
42
116000
2000
私たち家族は
02:13
for our family at a personal level,
43
118000
4000
意義ある記録だと感じています
02:17
the impact has already been immense,
44
122000
2000
大きな衝撃を受けながら
02:19
and we're still learning its value.
45
124000
3000
今も 真価を探っています
02:22
Countless moments
46
127000
2000
意識せず 自然体で
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
身構えもしない膨大な時間が
02:27
are captured there,
48
132000
2000
記録されていますので
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
どう調べるか検討を始めたところです
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
この取り組みには 科学的理由もあります
02:35
which was to use this natural longitudinal data
51
140000
4000
時系列に連なる この生データから
02:39
to understand the process
52
144000
2000
子どもの言語習得の過程を
02:41
of how a child learns language --
53
146000
2000
把握したいのです
02:43
that child being my son.
54
148000
2000
対象は 私の息子です
02:45
And so with many privacy provisions put in place
55
150000
4000
プライバシー保護規定を設けて
02:49
to protect everyone who was recorded in the data,
56
154000
3000
被写体のプライバシーを守ったうえで
02:52
we made elements of the data available
57
157000
3000
データを 部分的に参照可能にして
02:55
to my trusted research team at MIT
58
160000
3000
MITの信頼できる研究チームに開放しました
02:58
so we could start teasing apart patterns
59
163000
3000
こうして 一連の膨大なデータから
03:01
in this massive data set,
60
166000
3000
パターンを抽出できるようになり
03:04
trying to understand the influence of social environments
61
169000
3000
言語習得過程における社会環境の影響を探る―
03:07
on language acquisition.
62
172000
2000
挑戦が始まりました
03:09
So we're looking here
63
174000
2000
ご覧いただいているのは
03:11
at one of the first things we started to do.
64
176000
2000
初めて手をつけた解析です
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
キッチンで妻と私が朝食を作っています
03:17
and as we move through space and through time,
66
182000
3000
空間的・時間的に眺めると
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
キッチンでの毎日の生活パターンが現れます
03:23
In order to convert
68
188000
2000
この とらえ所のない
03:25
this opaque, 90,000 hours of video
69
190000
3000
９万時間の映像を
03:28
into something that we could start to see,
70
193000
2000
理解可能にするため
03:30
we use motion analysis to pull out,
71
195000
2000
動作分析の手法を使って
03:32
as we move through space and through time,
72
197000
2000
空間軸と時間軸でとらえ
03:34
what we call space-time worms.
73
199000
3000
「時空の虫」を描き出しました
03:37
And this has become part of our toolkit
74
202000
3000
このツールを使うと
03:40
for being able to look and see
75
205000
3000
活動が生じたデータ位置を
03:43
where the activities are in the data,
76
208000
2000
把握できます
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
特に 子どもの動き回るパターンを
03:48
where my son moved throughout the home,
78
213000
2000
追跡できるので
03:50
so that we could focus our transcription efforts,
79
215000
3000
書き起こしに専念できました
03:53
all of the speech environment around my son --
80
218000
3000
息子を取り巻く会話環境
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
私 妻 おばあさんが口にした言葉
03:59
and over time, the words he began to produce.
82
224000
3000
やがて息子の口から出る言葉 すべてです
04:02
So with that technology and that data
83
227000
3000
この技術があって データがあって
04:05
and the ability to, with machine assistance,
84
230000
2000
装置も使って
04:07
transcribe speech,
85
232000
2000
会話を書き起こせたので
04:09
we've now transcribed
86
234000
2000
家族の発した言葉を
04:11
well over seven million words of our home transcripts.
87
236000
3000
700万以上書き起こせました
04:14
And with that, let me take you now
88
239000
2000
その成果を使って 初めて
04:16
for a first tour into the data.
89
241000
3000
データの旅へご案内いたします
04:19
So you've all, I'm sure,
90
244000
2000
低速度撮影の映像は
04:21
seen time-lapse videos
91
246000
2000
経験があると思います
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
早送りで開花を見せる映像です
04:26
I'd like you to now experience
93
251000
2000
今回は 言葉の開花に
04:28
the blossoming of a speech form.
