TEDGlobal 2011
Alison Gopnik: What do babies think?
Elisone Gopnika: Ko domā mazuļi?
Filmed:
Readability: 3.4
4,341,974 views
"Mazuļi un mazi bērni ir kā cilvēces izpētes un attīstības nodaļas," saka psiholoģe Elisone Gopnika. Viņas pētījumi ir veltīti sarežģītajai zināšanu uzkrāšanai un lēmumu pieņemšanai, ar ko īstenībā nodarbojas mazuļi spēlējoties.
Alison Gopnik - Child development psychologist
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do. Full bio
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do. Full bio
Double-click the English transcript below to play the video.
00:15
What is going on
0
0
2000
Kas notiek šī mazuļa prātā?
00:17
in this baby's mind?
1
2000
2000
00:19
If you'd asked people this 30 years ago,
2
4000
2000
Ja jūs vaicātu pirms 30 gadiem,
00:21
most people, including psychologists,
3
6000
2000
vairums, ieskaitot psihologus,
00:23
would have said that this baby was irrational,
4
8000
3000
atbildētu, ka mazuļi domā neracionāli,
neloģiski, egocentriski,
neloģiski, egocentriski,
00:26
illogical, egocentric --
5
11000
2000
00:28
that he couldn't take the perspective of another person
6
13000
2000
ka viņi nespēj lūkoties
no citu cilvēku skatupunkta
no citu cilvēku skatupunkta
00:30
or understand cause and effect.
7
15000
2000
vai saprast cēloņus un sekas.
00:32
In the last 20 years,
8
17000
2000
Pēdējos 20 gados attīstības psiholoģija
ir pilnībā izmainījusi šo ainu.
ir pilnībā izmainījusi šo ainu.
00:34
developmental science has completely overturned that picture.
9
19000
3000
00:37
So in some ways,
10
22000
2000
Savā ziņā mēs uzskatām,
00:39
we think that this baby's thinking
11
24000
2000
ka šī mazuļa domāšanu var salīdzināt
ar spožāko zinātnieku prātiem.
ar spožāko zinātnieku prātiem.
00:41
is like the thinking of the most brilliant scientists.
12
26000
4000
00:45
Let me give you just one example of this.
13
30000
2000
Ļaujiet jums sniegt vienu piemēru.
00:47
One thing that this baby could be thinking about,
14
32000
3000
Viena no domām,
kas viņam varētu būt prātā,
kas viņam varētu būt prātā,
00:50
that could be going on in his mind,
15
35000
2000
00:52
is trying to figure out
16
37000
2000
ir mēģināt saprast,
kas notiek otra mazuļa prātā.
kas notiek otra mazuļa prātā.
00:54
what's going on in the mind of that other baby.
17
39000
3000
00:57
After all, one of the things that's hardest for all of us to do
18
42000
3000
Galu galā mums visiem
viens no grūtākajiem uzdevumiem
viens no grūtākajiem uzdevumiem
01:00
is to figure out what other people are thinking and feeling.
19
45000
3000
ir saprast, ko citi cilvēki domā un jūt.
01:03
And maybe the hardest thing of all
20
48000
2000
Un varbūt pats grūtākais uzdevums
01:05
is to figure out that what other people think and feel
21
50000
3000
ir saprast, ka tas, ko citi domā un jūt,
nav gluži tas pats,
ko domājam un jūtam mēs.
ko domājam un jūtam mēs.
01:08
isn't actually exactly like what we think and feel.
22
53000
2000
01:10
Anyone who's followed politics can testify
23
55000
2000
Tie, kas seko politikai var apstiprināt,
01:12
to how hard that is for some people to get.
24
57000
3000
cik to dažiem ir grūti aptvert.
01:15
We wanted to know
25
60000
2000
Mēs gribējām zināt,
01:17
if babies and young children
26
62000
2000
vai mazuļi un mazi bērni spēj saprast
šo tiešām dziļo domu par citiem cilvēkiem.
šo tiešām dziļo domu par citiem cilvēkiem.
01:19
could understand this really profound thing about other people.
27
64000
3000
01:22
Now the question is: How could we ask them?
28
67000
2000
Jautājums ir, kā viņiem to pajautāt.
01:24
Babies, after all, can't talk,
29
69000
2000
Jo mazuļi nerunā,
01:26
and if you ask a three year-old
30
71000
2000
un, ja jautāsiet trīsgadīgam bērnam
pastāstīt, ko viņš domā,
pastāstīt, ko viņš domā,
01:28
to tell you what he thinks,
31
73000
2000
01:30
what you'll get is a beautiful stream of consciousness monologue
32
75000
3000
jūs iegūsiet skaistu
apziņas plūsmas monologu
apziņas plūsmas monologu
01:33
about ponies and birthdays and things like that.
33
78000
3000
par ponijiem, dzimšanas dienām
un tamlīdzīgām lietām.
un tamlīdzīgām lietām.
01:36
So how do we actually ask them the question?
34
81000
3000
Tātad, kā gan viņiem to pajautāt?
01:39
Well it turns out that the secret was broccoli.
35
84000
3000
Risinājums, izrādās, slēpās brokolī.
01:42
What we did -- Betty Rapacholi, who was one of my students, and I --
36
87000
4000
Mēs ar Betiju Repekoli,
vienu no manām studentēm,
vienu no manām studentēm,
01:46
was actually to give the babies two bowls of food:
37
91000
3000
iedevām mazuļiem divus traukus ar ēdienu:
01:49
one bowl of raw broccoli
38
94000
2000
vienu ar svaigiem brokoļiem
01:51
and one bowl of delicious goldfish crackers.
39
96000
3000
un vienu ar garšīgiem
zelta zivtiņu krekeriem.
zelta zivtiņu krekeriem.
01:54
Now all of the babies, even in Berkley,
40
99000
3000
Visiem mazuļiem, pat Bērklijā,
01:57
like the crackers and don't like the raw broccoli.
41
102000
3000
garšo krekeri un negaršo svaigi brokoļi.
02:00
(Laughter)
42
105000
2000
(Smiekli)
02:02
But then what Betty did
43
107000
2000
Bet tad Betija darīja, lūk, ko:
02:04
was to take a little taste of food from each bowl.
44
109000
3000
viņa nogaršoja drusku no katra trauka
02:07
And she would act as if she liked it or she didn't.
45
112000
2000
un tad parādīja,
ka viņai tas garšo vai arī negaršo.
ka viņai tas garšo vai arī negaršo.
02:09
So half the time, she acted
46
114000
2000
Dažreiz viņa izlikās, ka viņai garšo
krekeri un negaršo brokoļi,
krekeri un negaršo brokoļi,
02:11
as if she liked the crackers and didn't like the broccoli --
47
116000
2000
02:13
just like a baby and any other sane person.
48
118000
3000
gluži kā mazuļiem
un jebkuram normālam cilvēkam.
un jebkuram normālam cilvēkam.
02:16
But half the time,
49
121000
2000
Bet dažreiz viņa paņēma
mazliet brokoļu un teica:
mazliet brokoļu un teica:
02:18
what she would do is take a little bit of the broccoli
50
123000
2000
02:20
and go, "Mmmmm, broccoli.
51
125000
3000
"Mmmmm, brokolis!
02:23
I tasted the broccoli. Mmmmm."