94
253000
2000
立ち会っていただきます
04:30
My son, soon after his first birthday,
95
255000
2000
息子は１歳になってすぐ
04:32
would say "gaga" to mean water.
96
257000
3000
ウォーター (water) をガガ (gaga)と言い
04:35
And over the course of the next half-year,
97
260000
3000
それから半年かけて ゆっくりと
04:38
he slowly learned to approximate
98
263000
2000
大人のように正確な
04:40
the proper adult form, "water."
99
265000
3000
ウォーター (water)に近づきました
04:43
So we're going to cruise through half a year
100
268000
2000
では 半年間を
04:45
in about 40 seconds.
101
270000
2000
40秒で体験します
04:47
No video here,
102
272000
2000
映像はありません
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
初となる 音の軌跡に
04:52
of a new kind of trajectory:
104
277000
2000
耳を澄ませてください
04:54
gaga to water.
105
279000
2000
ガガ (gaga) から ウォーター (water) へ
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
（赤ちゃん）「Gagagagagaga」
05:08
Gaga gaga gaga
107
293000
4000
「Gaga gaga gaga」
05:12
guga guga guga
108
297000
5000
「guga guga guga」
05:17
wada gaga gaga guga gaga
109
302000
5000
「wada gaga gaga guga gaga」
05:22
wader guga guga
110
307000
4000
「wader guga guga」
05:26
water water water
111
311000
3000
「water water water」
05:29
water water water
112
314000
6000
「water water water」
05:35
water water
113
320000
4000
「water water」
05:39
water.
114
324000
2000
「water.」
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
大成功です
05:43
(Applause)
116
328000
7000
（拍手）
05:50
So he didn't just learn water.
117
335000
2000
ウォーターだけではありません
05:52
Over the course of the 24 months,
118
337000
2000
24ヶ月 つまり
05:54
the first two years that we really focused on,
119
339000
3000
最初の２年間に絞って
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
習得した言葉を 年代順に並べました
06:01
And because we have full transcripts,
121
346000
3000
一字一句 書き起こして
06:04
we've identified each of the 503 words
122
349000
2000
２歳になるまでに 口にした
06:06
that he learned to produce by his second birthday.
123
351000
2000
全503語を確認しました
06:08
He was an early talker.
124
353000
2000
息子は 早い方です
06:10
And so we started to analyze why.
125
355000
3000
こんな分析も始めました
06:13
Why were certain words born before others?
126
358000
3000
なぜ ある語が ほかの語より先なのか？
06:16
This is one of the first results
127
361000
2000
こちらは １年少し前の
06:18
that came out of our study a little over a year ago
128
363000
2000
初期の研究成果の一つです
06:20
that really surprised us.
129
365000
2000
驚きの結果です
06:22
The way to interpret this apparently simple graph
130
367000
3000
一見シンプルですが 説明しますと
06:25
is, on the vertical is an indication
131
370000
2000
縦軸は 周囲の人が話す
06:27
of how complex caregiver utterances are
132
372000
3000
会話の複雑さです
06:30
based on the length of utterances.
133
375000
2000
基準は会話の長さです
06:32
And the [horizontal] axis is time.
134
377000
3000
横軸は時間です
06:35
And all of the data,
135
380000
2000
データはすべて
06:37
we aligned based on the following idea:
136
382000
3000
こんな手法で導き出しました
06:40
Every time my son would learn a word,
137
385000
3000
習得した言葉ごとに
06:43
we would trace back and look at all of the language he heard
138
388000
3000
その言葉を使った過去の会話を
06:46
that contained that word.
139
391000
2000
すべて洗い出して
06:48
And we would plot the relative length of the utterances.
140
393000
4000
会話文の相対的な長さをプロットしたのです
06:52
And what we found was this curious phenomena,
141
397000
3000
すると 面白いことに
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
きまって 大人は語数を減らし
06:58
making language as simple as possible,
143
403000
3000
できるだけ短くしてから
07:01
and then slowly ascend back up in complexity.