52
128000
3000
Es nogaršoju brokoli. Mmmmm!"
02:26
And then she would take a little bit of the crackers,
53
131000
2000
Un tad viņa paņēma
mazliet krekeru un teica:
mazliet krekeru un teica:
02:28
and she'd go, "Eww, yuck, crackers.
54
133000
4000
"Fui, pē, krekers!
Es nogaršoju krekeru. Fui!"
Es nogaršoju krekeru. Fui!"
02:32
I tasted the crackers. Eww, yuck."
55
137000
3000
02:35
So she'd act as if what she wanted
56
140000
2000
Tātad viņa izlikās, it kā gribētu
pretējo tam, ko grib mazuļi.
pretējo tam, ko grib mazuļi.
02:37
was just the opposite of what the babies wanted.
57
142000
3000
02:40
We did this with 15 and 18 month-old babies.
58
145000
2000
Mēs to veicām ar 15 un 18
mēnešus veciem mazuļiem,
mēnešus veciem mazuļiem,
02:42
And then she would simply put her hand out and say,
59
147000
3000
un tad viņa vienkārši pastiepa roku
un teica: "Iedosi man kādu?"
un teica: "Iedosi man kādu?"
02:45
"Can you give me some?"
60
150000
2000
02:47
So the question is: What would the baby give her,
61
152000
2000
Jautājums bija – ko mazulis viņai dos?
02:49
what they liked or what she liked?
62
154000
2000
To, kas garšo viņam pašam,
vai to, kas garšo viņai?
vai to, kas garšo viņai?
02:51
And the remarkable thing was that 18 month-old babies,
63
156000
3000
Apbrīnojami bija tas,
ka 18 mēnešus vecie mazuļi,
ka 18 mēnešus vecie mazuļi,
02:54
just barely walking and talking,
64
159000
2000
kas vēl īsti nestaigā un nerunā,
02:56
would give her the crackers if she liked the crackers,
65
161000
3000
deva viņai krekerus,
ja viņai garšoja krekeri,
ja viņai garšoja krekeri,
02:59
but they would give her the broccoli if she liked the broccoli.
66
164000
3000
un brokoļus, ja viņai garšoja brokoļi.
03:02
On the other hand,
67
167000
2000
Tai pat laikā 15 mēnešus vecie
ilgi skatījās uz viņu,
ilgi skatījās uz viņu,
03:04
15 month-olds would stare at her for a long time
68
169000
2000
03:06
if she acted as if she liked the broccoli,
69
171000
2000
ja viņa rādīja, ka viņai patīk brokoļi,
03:08
like they couldn't figure this out.
70
173000
3000
it kā viņi nespētu to saprast.
03:11
But then after they stared for a long time,
71
176000
2000
Bet tad, pēc ilgas skatīšanās,
03:13
they would just give her the crackers,
72
178000
2000
viņi tomēr deva viņai krekerus,
kas pēc viņu domām jāgaršo visiem.
kas pēc viņu domām jāgaršo visiem.
03:15
what they thought everybody must like.
73
180000
2000
03:17
So there are two really remarkable things about this.
74
182000
3000
Te mēs redzam divas nozīmīgas lietas.
03:20
The first one is that these little 18 month-old babies
75
185000
3000
Pirmkārt, 18 mēnešus vecie mazuļi
03:23
have already discovered
76
188000
2000
jau ir atklājuši
šo tiešām dziļo atziņu par cilvēka dabu,
03:25
this really profound fact about human nature,
77
190000
2000
03:27
that we don't always want the same thing.
78
192000
2000
ka ne visi vienmēr vēlas vienu un to pašu.
03:29
And what's more, they felt that they should actually do things
79
194000
2000
Turklāt, viņiem šķiet, ka kaut kas jādara,
lai palīdzētu citiem tikt pie kārotā.
lai palīdzētu citiem tikt pie kārotā.
03:31
to help other people get what they wanted.
80
196000
3000
03:34
Even more remarkably though,
81
199000
2000
Bet kas ir vēl interesantāk –
03:36
the fact that 15 month-olds didn't do this
82
201000
3000
fakts, ka 15 mēnešus vecie
tā nedarīja, norāda uz to,
tā nedarīja, norāda uz to,
03:39
suggests that these 18 month-olds had learned
83
204000
3000
ka 18 mēnešus vecie bija ieguvuši
šo dziļo, pamatīgo atziņu par cilvēka dabu
šo dziļo, pamatīgo atziņu par cilvēka dabu
03:42
this deep, profound fact about human nature
84
207000
3000
03:45
in the three months from when they were 15 months old.
85
210000
3000
trijos mēnešos, kopš bija 15 mēnešus veci.
03:48
So children both know more and learn more
86
213000
2000
Tātad bērni zina un mācās vairāk,
03:50
than we ever would have thought.
87
215000
2000
nekā mums varētu ienākt prātā.
03:52
And this is just one of hundreds and hundreds of studies over the last 20 years
88
217000
4000
Un šis ir tikai viens no simtiem pētījumu
pēdējo 20 gadu laikā,
pēdējo 20 gadu laikā,
03:56
that's actually demonstrated it.
89
221000
2000
kas to skaidri parāda.
03:58
The question you might ask though is:
90
223000
2000
Jūs varētu jautāt,
kāpēc bērni tik daudz mācās
kāpēc bērni tik daudz mācās
04:00
Why do children learn so much?
91
225000
3000
un kā tas ir iespējams, ka viņi iemācās
tik daudz tik īsā laikā.
tik daudz tik īsā laikā.
04:03
And how is it possible for them to learn so much
92
228000
2000
04:05
in such a short time?
93
230000
2000
04:07
I mean, after all, if you look at babies superficially,
94
232000
2000
Galu galā, aplūkojot virspusēji,
mazuļi šķiet visai nespējīgi.
mazuļi šķiet visai nespējīgi.
04:09
they seem pretty useless.
95
234000
2000
04:11
And actually in many ways, they're worse than useless,
96
236000
3000
Un patiesībā daudzējādā ziņā
tie ir vairāk nekā nespējīgi,
tie ir vairāk nekā nespējīgi,
04:14
because we have to put so much time and energy
97
239000
2000
jo mums jāiegulda
tik daudz laika un enerģijas,
tik daudz laika un enerģijas,
04:16
into just keeping them alive.
98
241000
2000
lai tos vispār uzturētu pie dzīvības.
04:18
But if we turn to evolution
99
243000
2000
Bet, ja mēs šīs mīklas atbildi
meklējam evolūcijā,
meklējam evolūcijā,
04:20
for an answer to this puzzle
100
245000
2000
04:22
of why we spend so much time
101
247000
2000
– kāpēc mēs tik daudz laika pavadām,
rūpējoties par nevarīgiem mazuļiem, –
rūpējoties par nevarīgiem mazuļiem, –
04:24
taking care of useless babies,
102
249000
3000
04:27
it turns out that there's actually an answer.
103
252000
3000
izrādās, ka atbilde patiešām ir.