144
406000
3000
ゆっくりと複雑な言葉遣いに戻します
07:04
And the amazing thing was
145
409000
2000
驚いたことに
07:06
that bounce, that dip,
146
411000
2000
折り返し地点は
07:08
lined up almost precisely
147
413000
2000
その言葉を口にした時期と
07:10
with when each word was born --
148
415000
2000
ほぼ一致するのです
07:12
word after word, systematically.
149
417000
2000
どの言葉も 同じです
07:14
So it appears that all three primary caregivers --
150
419000
2000
つまり ３人の大人たち―
07:16
myself, my wife and our nanny --
151
421000
3000
私 妻 おばあさん のだれもが
07:19
were systematically and, I would think, subconsciously
152
424000
3000
いつも 何げなく
07:22
restructuring our language
153
427000
2000
言葉遣いを調整してあげて
07:24
to meet him at the birth of a word
154
429000
3000
息子がその言葉を口にしたら
07:27
and bring him gently into more complex language.
155
432000
4000
もっと複雑な言葉へ そっと導いていたのです
07:31
And the implications of this -- there are many,
156
436000
2000
示唆に富む結果ですが
07:33
but one I just want to point out,
157
438000
2000
伝えたいのは一点
07:35
is that there must be amazing feedback loops.
158
440000
3000
見事なフィードバック・ループが形成されていること
07:38
Of course, my son is learning
159
443000
2000
息子が 周りの言語環境から
07:40
from his linguistic environment,
160
445000
2000
学習している一方で
07:42
but the environment is learning from him.
161
447000
3000
言語環境も 息子から学習しているのです
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
言語環境 つまり人が 堅固なループに加わり
07:48
and creating a kind of scaffolding
163
453000
2000
足場を固めているのです
07:50
that has not been noticed until now.
164
455000
3000
今まで 気付いた人はいません
07:54
But that's looking at the speech context.
165
459000
2000
以上は 話の環境です
07:56
What about the visual context?
166
461000
2000
視覚的な環境はどうか？
07:58
We're not looking at --
167
463000
2000
模型のように
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
我が家をのぞいてみます
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
魚眼レンズで撮影した映像を
08:05
and we've done some optical correction,
170
470000
2000
光学的に修正して
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
三次元の世界に仕上げました
08:11
So welcome to my home.
172
476000
2000
ようこそ 我が家へ
08:13
This is a moment,
173
478000
2000
これは ある瞬間を
08:15
one moment captured across multiple cameras.
174
480000
3000
複数台で横断的にとらえた映像です
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
過去に戻って 自由に飛び回れる
08:21
where you can go back and interactively fly around
176
486000
3000
究極の記憶装置を
08:24
and then breathe video-life into this system.
177
489000
3000
実現させたかったのです
08:27
What I'm going to do
178
492000
2000
今から
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
30分を早送りで見ていただきます
08:32
again, of just life in the living room.
180
497000
2000
リビングの様子です
08:34
That's me and my son on the floor.
181
499000
3000
私と息子が 床にいます
08:37
And there's video analytics
182
502000
2000
映像解析で
08:39
that are tracking our movements.
183
504000
2000
二人の動きを追います
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
息子は赤 私は緑
08:44
We're now on the couch,
185
509000
2000
ソファーに移りました
08:46
looking out through the window at cars passing by.
186
511000
3000
窓から 車が走るのを眺めています
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
最後は一人で歩行器に乗りました
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
30分の動きを一つにまとめて
08:55
we turn time into the vertical axis,
189
520000
2000
上下に時間軸をとれば
08:57
and we open up for a view
190
522000
2000
ふれあいの軌跡を
08:59
of these interaction traces we've just left behind.
191
524000
3000
見ることができます
09:02
And we see these amazing structures --
192
527000
3000
驚くような形状が現れました
09:05
these little knots of two colors of thread
193
530000
3000
二色が絡み合っているのは
09:08
we call "social hot spots."
194
533000
2000
ふれあいの強い場所です
09:10
The spiral thread
195
535000
2000
らせんになっているのは
09:12
we call a "solo hot spot."
196
537000
2000
単独行動の場所です
09:14
And we think that these affect the way language is learned.
197
539000
3000
これは言語学習過程に影響を及ぼすと
09:17
What we'd like to do
198
542000
2000
考えられます
09:19
is start understanding
199
544000
2000
このパターンと
09:21
the interaction between these patterns
200
546000
2000
息子の耳に入る言葉との
09:23
and the language that my son is exposed to
201
548000
2000
関係を探ることによって
09:25
to see if we can predict
202
550000
2000
言葉を耳にする時期が
09:27
how the structure of when words are heard
203
552000
2000
習得時期に及ぼす影響を
09:29
affects when they're learned --
204
554000
2000
予測できるか探りたいのです
09:31
so in other words, the relationship
205
556000
2000
つまり 言葉と
09:33
between words and what they're about in the world.
206
558000
4000
言葉が表す現実との関係です
09:37
So here's how we're approaching this.
207
562000
2000
やり方を紹介しましょう
09:39
In this video,
208
564000
2000
この映像でも
09:41
again, my son is being traced out.
209
566000
2000
息子を追います
09:43
He's leaving red ink behind.
210
568000
2000
赤い線です
09:45
And there's our nanny by the door.
211
570000
2000
おばあさんはドアの前です
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
「ウォーター（water）いる？」「アァー（Aaaa）」
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
「いいわよ」「アー（Aaaa）」
09:53
DR: She offers water,
214
578000
2000
水が欲しいか尋ねてから
09:55
and off go the two worms
215
580000
2000
二つの「虫」が
09:57
over to the kitchen to get water.
216
582000
2000
キッチンまでつながりました
09:59
And what we've done is use the word "water"
217
584000
2000
そこで「ウォーター」の語を
10:01
to tag that moment, that bit of activity.
218
586000
2000
この瞬間と結びつけました
10:03
And now we take the power of data
219
588000
2000
データの力を活用して
10:05
and take every time my son
220
590000
3000
ウォーターを耳にした
10:08
ever heard the word water
221
593000
2000
時と場所に
10:10
and the context he saw it in,
222
595000
2000
注目して
10:12
and we use it to penetrate through the video
223
597000
3000
映像全体から
10:15
and find every activity trace
224
600000
3000
ウォーターに絡む行動の軌跡を
10:18
that co-occurred with an instance of water.
225
603000
3000
すべて抽出しました
10:21
And what this data leaves in its wake
226
606000
2000
データ処理後に残る―
10:23
is a landscape.
227
608000
2000
ランドスケープ（地形）が
10:25
We call these wordscapes.
228
610000
2000
ワードスケープ（言葉の地形）です
10:27
This is the wordscape for the word water,
229
612000
2000
ウォーターの場合
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
キッチンを中心に動いています
10:31
That's where those big peaks are over to the left.
231
616000
3000
左奥の高いピークの所です
10:34
And just for contrast, we can do this with any word.
232
619000
3000
ほかの言葉と対比することもできます
10:37
We can take the word "bye"
233
622000
2000
グッバーイ（good bye）の
10:39
as in "good bye."
234
624000
2000
バーイ（bye）はどうでしょう
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
今回は玄関を見てみます
10:43
And we look, and we find, as you would expect,
236
628000
3000
予想どおりのランドスケープが現れます
10:46
a contrast in the landscape
237
631000
2000
バーイ（bye）の軌跡は
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
一層わかりやすい形をしています
10:51
So we're using these structures
239
636000
2000
これらの形状を参考に
10:53
to start predicting
240
638000
2000
言葉の習得順序を
10:55
the order of language acquisition,
241
640000
3000
予測することにしました
10:58
and that's ongoing work now.
242
643000
2000
これは現在進行中です
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
これは今の 私の研究室です
11:03
this is at the media lab.
244
648000
2000
MITメディアラボ内です
11:05
This has become my favorite way
245
650000
2000
どこでも こうやって
11:07
of videographing just about any space.