Ja pavērojam dažādas dzīvnieku sugas,
04:30
If we look across many, many different species of animals,
104
255000
3000
04:33
not just us primates,
105
258000
2000
ne vien primātus,
bet arī citus zīdītājus, putnus
bet arī citus zīdītājus, putnus
04:35
but also including other mammals, birds,
106
260000
2000
04:37
even marsupials
107
262000
2000
un pat somaiņus,
piemēram, ķengurus un vombatus,
piemēram, ķengurus un vombatus,
04:39
like kangaroos and wombats,
108
264000
2000
04:41
it turns out that there's a relationship
109
266000
2000
izrādās, ka pastāv sakarība
starp sugas bērnības ilgumu
starp sugas bērnības ilgumu
04:43
between how long a childhood a species has
110
268000
4000
04:47
and how big their brains are compared to their bodies
111
272000
4000
un smadzeņu lielumu
attiecībā pret ķermeņa masu,
attiecībā pret ķermeņa masu,
04:51
and how smart and flexible they are.
112
276000
2000
un to, cik tie ir gudri un elastīgi.
04:53
And sort of the posterbirds for this idea are the birds up there.
113
278000
3000
Piemēram palūkosimies uz šiem putniem.
04:56
On one side
114
281000
2000
Vienā pusē redzam Jaunkaledonijas vārnu.
04:58
is a New Caledonian crow.
115
283000
2000
05:00
And crows and other corvidae, ravens, rooks and so forth,
116
285000
3000
Vārnas un citi vārnveidīgie,
kraukļi, kovārņi un tā tālāk,
kraukļi, kovārņi un tā tālāk,
05:03
are incredibly smart birds.
117
288000
2000
ir neticami gudri putni.
05:05
They're as smart as chimpanzees in some respects.
118
290000
3000
Dažos aspektos
tie ir tikpat gudri kā šimpanzes.
tie ir tikpat gudri kā šimpanzes.
05:08
And this is a bird on the cover of science
119
293000
2000
Šis putns ir uz žurnāla Science vāka,
05:10
who's learned how to use a tool to get food.
120
295000
3000
jo tas iemācījies lietot darbarīku,
lai iegūtu pārtiku.
lai iegūtu pārtiku.
05:13
On the other hand,
121
298000
2000
Otrā pusē mēs redzam
mūsu draugu – mājas vistu.
mūsu draugu – mājas vistu.
05:15
we have our friend the domestic chicken.
122
300000
2000
05:17
And chickens and ducks and geese and turkeys
123
302000
3000
Vistas, pīles, zosis un tītari
principā ir dumji kā zābaki.
principā ir dumji kā zābaki.
05:20
are basically as dumb as dumps.
124
305000
2000
05:22
So they're very, very good at pecking for grain,
125
307000
3000
Tie ļoti, ļoti labi knābā graudus,
bet neko citu tie īsti nespēj.
bet neko citu tie īsti nespēj.
05:25
and they're not much good at doing anything else.
126
310000
3000
05:28
Well it turns out that the babies,
127
313000
2000
Izrādās, ka mazuļi
05:30
the New Caledonian crow babies, are fledglings.
128
315000
2000
– Jaunkaledonijas
vārnas mazuļi jeb cālēni –
vārnas mazuļi jeb cālēni –
05:32
They depend on their moms
129
317000
2000
ir atkarīgi no mammām,
kas liek tārpiņus viņu pavērtajās mutītēs,
kas liek tārpiņus viņu pavērtajās mutītēs,
05:34
to drop worms in their little open mouths
130
319000
3000
05:37
for as long as two years,
131
322000
2000
veselus divus gadus,
kas putna dzīvē ir ļoti ilgs laiks.
kas putna dzīvē ir ļoti ilgs laiks.
05:39
which is a really long time in the life of a bird.
132
324000
2000
05:41
Whereas the chickens are actually mature
133
326000
2000
Turpretī vistas nobriest pāris mēnešos.
05:43
within a couple of months.
134
328000
2000
05:45
So childhood is the reason
135
330000
3000
Tātad bērnība ir iemesls,
05:48
why the crows end up on the cover of Science
136
333000
2000
kāpēc vārnas nokļūst uz Science vāka
un vistas – zupas katlā.
un vistas – zupas katlā.
05:50
and the chickens end up in the soup pot.
137
335000
2000
05:52
There's something about that long childhood
138
337000
3000
Kaut kas to ilgo bērnību, šķiet, saista
ar zināšanām un mācīšanos.
ar zināšanām un mācīšanos.
05:55
that seems to be connected
139
340000
2000
05:57
to knowledge and learning.
140
342000
2000
05:59
Well what kind of explanation could we have for this?
141
344000
3000
Kāds gan tam varētu būt izskaidrojums?
06:02
Well some animals, like the chicken,
142
347000
3000
Daži dzīvnieki, kā vistas,
06:05
seem to be beautifully suited
143
350000
2000
šķiet, ir kā radīti,
lai darītu labi tikai vienu.
lai darītu labi tikai vienu.
06:07
to doing just one thing very well.
144
352000
2000
06:09
So they seem to be beautifully suited
145
354000
3000
Tātad, tie ir kā radīti
graudu knābāšanai noteiktā vidē.
graudu knābāšanai noteiktā vidē.
06:12
to pecking grain in one environment.
146
357000
2000
06:14
Other creatures, like the crows,
147
359000
2000
Citas radības, kā vārnas,
nedara neko īpaši labi,
nedara neko īpaši labi,
06:16
aren't very good at doing anything in particular,
148
361000
2000
06:18
but they're extremely good
149
363000
2000
bet tie ārkārtīgi labi apgūst
likumus dažādās vidēs.
likumus dažādās vidēs.
06:20
at learning about laws of different environments.
150
365000
2000
06:22
And of course, we human beings
151
367000
2000
Un, protams, mēs, cilvēki, esam ļoti tālu
šī sadalījuma galā, tāpat kā vārnas.
šī sadalījuma galā, tāpat kā vārnas.
06:24
are way out on the end of the distribution like the crows.
152
369000
3000
06:27
We have bigger brains relative to our bodies
153
372000
2000
Mums ir daudz lielākas smadzenes
attiecībā pret ķermeni,
attiecībā pret ķermeni,
06:29
by far than any other animal.
154
374000
2000
salīdzinot ar jebkuru dzīvnieku.
06:31
We're smarter, we're more flexible,
155
376000
2000
Mēs esam gudrāki, elastīgāki,
mēs spējam vairāk iemācīties,
mēs spējam vairāk iemācīties,
06:33
we can learn more,
156
378000
2000
06:35
we survive in more different environments,
157
380000
2000
mēs izdzīvojam dažādās vidēs,
06:37
we migrated to cover the world and even go to outer space.
158
382000
3000
mēs migrējam un apdzīvojam visu pasauli,
un pat dodamies kosmosā,
un pat dodamies kosmosā,
06:40
And our babies and children are dependent on us
159
385000
3000
un mūsu mazuļi un bērni ir atkarīgi
no mums daudz ilgāk nekā citu sugu mazuļi.
no mums daudz ilgāk nekā citu sugu mazuļi.
06:43
for much longer than the babies of any other species.
160
388000
3000
06:46
My son is 23.
161
391000
2000
Manam dēlam ir 23 un...
06:48
(Laughter)
162
393000
2000
(Smiekli)
06:50
And at least until they're 23,
163
395000
2000
un vismaz līdz 23 gadu vecumam
06:52
we're still popping those worms
164
397000
2000
mēs vēl arvien bāžam tos tārpiņus
viņu pavērtajās mutītēs.
viņu pavērtajās mutītēs.