246
652000
2000
撮影してしまいます
11:09
Three of the key people in this project,
247
654000
2000
プロジェクトの主要メンバーは
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
フィリップ・ド・キャンプ ロニー・クバート ブランドン・ロイです
11:14
Philip has been a close collaborator
249
659000
2000
フィリップが協力してくれたのは
11:16
on all the visualizations you're seeing.
250
661000
2000
先ほどの視覚化です
11:18
And Michael Fleischman
251
663000
3000
マイケル・フライシュマンは
11:21
was another Ph.D. student in my lab
252
666000
2000
博士課程の学生で
11:23
who worked with me on this home video analysis,
253
668000
3000
映像解析を手伝っています
11:26
and he made the following observation:
254
671000
3000
マイケルはこんな予測を立てました
11:29
that "just the way that we're analyzing
255
674000
2000
「共通基盤であるイベントに
11:31
how language connects to events
256
676000
3000
言葉がどう関係するか分析するという
11:34
which provide common ground for language,
257
679000
2000
この手法は
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
家庭内だけでなく
11:40
and we can apply it to the world of public media."
259
685000
3000
公共のメディアにも応用できる」
11:43
And so our effort took an unexpected turn.
260
688000
3000
研究は 思わぬ方向に転がりました
11:46
Think of mass media
261
691000
2000
共通基盤を提供するのは
11:48
as providing common ground
262
693000
2000
マスメディアです
11:50
and you have the recipe
263
695000
2000
これまでのアイデアを
11:52
for taking this idea to a whole new place.
264
697000
3000
新境地に応用するやり方は分かっています
11:55
We've started analyzing television content
265
700000
3000
テレビの番組コンテンツを 同じ原理で
11:58
using the same principles --
266
703000
2000
解析しました
12:00
analyzing event structure of a TV signal --
267
705000
3000
テレビ信号で送られる要素 つまり
12:03
episodes of shows,
268
708000
2000
ドラマのストーリーや
12:05
commercials,
269
710000
2000
コマーシャルなど
12:07
all of the components that make up the event structure.
270
712000
3000
イベント構造を構築する全要素を解析します
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
アメリカで視聴可能な大半の番組は
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
アンテナで拾えます
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
会話は リビングのマイクで録音する必要など
12:19
to get people's conversations,
274
724000
2000
ありません
12:21
you just tune into publicly available social media feeds.
275
726000
3000
だれでも見られるソーシャルメディアから拾うだけです
12:24
So we're pulling in
276
729000
2000
月に30億のコメントを
12:26
about three billion comments a month,
277
731000
2000
入手しています すると
12:28
and then the magic happens.
278
733000
2000
不思議な結果が出ました
12:30
You have the event structure,
279
735000
2000
イベント構造 つまり
12:32
the common ground that the words are about,
280
737000
2000
言葉が関与する共通基盤を
12:34
coming out of the television feeds;
281
739000
3000
テレビ放送から取り出して
12:37
you've got the conversations
282
742000
2000
そのトピックに関連のある
12:39
that are about those topics;
283
744000
2000
会話を抽出しました
12:41
and through semantic analysis --
284
746000
3000
さらに 意味解析を通じて―
12:44
and this is actually real data you're looking at
285
749000
2000
こちらは実際に処理した
12:46
from our data processing --
286
751000
2000
データです
12:48
each yellow line is showing a link being made
287
753000
3000
黄色の線がつなぐのは
12:51
between a comment in the wild
288
756000
3000
生のコメントと
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
テレビ信号で送られるイベント構造です
12:57
And the same idea now
290
762000
2000
先ほどのアイデアを
12:59
can be built up.
291
764000
2000
発展させて こんな―
13:01
And we get this wordscape,
292
766000
2000
ワードスケープを作りました
13:03
except now words are not assembled in my living room.
293
768000
3000
言葉の出所はリビングではありません
13:06
Instead, the context, the common ground activities,
294
771000
4000
番組コンテンツが 環境つまり共通基盤となって
13:10
are the content on television that's driving the conversations.
295
775000
3000
会話を引き出しているのです
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
この高層ビル群を作るのは
13:16
are commentary
297
781000
2000
番組コンテンツに関する
13:18
that are linked to content on television.
298
783000
2000
コメントです
13:20
Same concept,
299
785000
2000
コンセプトは同じですが
13:22
but looking at communication dynamics
300
787000
2000
先ほどとは全く別領域の
13:24
in a very different sphere.
301
789000
2000
コミュニケーション・ダイナミクスが見えます
13:26
And so fundamentally, rather than, for example,
302
791000
2000
基本的には 例えば
13:28
measuring content based on how many people are watching,
303
793000
3000
番組コンテンツの評価に視聴者数を使いません
13:31
this gives us the basic data
304
796000
2000
番組コンテンツへの関心度
13:33
for looking at engagement properties of content.
305
798000
3000
に焦点をあてた基本データを使います
13:36
And just like we can look at feedback cycles
306
801000
3000
家庭で起こるフィードバック・サイクルや
13:39
and dynamics in a family,
307
804000
3000
ダイナミクスと同じようなものです
13:42
we can now open up the same concepts
308
807000
3000
今や 同じコンセプトを発展させて
13:45
and look at much larger groups of people.
309
810000
3000
もっと大きな集団を対象にできるのです
13:48
This is a subset of data from our database --
310
813000
3000
これは データベースの一部―
13:51
just 50,000 out of several million --
311
816000
3000
数百万のうち５万人分のデータを
13:54
and the social graph that connects them
312
819000
2000
公の情報源に基づいて
13:56
through publicly available sources.
313
821000
3000
結びつけるソーシャル・グラフです
13:59
And if you put them on one plain,
314
824000
2000
第一の平面にそれを置き
14:01
a second plain is where the content lives.
315
826000
3000
第二の平面に番組コンテンツをのせます
14:04
So we have the programs
316
829000
3000
番組 例えば
14:07
and the sporting events
317
832000
2000
スポーツ大会
14:09
and the commercials,
318
834000
2000
コマーシャル
14:11
and all of the link structures that tie them together
319
836000
2000
すべてを結ぶリンク構造が
14:13
make a content graph.
320
838000
2000
コンテンツ・グラフです
14:15
And then the important third dimension.
321
840000
4000
重要なのは第三の次元です
14:19
Each of the links that you're seeing rendered here
322
844000
2000
浮かび上がる各リンクは
14:21
is an actual connection made
323
846000
2000
だれかの発言と
14:23
between something someone said
324
848000
3000
番組コンテンツとを
14:26
and a piece of content.
325
851000
2000
結んでいます
14:28
And there are, again, now tens of millions of these links
326
853000
3000
数千万のリンクが
14:31
that give us the connective tissue of social graphs
327
856000
3000
ソーシャル・グラフの結合組織となって
14:34
and how they relate to content.
328
859000
3000
番組コンテンツに結びついています
14:37
And we can now start to probe the structure
329
862000
2000
面白いやり方で
14:39
in interesting ways.
330
864000
2000
この構造を探検できます
14:41
So if we, for example, trace the path
331
866000
3000
コメントを引き出す番組コンテンツからのびる―
14:44
of one piece of content
332
869000
2000
経路を
14:46
that drives someone to comment on it,
333
871000
2000
たどりたいときは
14:48
and then we follow where that comment goes,
334
873000
3000
コメントの流れを追って
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
ソーシャル・グラフ全体の活動を見渡して
14:54
and then trace back to see the relationship
336
879000
3000
ソーシャル・グラフと番組コンテンツとの関係性を
14:57
between that social graph and content,
337
882000
2000
再確認します
14:59
a very interesting structure becomes visible.
338
884000
2000
すると 興味深い構造―
15:01
We call this a co-viewing clique,
339
886000
2000
共視聴グループが現れます
15:03
a virtual living room if you will.
340
888000
3000
疑似リビングといえるかもしれません
15:06
And there are fascinating dynamics at play.