06:54
into those little open mouths.
165
399000
3000
06:57
All right, why would we see this correlation?
166
402000
3000
Bet kāpēc gan šāda sakarība?
07:00
Well an idea is that that strategy, that learning strategy,
167
405000
4000
Tās pamatā ir doma,
ka mācīšanās kā stratēģija,
ka mācīšanās kā stratēģija,
07:04
is an extremely powerful, great strategy for getting on in the world,
168
409000
3000
ir ārkārtīgi efektīva un lieliska,
lai pasaulē gūtu panākumus,
lai pasaulē gūtu panākumus,
07:07
but it has one big disadvantage.
169
412000
2000
bet tai ir kāds nozīmīgs trūkums.
07:09
And that one big disadvantage
170
414000
2000
Šis viens nozīmīgais trūkums ir tāds,
07:11
is that, until you actually do all that learning,
171
416000
3000
ka, kamēr jūs to visu mācāties,
jūs būsiet nevarīgs.
jūs būsiet nevarīgs.
07:14
you're going to be helpless.
172
419000
2000
07:16
So you don't want to have the mastodon charging at you
173
421000
3000
Brīdī, kad jums brāžas virsū mastodons,
jums nevajadzētu prātot:
jums nevajadzētu prātot:
07:19
and be saying to yourself,
174
424000
2000
07:21
"A slingshot or maybe a spear might work. Which would actually be better?"
175
426000
4000
"Varētu derēt linga...
vai varbūt tomēr šķēps?
vai varbūt tomēr šķēps?
07:25
You want to know all that
176
430000
2000
Kurš būtu labāks...?"
Jūs gribat to zināt,
pirms mastodons vispār parādās.
pirms mastodons vispār parādās.
07:27
before the mastodons actually show up.
177
432000
2000
07:29
And the way the evolutions seems to have solved that problem
178
434000
3000
Evolūcija šo problēmu, šķiet, atrisinājusi
ar darba dalīšanas paņēmienu.
ar darba dalīšanas paņēmienu.
07:32
is with a kind of division of labor.
179
437000
2000
07:34
So the idea is that we have this early period when we're completely protected.
180
439000
3000
Tātad, mums ir agrīnais periods,
kurā mēs esam pilnībā pasargāti,
kurā mēs esam pilnībā pasargāti,
07:37
We don't have to do anything. All we have to do is learn.
181
442000
3000
mums nav jādara nekas, tikai jāmācās.
07:40
And then as adults,
182
445000
2000
Un tad, kad esam pieauguši,
07:42
we can take all those things that we learned when we were babies and children
183
447000
3000
mēs visu bērnībā apgūto
varam pielietot dzīvē.
varam pielietot dzīvē.
07:45
and actually put them to work to do things out there in the world.
184
450000
3000
07:48
So one way of thinking about it
185
453000
2000
Viens veids, kā uz to palūkoties,
07:50
is that babies and young children
186
455000
2000
ir uztvert mazuļus un mazus bērnus
kā cilvēces izpētes un attīstības nodaļas.
kā cilvēces izpētes un attīstības nodaļas.
07:52
are like the research and development division of the human species.
187
457000
3000
07:55
So they're the protected blue sky guys
188
460000
3000
Tie ir no reālijām pasargātie fantazētāji,
07:58
who just have to go out and learn and have good ideas,
189
463000
2000
kuriem jāmācās un jārada jaunas idejas,
08:00
and we're production and marketing.
190
465000
2000
un mēs esam ražošana un mārketings.
08:02
We have to take all those ideas
191
467000
2000
Mums šīs bērnībā apgūtās lietas
beidzot jāliek lietā.
beidzot jāliek lietā.
08:04
that we learned when we were children
192
469000
2000
08:06
and actually put them to use.
193
471000
2000
08:08
Another way of thinking about it
194
473000
2000
Uz to var paraudzīties arī citādāk.
08:10
is instead of thinking of babies and children
195
475000
2000
Tā vietā, lai mazuļus un bērnus uzskatītu
par nepilnīgiem pieaugušajiem,
par nepilnīgiem pieaugušajiem,
08:12
as being like defective grownups,
196
477000
2000
08:14
we should think about them
197
479000
2000
mums būtu uz tiem jāraugās
kā tās pašas sugas pārstāvjiem,
bet citā attīstības stadijā,
bet citā attīstības stadijā,
08:16
as being a different developmental stage of the same species --
198
481000
2000
08:18
kind of like caterpillars and butterflies --
199
483000
3000
līdzīgi kā kāpuri un tauriņi,
08:21
except that they're actually the brilliant butterflies
200
486000
2000
tikai šajā gadījumā
viņi ir brīnišķīgie tauriņi,
viņi ir brīnišķīgie tauriņi,
08:23
who are flitting around the garden and exploring,
201
488000
3000
kas lidinās pa dārzu un pēta,
08:26
and we're the caterpillars
202
491000
2000
bet mēs – kāpuri, kas rāpo pa savu šauro,
pieaugušajiem paredzēto taku.
pieaugušajiem paredzēto taku.
08:28
who are inching along our narrow, grownup, adult path.
203
493000
3000
08:31
If this is true, if these babies are designed to learn --
204
496000
3000
Ja tas tā ir,
ja šie mazuļi ir radīti, lai mācītos,
ja šie mazuļi ir radīti, lai mācītos,
08:34
and this evolutionary story would say children are for learning,
205
499000
3000
– un šis evolūcijas stāsts apliecina,
ka bērni ir tam kā radīti, –
ka bērni ir tam kā radīti, –
08:37
that's what they're for --
206
502000
2000
08:39
we might expect
207
504000
2000
mēs varētu gaidīt, ka viņiem
ir ļoti jaudīgi mācīšanās mehānismi.
ir ļoti jaudīgi mācīšanās mehānismi.
08:41
that they would have really powerful learning mechanisms.
208
506000
2000
08:43
And in fact, the baby's brain
209
508000
3000
Patiesībā mazuļa smadzenes,
08:46
seems to be the most powerful learning computer
210
511000
2000
šķiet, ir pasaules visjaudīgākais
zināšanu apguves dators.
zināšanu apguves dators.
08:48
on the planet.
211
513000
2000
08:50
But real computers are actually getting to be a lot better.
212
515000
3000
Bet īstie datori patiesībā
kļūst arvien labāki,
kļūst arvien labāki,
08:53
And there's been a revolution
213
518000
2000
un ir notikusi revolūcija
08:55
in our understanding of machine learning recently.
214
520000
2000
mūsu sapratnē par mašīnmācīšanos.
08:57
And it all depends on the ideas of this guy,
215
522000
3000
Tas noticis, pateicoties šī vīra,
reverenda Tomasa Beiza idejām,
reverenda Tomasa Beiza idejām,
09:00
the Reverend Thomas Bayes,
216
525000
2000
09:02
who was a statistician and mathematician in the 18th century.
217
527000
3000
kas bija 18. gadsimta
statistiķis un matemātiķis.
statistiķis un matemātiķis.