341
891000
2000
そこに興味深いダイナミクスが現れます
15:08
It's not one way.
342
893000
2000
一方向ではなく
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
番組コンテンツつまりイベントから会話が生まれ
15:13
They talk to other people.
344
898000
2000
別の人に広がって
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
また マスメディアにチャンネルを合わせます
15:18
and you have these cycles
346
903000
2000
全体の行動を誘発する―
15:20
that drive the overall behavior.
347
905000
2000
サイクルがあるのです
15:22
Another example -- very different --
348
907000
2000
ほかにも例があります
15:24
another actual person in our database --
349
909000
3000
データベースには数千とまではいきませんが
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
ある種の人が 数百人います
15:30
We've given this person a name.
351
915000
2000
その名も
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
プロ・アマチュア（プロアマ）・メディア批評家です
15:35
who has this high fan-out rate.
353
920000
3000
幅広く影響力が及ぶので
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
批評を聞くと たくさんの人が
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
番組の話をします
15:43
So this person is a key link
356
928000
3000
マスメディアとソーシャルメディアとの
15:46
in connecting mass media and social media together.
357
931000
3000
架け橋になる人たちです
15:49
One last example from this data:
358
934000
3000
次は 最後の例となります
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
番組コンテンツには特殊なものもあります
15:55
So if we go and look at this piece of content,
360
940000
4000
例えば ほんの数週間前の
15:59
President Obama's State of the Union address
361
944000
3000
オバマ大統領の
16:02
from just a few weeks ago,
362
947000
2000
一般教書演説です
16:04
and look at what we find in this same data set,
363
949000
3000
データ群から何が分かるか
16:07
at the same scale,
364
952000
3000
同じ視点で見ると
16:10
the engagement properties of this piece of content
365
955000
2000
コンテンツへの関心度は
16:12
are truly remarkable.
366
957000
2000
飛び抜けているのが分かります
16:14
A nation exploding in conversation
367
959000
2000
放送に反応して
16:16
in real time
368
961000
2000
リアルタイムに
16:18
in response to what's on the broadcast.
369
963000
3000
会話が広がっています
16:21
And of course, through all of these lines
370
966000
2000
このすべての線を通じて
16:23
are flowing unstructured language.
371
968000
2000
雑多な話が飛び交っています
16:25
We can X-ray
372
970000
2000
世界の脈動を
16:27
and get a real-time pulse of a nation,
373
972000
2000
リアルタイムに見通せて
16:29
real-time sense
374
974000
2000
ソーシャル・グラフ内で
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
番組コンテンツに誘発された様々な集団の
16:34
being activated by content.
376
979000
3000
社会的反応をリアルタイムに見通せます
16:37
So, to summarize, the idea is this:
377
982000
3000
まとめると
16:40
As our world becomes increasingly instrumented
378
985000
3000
この世界に手段が増えていき
16:43
and we have the capabilities
379
988000
2000
人々の発言と
16:45
to collect and connect the dots
380
990000
2000
その発言の背景との
16:47
between what people are saying
381
992000
2000
結びつきを
16:49
and the context they're saying it in,
382
994000
2000
把握できるようになって
16:51
what's emerging is an ability
383
996000
2000
見えてきたのは
16:53
to see new social structures and dynamics
384
998000
3000
今までにない新たな社会構造や
16:56
that have previously not been seen.
385
1001000
2000
ダイナミクスです
16:58
It's like building a microscope or telescope
386
1003000
2000
顕微鏡や望遠鏡を作り
17:00
and revealing new structures
387
1005000
2000
コミュニケーションに絡む行動に
17:02
about our own behavior around communication.
388
1007000
3000
新たな構造を見い出すようなものです
17:05
And I think the implications here are profound,
389
1010000
3000
ここには 深い意味があると思っています
17:08
whether it's for science,
390
1013000
2000
科学的にも
17:10
for commerce, for government,
391
1015000
2000
商業的にも 政治的にも
17:12
or perhaps most of all,
392
1017000
2000
そして特に
17:14
for us as individuals.