09:05
And essentially what Bayes did
218
530000
3000
Būtībā Beiza veikums bija
viņa radītā matemātiskā metode,
viņa radītā matemātiskā metode,
09:08
was to provide a mathematical way
219
533000
2000
09:10
using probability theory
220
535000
2000
kas izmantoja varbūtības teoriju,
09:12
to characterize, describe,
221
537000
2000
lai raksturotu, aprakstītu, veidu,
kā zinātnieki izzina pasauli.
kā zinātnieki izzina pasauli.
09:14
the way that scientists find out about the world.
222
539000
2000
09:16
So what scientists do
223
541000
2000
Zinātnieki sāk ar hipotēzi,
kas viņiem šķiet piemērota.
kas viņiem šķiet piemērota.
09:18
is they have a hypothesis that they think might be likely to start with.
224
543000
3000
09:21
They go out and test it against the evidence.
225
546000
2000
Tad viņi to pārbauda,
salīdzinot ar pierādījumiem.
salīdzinot ar pierādījumiem.
09:23
The evidence makes them change that hypothesis.
226
548000
2000
Pierādījumi liek tiem mainīt hipotēzi.
09:25
Then they test that new hypothesis
227
550000
2000
Tad tie pārbauda jauno hipotēzi
un tā tālāk un tā joprojām.
un tā tālāk un tā joprojām.
09:27
and so on and so forth.
228
552000
2000
09:29
And what Bayes showed was a mathematical way that you could do that.
229
554000
3000
Beizs parādīja, kā to izdarīt matemātiski,
09:32
And that mathematics is at the core
230
557000
2000
un šī matemātika ir labāko
mašīnmācīšanās programmu pamatā.
mašīnmācīšanās programmu pamatā.
09:34
of the best machine learning programs that we have now.
231
559000
2000
09:36
And some 10 years ago,
232
561000
2000
Aptuveni pirms 10 gadiem
09:38
I suggested that babies might be doing the same thing.
233
563000
4000
es ierosināju, ka mazuļi,
iespējams, dara tāpat.
iespējams, dara tāpat.
09:42
So if you want to know what's going on
234
567000
2000
Ja gribat uzzināt, kas notiek
aiz tām skaistajām brūnajām acīm,
aiz tām skaistajām brūnajām acīm,
09:44
underneath those beautiful brown eyes,
235
569000
2000
09:46
I think it actually looks something like this.
236
571000
2000
manuprāt, tas izskatās aptuveni šādi –
09:48
This is Reverend Bayes's notebook.
237
573000
2000
šī ir reverenda Beiza piezīmju grāmatiņa.
09:50
So I think those babies are actually making complicated calculations
238
575000
3000
Es domāju, ka mazuļi īstenībā
veic sarežģītus aprēķinus
veic sarežģītus aprēķinus
09:53
with conditional probabilities that they're revising
239
578000
3000
ar nosacītām varbūtībām, ko viņi izskata,
lai saprastu, kā pasaule funkcionē.
lai saprastu, kā pasaule funkcionē.
09:56
to figure out how the world works.
240
581000
2000
09:58
All right, now that might seem like an even taller order to actually demonstrate.
241
583000
4000
Labi, bet to pierādīt
šķiet pat vēl grūtāk,
šķiet pat vēl grūtāk,
10:02
Because after all, if you ask even grownups about statistics,
242
587000
2000
jo, pat pajautājot
par statistiku pieaugušajiem,
par statistiku pieaugušajiem,
10:04
they look extremely stupid.
243
589000
2000
tie izskatās ārkārtīgi muļķīgi.
10:06
How could it be that children are doing statistics?
244
591000
3000
Kā gan statistiskas darbības
varētu veikt bērni?
varētu veikt bērni?
10:09
So to test this we used a machine that we have
245
594000
2000
Lai to pārbaudītu,
mēs izmantojām aparātu,
mēs izmantojām aparātu,
10:11
called the Blicket Detector.
246
596000
2000
ko saucam par bliketdetektoru.
10:13
This is a box that lights up and plays music
247
598000
2000
Tā ir kaste, kas iemirdzas
un atskaņo mūziku,
un atskaņo mūziku,
10:15
when you put some things on it and not others.
248
600000
3000
ja uz tās uzliek dažas lietas,
bet ne citas.
bet ne citas.
10:18
And using this very simple machine,
249
603000
2000
Izmantojot šo ļoti vienkāršo aparātu,
10:20
my lab and others have done dozens of studies
250
605000
2000
mana laboratorija un citas
ir veikušas desmitiem pētījumu,
ir veikušas desmitiem pētījumu,
10:22
showing just how good babies are
251
607000
2000
kas parāda, cik mazuļi ir attapīgi,
apgūstot pasauli.
apgūstot pasauli.
10:24
at learning about the world.
252
609000
2000
10:26
Let me mention just one
253
611000
2000
Ļaujiet pieminēt tikai vienu, ko veicām
ar manu studentu Tumaru Kušneru.
ar manu studentu Tumaru Kušneru.
10:28
that we did with Tumar Kushner, my student.
254
613000
2000
10:30
If I showed you this detector,
255
615000
2000
Ja es jums parādītu šo detektoru,
jūs droši vien domātu,
jūs droši vien domātu,
10:32
you would be likely to think to begin with
256
617000
2000
10:34
that the way to make the detector go
257
619000
2000
ka detektora iedarbināšana
jāsāk ar klucīšu uzlikšanu uz detektora.
jāsāk ar klucīšu uzlikšanu uz detektora.
10:36
would be to put a block on top of the detector.
258
621000
3000
10:39
But actually, this detector
259
624000
2000
Bet šis detektors
darbojas nedaudz dīvaini.
darbojas nedaudz dīvaini.
10:41
works in a bit of a strange way.
260
626000
2000
10:43
Because if you wave a block over the top of the detector,
261
628000
3000
Ja pavēcināsiet klucīti virs tā,
10:46
something you wouldn't ever think of to begin with,
262
631000
3000
ko jums, pirmkārt,
nekad neienāks prātā darīt,
nekad neienāks prātā darīt,
10:49
the detector will actually activate two out of three times.
263
634000
3000
detektors ieslēgsies
divās no trijām reizēm.
divās no trijām reizēm.
10:52
Whereas, if you do the likely thing, put the block on the detector,
264
637000
3000
Turpretī, ja darīsiet acīmredzamo
un liksiet klucīšus uz detektora,
un liksiet klucīšus uz detektora,
10:55
it will only activate two out of six times.
265
640000
4000
tas ieslēgsies divās no sešām reizēm.
10:59
So the unlikely hypothesis
266
644000
2000
Tātad mazticamajai hipotēzei
ir stiprāki pierādījumi.
ir stiprāki pierādījumi.
11:01
actually has stronger evidence.
267
646000
2000
11:03
It looks as if the waving
268
648000
2000
Izskatās, ka vēcināšana
ir efektīvāka stratēģija nekā tā otra.
ir efektīvāka stratēģija nekā tā otra.
11:05
is a more effective strategy than the other strategy.
269
650000
2000
11:07
So we did just this; we gave four year-olds this pattern of evidence,
270
652000
3000
Lūk, ko mēs darījām: mēs iedevām
četrgadīgajiem šo pierādījumu modeli
četrgadīgajiem šo pierādījumu modeli
11:10
and we just asked them to make it go.
271
655000
2000
un lūdzām viņiem izmēģināt.
11:12
And sure enough, the four year-olds used the evidence
272
657000
3000
Protams, četrgadnieki
izmantoja pierādījumus
izmantoja pierādījumus
11:15
to wave the object on top of the detector.
273
660000
3000
un vēcināja objektu virs detektora.
11:18
Now there are two things that are really interesting about this.
274
663000
3000
Šeit tiešām interesantas ir divas lietas.
11:21
The first one is, again, remember, these are four year-olds.
275
666000
3000
Pirmkārt,
– un atcerieties, ka šie ir četrgadnieki,
viņi vēl tikai mācās skaitīt, –
viņi vēl tikai mācās skaitīt, –
11:24
They're just learning how to count.
276
669000
2000
11:26
But unconsciously,
277
671000
2000
bet neapzināti viņi veic
šos visai sarežģītos aprēķinus,
šos visai sarežģītos aprēķinus,
11:28
they're doing these quite complicated calculations
278
673000
2000
11:30
that will give them a conditional probability measure.
279
675000
3000
kas viņiem sniedz
nosacītās varbūtības mērījumus.
nosacītās varbūtības mērījumus.
11:33
And the other interesting thing
280
678000
2000
Otra interesantā lieta –
11:35
is that they're using that evidence
281
680000
2000
viņi izmanto liecības, lai iegūtu atziņas,
iegūtu hipotēzes par pasauli,
iegūtu hipotēzes par pasauli,
11:37
to get to an idea, get to a hypothesis about the world,
282
682000
3000
11:40
that seems very unlikely to begin with.
283
685000
3000
kas jau no paša sākuma šķiet maz ticamas.
11:43
And in studies we've just been doing in my lab, similar studies,
284
688000
3000
Līdzīgos, manā laboratorijā veiktos
pētījumos esam pierādījuši,
pētījumos esam pierādījuši,
11:46
we've show that four year-olds are actually better
285
691000
2000
ka četrgadnieki spēj labāk
atrast mazticamu hipotēzi
atrast mazticamu hipotēzi
11:48
at finding out an unlikely hypothesis
286
693000
3000
11:51
than adults are when we give them exactly the same task.
287
696000
3000
nekā pieaugušie, kad tiem
dod tādu pašu uzdevumu.
dod tādu pašu uzdevumu.
11:54
So in these circumstances,
288
699000
2000
Šādos apstākļos bērni izmanto
statistiku, lai izzinātu pasauli,
statistiku, lai izzinātu pasauli,
11:56
the children are using statistics to find out about the world,
289
701000
3000
11:59
but after all, scientists also do experiments,
290
704000
3000
tomēr zinātnieki veic arī eksperimentus,
12:02
and we wanted to see if children are doing experiments.
291
707000
3000
un mēs gribējām redzēt,
vai bērni eksperimentē.
vai bērni eksperimentē.
12:05
When children do experiments we call it "getting into everything"
292
710000
3000
Kad bērni eksperimentē, mēs to saucam
par ložņāšanu pa visurieni
par ložņāšanu pa visurieni
12:08
or else "playing."
293
713000
2000
vai citkārt par spēlēšanos.
12:10
And there's been a bunch of interesting studies recently
294
715000
3000
Pēdējā laikā ir veikta
virkne interesantu pētījumu,
virkne interesantu pētījumu,
12:13
that have shown this playing around
295
718000
3000
kas pierādījuši, ka šī spēlēšanās
12:16
is really a kind of experimental research program.
296
721000
2000
patiesībā ir sava veida eksperimentāla
izpētes programma.
izpētes programma.
12:18
Here's one from Cristine Legare's lab.
297
723000
3000
Šeit ir viens
no Kristīnes Legēras laboratorijas.
no Kristīnes Legēras laboratorijas.
12:21
What Cristine did was use our Blicket Detectors.
298
726000
3000
Kristīne izmantoja mūsu bliketdetektorus
12:24
And what she did was show children
299
729000
2000
un parādīja bērniem, ka dzeltenie
to iedarbina, bet sarkanie ne,
to iedarbina, bet sarkanie ne,
12:26
that yellow ones made it go and red ones didn't,
300
731000
2000
12:28
and then she showed them an anomaly.
301
733000
3000
un tad viņa tiem parādīja kādu anomāliju.
12:31
And what you'll see
302
736000
2000
Jūs redzēsiet, ka šis zēns izskatīs
piecas hipotēzes divu minūšu laikā.
piecas hipotēzes divu minūšu laikā.
12:33
is that this little boy will go through five hypotheses
303
738000
3000
12:36
in the space of two minutes.
304
741000
3000
12:39
(Video) Boy: How about this?
305
744000
3000
(Video) Zēns: Kā būtu ar šo?
12:43
Same as the other side.
306
748000
3000
Tāpat kā otrā pusē.
12:46
Alison Gopnik: Okay, so his first hypothesis has just been falsified.
307
751000
4000
Elisone Gopnika: Tātad viņa pirmā hipotēze
ir izrādījusies nepareiza.
ir izrādījusies nepareiza.
12:55
(Laughter)
308
760000
2000
Zēns: Nekā.
(Smiekli)
12:57
Boy: This one lighted up, and this one nothing.
309
762000
3000
Šis iedegās, bet šis ne.
13:00
AG: Okay, he's got his experimental notebook out.
310
765000
3000
E.G.: Nu viņš ķeras klāt
eksperimentēšanai.
eksperimentēšanai.
13:06
Boy: What's making this light up.
311
771000
4000
Zēns: Kas tam liek iedegties?
13:11
(Laughter)
312
776000
9000
(Smiekli)
13:20
I don't know.
313
785000
2000
Es nezinu.
13:22
AG: Every scientist will recognize that expression of despair.
314
787000
4000
E.G.: Katrs zinātnieks atpazīs
šo izmisuma izteiksmi.
šo izmisuma izteiksmi.
13:26
(Laughter)
315
791000
3000
(Smiekli)
13:29
Boy: Oh, it's because this needs to be like this,
316
794000
6000
Zēns: Ā, tas ir tāpēc, ka šim jābūt šādi,
13:35
and this needs to be like this.
317
800000
2000
un šim jābūt šādi.
13:37
AG: Okay, hypothesis two.
318
802000
3000
E.G.: Labi, otrā hipotēze.
13:40
Boy: That's why.
319
805000
2000
Zēns: Tāpēc.
13:42
Oh.
320
807000
2000
Vai...
13:44
(Laughter)
321
809000
5000
(Smiekli)
13:49
AG: Now this is his next idea.
322
814000
2000
E.G.: Šī ir nākamā ideja.
13:51
He told the experimenter to do this,
323
816000
2000
Viņš lūdza eksperimentētājai
tos uzlikt uz otra detektora.
tos uzlikt uz otra detektora.
13:53
to try putting it out onto the other location.
324
818000
4000
13:57
Not working either.
325
822000
2000
Tas arī nenostrādāja.
14:02
Boy: Oh, because the light goes only to here,
326
827000
4000
Zēns: Ā, tas ir tāpēc,
ka gaisma pienāk tikai šeit,
ka gaisma pienāk tikai šeit,
14:06
not here.
327
831000
3000
un ne šeit.
14:09
Oh, the bottom of this box
328
834000
3000
Šīs kastes apakšā iekšā ir elektrība,
14:12
has electricity in here,
329
837000
2000
14:14
but this doesn't have electricity.
330
839000
2000
bet šai kastei nav elektrības.