393
1019000
3000
個人にとっても深い意味があります
17:17
And so just to return to my son,
394
1022000
3000
息子の話に戻りますが
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
講演の準備中に 息子が肩越しにのぞくので
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
一連の動画を見せて
17:25
and I asked him for permission -- granted.
397
1030000
3000
息子の許可を伺いました
17:28
And then I went on to reflect,
398
1033000
2000
それからよく考えて
17:30
"Isn't it amazing,
399
1035000
3000
「すごくない？
17:33
this entire database, all these recordings,
400
1038000
3000
これだけのデータベースと記録を
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
君や妹に残すんだよ」
17:38
who arrived two years later --
402
1043000
3000
２歳下の妹のことです
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
「過去に戻って 追体験できるんだ
17:44
that you could never, with your biological memory,
404
1049000
3000
生物学的には絶対記憶できないことを
17:47
possibly remember the way you can now?"
405
1052000
2000
覚えておけるんだよ」
17:49
And he was quiet for a moment.
406
1054000
2000
息子は口を開きません
17:51
And I thought, "What am I thinking?
407
1056000
2000
「まだ５歳だった
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
分かるわけないな」
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
そう思っていると 息子は口を開きました
17:58
"So that when I grow up,
410
1063000
2000
「ぼくが大きくなったら
18:00
I can show this to my kids?"
411
1065000
2000
子どもに見せられるね」
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
これはすごいことだと思いました
18:05
So I want to leave you
413
1070000
2000
では 最後に
18:07
with one last memorable moment
414
1072000
2000
私たち家族にとって
18:09
from our family.
415
1074000
3000
思い出に残る場面をご覧いただきます
18:12
This is the first time our son
416
1077000
2000
息子が初めて
18:14
took more than two steps at once --
417
1079000
2000
２歩以上歩いた瞬間を
18:16
captured on film.
418
1081000
2000
とらえた映像です
18:18
And I really want you to focus on something
419
1083000
3000
ぜひ注目してください
18:21
as I take you through.
420
1086000
2000
これは 雑然とした―
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
日常生活の様子です
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
母がキッチンで料理中
18:27
and, of all places, in the hallway,
423
1092000
2000
私は廊下にいて
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
歩きそうだと気づきました
18:32
And so you hear me encouraging him,
425
1097000
2000
息子に声援を送り
18:34
realizing what's happening,
426
1099000
2000
これから起こる事を予感し
18:36
and then the magic happens.
427
1101000
2000
感動の瞬間を迎えます
18:38
Listen very carefully.
428
1103000
2000
注意して聞いてください
18:40
About three steps in,
429
1105000
2000
三つの段階があります
18:42
he realizes something magic is happening,
430
1107000
2000
素晴らしい瞬間を目にして
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
最高のフィードバック・ループが始まり
18:47
and he takes a breath in,
432
1112000
2000
一呼吸置いて
18:49
and he whispers "wow"
433
1114000
2000
「やった」とつぶやきます
18:51
and instinctively I echo back the same.
434
1116000
4000
無意識に何度も繰り返します
18:56
And so let's fly back in time
435
1121000
3000
では 思い出のあの瞬間へ
18:59
to that memorable moment.
436
1124000
2000
飛び立ちましょう
19:05
(Video) DR: Hey.
437
1130000
2000
「よ～し」
19:07
Come here.
438
1132000
2000
「おいで」
19:09
Can you do it?
439
1134000
3000
「できるかな？」
19:13
Oh, boy.
440
1138000
2000
「いい子だ」
19:15
Can you do it?
441
1140000
3000
「できるかな？」
19:18
Baby: Yeah.
442
1143000
2000
（赤ちゃん）「ヤァ～」
19:20
DR: Ma, he's walking.
443
1145000
3000
「お～い 歩いてるよ～」
19:24
(Laughter)
444
1149000
2000
（笑い）
19:26
(Applause)
445
1151000
2000
（拍手）
19:28
DR: Thank you.
446
1153000
2000
ありがとうございました
19:30
(Applause)
447
1155000
15000
（拍手）
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