14:16
AG: Okay, that's a fourth hypothesis.
331
841000
2000
E.G.: Šī ir ceturtā hipotēze.
14:18
Boy: It's lighting up.
332
843000
2000
Zēns: Tā iedegās!
14:20
So when you put four.
333
845000
5000
Tātad, kad uzliek četrus.
14:26
So you put four on this one to make it light up
334
851000
3000
Uz šī jāliek četri, lai tas iedegtos,
14:29
and two on this one to make it light up.
335
854000
2000
bet uz šī – divi, lai tas iedegtos.
14:31
AG: Okay,there's his fifth hypothesis.
336
856000
2000
E.G.: Lūk, arī piektā hipotēze.
14:33
Now that is a particularly --
337
858000
3000
Šis ir īpaši... (Aplausi)
14:36
that is a particularly adorable and articulate little boy,
338
861000
3000
šis ir īpaši jauks
un izteiksmīgs puisītis,
un izteiksmīgs puisītis,
14:39
but what Cristine discovered is this is actually quite typical.
339
864000
3000
bet Kristīne atklāja,
ka tas tiešām ir tipiski.
ka tas tiešām ir tipiski.
14:42
If you look at the way children play, when you ask them to explain something,
340
867000
3000
Ja pavērojat, kā bērni spēlējas,
kad lūdzat tiem kaut ko izskaidrot,
kad lūdzat tiem kaut ko izskaidrot,
14:45
what they really do is do a series of experiments.
341
870000
3000
tie veic virkni eksperimentu.
14:48
This is actually pretty typical of four year-olds.
342
873000
3000
Tas ir diezgan tipiski četrgadniekiem.
14:51
Well, what's it like to be this kind of creature?
343
876000
3000
Kā tad īsti ir būt šādai radībai?
14:54
What's it like to be one of these brilliant butterflies
344
879000
3000
Kā ir būt vienam
no šiem krāšņajiem tauriņiem,
no šiem krāšņajiem tauriņiem,
14:57
who can test five hypotheses in two minutes?
345
882000
3000
kas spēj pārbaudīt
piecas hipotēzes divās minūtēs?
piecas hipotēzes divās minūtēs?
15:00
Well, if you go back to those psychologists and philosophers,
346
885000
3000
Ja atgriežamies
pie psihologiem un filozofiem,
pie psihologiem un filozofiem,
15:03
a lot of them have said
347
888000
2000
tad daudzi no tiem ir teikuši,
15:05
that babies and young children were barely conscious
348
890000
2000
ka mazuļi un mazi bērni
ir tik tikko apveltīti ar apziņu,
ir tik tikko apveltīti ar apziņu,
15:07
if they were conscious at all.
349
892000
2000
ja viņiem vispār ir kāda apziņa.
15:09
And I think just the opposite is true.
350
894000
2000
Manuprāt, patiesībā ir tieši otrādi.
Es domāju, ka mazuļiem un bērniem
ir izteiktāka apziņa nekā pieaugušajiem.
ir izteiktāka apziņa nekā pieaugušajiem.
15:11
I think babies and children are actually more conscious than we are as adults.
351
896000
3000
15:14
Now here's what we know about how adult consciousness works.
352
899000
3000
Lūk, ko mēs zinām par to,
kā darbojas pieaugušo apziņa.
kā darbojas pieaugušo apziņa.
15:17
And adults' attention and consciousness
353
902000
2000
Pieaugušo uzmanība un apziņa
līdzinās starmetim.
līdzinās starmetim.
15:19
look kind of like a spotlight.
354
904000
2000
15:21
So what happens for adults
355
906000
2000
Kā pieaugušie mēs izlemjam,
15:23
is we decide that something's relevant or important,
356
908000
2000
ka kaut kas ir nozīmīgs vai svarīgs,
ka tam jāpievērš uzmanība.
ka tam jāpievērš uzmanība.
15:25
we should pay attention to it.
357
910000
2000
15:27
Our consciousness of that thing that we're attending to
358
912000
2000
Mūsu apziņa ap to, kam tā pievērsusies,
kļūst ļoti spoža un dzīva,
kļūst ļoti spoža un dzīva,
15:29
becomes extremely bright and vivid,
359
914000
3000
15:32
and everything else sort of goes dark.
360
917000
2000
bet viss pārējais it kā iegrimst tumsā.
15:34
And we even know something about the way the brain does this.
361
919000
3000
Un mēs pat zinām kaut ko par to,
kā šajā brīdī strādā smadzenes.
kā šajā brīdī strādā smadzenes.
15:37
So what happens when we pay attention
362
922000
2000
Kad mēs uz kaut ko vēršam uzmanību,
15:39
is that the prefrontal cortex, the sort of executive part of our brains,
363
924000
3000
mūsu prefrontālā smadzeņu garoza,
kas smadzenēs veic izpildfunkciju,
kas smadzenēs veic izpildfunkciju,
15:42
sends a signal
364
927000
2000
raida signālu,
15:44
that makes a little part of our brain much more flexible,
365
929000
2000
kas nelielu mūsu smadzeņu daļu
padara elastīgāku,
padara elastīgāku,
15:46
more plastic, better at learning,
366
931000
2000
plastiskāku, mācīties spējīgāku,
15:48
and shuts down activity
367
933000
2000
un izslēdz aktivitāti
pārējās smadzeņu daļās.
pārējās smadzeņu daļās.
15:50
in all the rest of our brains.
368
935000
2000
15:52
So we have a very focused, purpose-driven kind of attention.
369
937000
4000
Tā mēs iegūstam ļoti sakopotu,
uz rezultātu vērstu uzmanību.
uz rezultātu vērstu uzmanību.
15:56
If we look at babies and young children,
370
941000
2000
Ja palūkojamies uz mazuļiem
un maziem bērniem,
un maziem bērniem,
15:58
we see something very different.
371
943000
2000
mēs redzam kaut ko pavisam citādāku.
16:00
I think babies and young children
372
945000
2000
Es domāju, ka mazuļu un mazu bērnu apziņa
drīzāk līdzinās laternai, nevis starmetim.
drīzāk līdzinās laternai, nevis starmetim.
16:02
seem to have more of a lantern of consciousness
373
947000
2000
16:04
than a spotlight of consciousness.
374
949000
2000
16:06
So babies and young children are very bad
375
951000
3000
Tāpēc mazuļiem un maziem bērniem
ir grūti koncentrēties vienai lietai.
ir grūti koncentrēties vienai lietai.
16:09
at narrowing down to just one thing.
376
954000
3000
16:12
But they're very good at taking in lots of information
377
957000
3000
Bet tie ļoti labi uztver
daudz informācijas
daudz informācijas
16:15
from lots of different sources at once.
378
960000
2000
no dažādiem avotiem vienlaikus.
16:17
And if you actually look in their brains,
379
962000
2000
Ja jūs ielūkotos viņu smadzenēs,
16:19
you see that they're flooded with these neurotransmitters
380
964000
3000
jūs redzētu,
ka tās ir pilnas neiromediatoru,
ka tās ir pilnas neiromediatoru,
16:22
that are really good at inducing learning and plasticity,
381
967000
2000
kas ļoti labi rosina
mācīšanos un plastiskumu,
mācīšanos un plastiskumu,
16:24
and the inhibitory parts haven't come on yet.
382
969000
3000
bet bremzējošās daļiņas
vēl nav attīstījušās.
vēl nav attīstījušās.
16:27
So when we say that babies and young children
383
972000
2000
Tāpēc, sakot, ka mazuļi un mazi bērni
nespēj īsti koncentrēties,
nespēj īsti koncentrēties,
16:29
are bad at paying attention,
384
974000
2000
16:31
what we really mean is that they're bad at not paying attention.
385
976000
4000
mēs patiesībā sakām,
ka viņi nespēj nekoncentrēties.
ka viņi nespēj nekoncentrēties.
16:35
So they're bad at getting rid
386
980000
2000
Viņi nespēj tikt vaļā
no visām interesantajām lietām,
kas tiem kaut ko vēsta,
kas tiem kaut ko vēsta,
16:37
of all the interesting things that could tell them something
387
982000
2000
16:39
and just looking at the thing that's important.
388
984000
2000
un lūkoties tikai uz vienu svarīgo.
16:41
That's the kind of attention, the kind of consciousness,
389
986000
3000
Tāda veida uzmanība, tāda veida apziņa,
16:44
that we might expect
390
989000
2000
ko mēs varētu sagaidīt
no tauriņiem, kas radīti, lai mācītos.
no tauriņiem, kas radīti, lai mācītos.
16:46
from those butterflies who are designed to learn.
391
991000
2000
16:48
Well if we want to think about a way
392
993000
2000
Ja mēs vēlētos iedomāties veidu,
kā pieaugušajam izprast mazuļa apziņu,
kā pieaugušajam izprast mazuļa apziņu,
16:50
of getting a taste of that kind of baby consciousness as adults,
393
995000
4000
16:54
I think the best thing is think about cases
394
999000
2000
manuprāt, vislabākais veids
ir atrast situācijas,
ir atrast situācijas,
16:56
where we're put in a new situation that we've never been in before --
395
1001000
3000
kurās iepriekš neesam bijuši –
16:59
when we fall in love with someone new,
396
1004000
2000
kad iemīlamies kādā
vai pirmoreiz ierodamies jaunā pilsētā.
vai pirmoreiz ierodamies jaunā pilsētā.
17:01
or when we're in a new city for the first time.
397
1006000
3000
17:04
And what happens then is not that our consciousness contracts,
398
1009000
2000
Kad tas notiek, mūsu apziņa
nevis sašaurinās, bet gan paplašinās,
nevis sašaurinās, bet gan paplašinās,
17:06
it expands,
399
1011000
2000
17:08
so that those three days in Paris
400
1013000
2000
tāpēc trīs dienas Parīzē šķiet
ar apziņu un pieredzi piepildītākas
ar apziņu un pieredzi piepildītākas
17:10
seem to be more full of consciousness and experience
401
1015000
2000
17:12
than all the months of being
402
1017000
2000
nekā visi tie mēneši mājās,
17:14
a walking, talking, faculty meeting-attending zombie back home.
403
1019000
4000
kad kā zombiji staigājam, runājam,
apmeklējam fakultātes tikšanās.
apmeklējam fakultātes tikšanās.
(Smiekli)
17:18
And by the way, that coffee,
404
1023000
2000
Un, starp citu, tā kafija,
tā brīnišķīgā kafija, ko lejā dzērāt,
tā brīnišķīgā kafija, ko lejā dzērāt,
17:20
that wonderful coffee you've been drinking downstairs,
405
1025000
2000
17:22
actually mimics the effect
406
1027000
2000
patiesībā atdarina efektu,
ko veic mazuļu neiromediatori.
ko veic mazuļu neiromediatori.
17:24
of those baby neurotransmitters.
407
1029000
2000
17:26
So what's it like to be a baby?
408
1031000
2000
Tātad, kāda sajūta ir būt mazulim?
17:28
It's like being in love
409
1033000
2000
Tas ir kā iemīlēties,
17:30
in Paris for the first time
410
1035000
2000
esot pirmo reizi Parīzē,
17:32
after you've had three double-espressos.
411
1037000
2000
pēc tam, kad esat izdzēruši
trīs dubultespresso tases.
trīs dubultespresso tases.
17:34
(Laughter)
412
1039000
3000
(Smiekli)
17:37
That's a fantastic way to be,
413
1042000
2000
Tā ir fantastiska sajūta,
17:39
but it does tend to leave you waking up crying at three o'clock in the morning.
414
1044000
4000
bet tā arī mēdz jūs uzmodināt
trijos naktī ar asarām acīs.
trijos naktī ar asarām acīs.
17:43
(Laughter)
415
1048000
3000
(Smiekli)
17:46
Now it's good to be a grownup.
416
1051000
2000
Ir labi būt pieaugušam.
17:48
I don't want to say too much about how wonderful babies are.
417
1053000
2000
Es negribu pārāk slavēt,
cik brīnišķīgi ir mazuļi.
cik brīnišķīgi ir mazuļi.
17:50
It's good to be a grownup.
418
1055000
2000
Ir labi būt pieaugušam.
17:52
We can do things like tie our shoelaces and cross the street by ourselves.
419
1057000
3000
Mēs spējam tādas lietas kā sasiet
kurpju auklas un paši pāriet ielu.
kurpju auklas un paši pāriet ielu.
17:55
And it makes sense that we put a lot of effort
420
1060000
2000
Un ir prātīgi, ka ieguldām daudz spēka,
17:57
into making babies think like adults do.
421
1062000
4000
lai liktu mazuļiem domāt kā pieaugušajiem.
18:01
But if what we want is to be like those butterflies,
422
1066000
3000
Bet, ja vēlamies būt kā tie tauriņi,
18:04
to have open-mindedness, open learning,
423
1069000
3000
atvērti pasaulei,
atvērti zināšanu apguvei,
atvērti zināšanu apguvei,
18:07
imagination, creativity, innovation,
424
1072000
2000
iztēlei, radošumam, inovācijām,
18:09
maybe at least some of the time
425
1074000
2000
varbūt vismaz dažreiz
mums vajadzētu mudināt pieaugušos
mums vajadzētu mudināt pieaugušos
18:11
we should be getting the adults
426
1076000
2000
18:13
to start thinking more like children.
427
1078000
2000
domāt vairāk kā bērniem.
18:15
(Applause)
428
1080000
8000
(Aplausi)
ABOUT THE SPEAKER
Alison Gopnik - Child development psychologistAlison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do.
Why you should listen
What’s it really like to see through the eyes of a child? Are babies and young children just empty, irrational vessels to be formed into little adults, until they become the perfect images of ourselves? On the contrary, argues Alison Gopnik, professor of psychology and philosophy at the University of California at Berkeley.
The author of The Philosophical Baby, The Scientist in the Crib and other influential books on cognitive development, Gopnik presents evidence that babies and children are conscious of far more than we give them credit for, as they engage every sense and spend every waking moment discovering, filing away, analyzing and acting on information about how the world works. Gopnik’s work draws on psychological, neuroscientific, and philosophical developments in child development research to understand how the human mind learns, how and why we love, our ability to innovate, as well as giving us a deeper appreciation for the role of parenthood.
She says: "What's it like to be a baby? Being in love in Paris for the first time after you've had 3 double espressos."
Alison Gopnik | Speaker | TED.com