TED2011
Deb Roy: The birth of a word
Deb Roy: Narodziny słowa
Filmed:
Readability: 4.2
2,809,941 views
Pracownik naukowy MIT-u Deb Roy chciał zrozumieć, w jaki sposób jego synek nauczył się mówić. W tym celu zainstalował w swoim domu kamery video, aby uchwycić każdy moment (z pewnymi wyjątkami) życia swojego syna, a następnie przeprowadził analizę składniową 90 tys. godzin amatorskiego filmu video, żeby zaobserować jak "gaaa" powoli zmienia się w "water" (wodę). Zdumiewające badanie naukowe, bogate w dane i niosące poważne implikacje na temat procesu uczenia się.
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
Wyobraźcie sobie, że możecie zarejestrować swoje życie -
00:19
everything you said, everything you did,
1
4000
3000
wszystko co mówicie i co robicie,
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
dostępne w doskonałym magazynie pamięci w zasięgu ręki
00:25
so you could go back
3
10000
2000
po to, żeby można było wrócić,
00:27
and find memorable moments and relive them,
4
12000
3000
odnaleźć niezapomniane chwile i przeżyć je ponownie,
00:30
or sift through traces of time
5
15000
3000
albo przeszukać ślady czasu
00:33
and discover patterns in your own life
6
18000
2000
i odkryć prawidłowości we własnym życiu,
00:35
that previously had gone undiscovered.
7
20000
3000
których wcześniej nie udało się nam zaobserwować.
00:38
Well that's exactly the journey
8
23000
2000
Tę właśnie podróż
00:40
that my family began
9
25000
2000
moja rodzina rozpoczęła
00:42
five and a half years ago.
10
27000
2000
pięć i pół roku temu.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
Oto moja żona i współpracownik - Rupal.
00:47
And on this day, at this moment,
12
32000
2000
I tego właśnie dnia, w tym momencie,
00:49
we walked into the house with our first child,
13
34000
2000
wróciliśmy do domu z naszym pierwszym dzieckiem,
00:51
our beautiful baby boy.
14
36000
2000
z naszym pięknym synkiem.
00:53
And we walked into a house
15
38000
3000
Weszliśmy do domu
00:56
with a very special home video recording system.
16
41000
4000
wyposażonego w specjalny system nagrywania amatorskich filmów.
01:07
(Video) Man: Okay.
17
52000
2000
(Video) W porządku.
01:10
Deb Roy: This moment
18
55000
1000
Ta chwila,
01:11
and thousands of other moments special for us
19
56000
3000
a także tysiące innych momentów dla nas szczególnych
01:14
were captured in our home
20
59000
2000
zostało uchwyconych w naszym domu,
01:16
because in every room in the house,
21
61000
2000
ponieważ w każdym pomieszczeniu,
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
jeżeli spojrzycie w górę, zobaczycie kamerę i mikrofon,
01:21
and if you looked down,
23
66000
2000
a jeśli spojrzycie w dół,
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
otrzymacie widok pokoju z lotu ptaka.
01:25
Here's our living room,
25
70000
3000
To jest nasz salon,
01:28
the baby bedroom,
26
73000
3000
pokój dziecięcy,
01:31
kitchen, dining room
27
76000
2000
kuchnia, jadalnia,
01:33
and the rest of the house.
28
78000
2000
a to reszta domu.
01:35
And all of these fed into a disc array
29
80000
3000
Dane wprowadzane były w macierz dyskową,
01:38
that was designed for a continuous capture.
30
83000
3000
którą zaprojektowano w celu ciągłej rejestracji obrazu.
01:41
So here we are flying through a day in our home
31
86000
3000
Spędzamy więc dzień w domu,
01:44
as we move from sunlit morning
32
89000
3000
od słonecznego poranka,
01:47
through incandescent evening
33
92000
2000
poprzez rozżarzony wieczór,
01:49
and, finally, lights out for the day.
34
94000
3000
a na koniec dnia światła gasną.
01:53
Over the course of three years,
35
98000
3000
W ciągu trzech lat
01:56
we recorded eight to 10 hours a day,
36
101000
2000
nagrywaliśmy 8-10 godzin dziennie,
01:58
amassing roughly a quarter-million hours
37
103000
3000
gromadząc około ćwierć miliona godzin
02:01
of multi-track audio and video.
38
106000
3000
wielościeżkowych danych audiowizualnych.
02:04
So you're looking at a piece of what is by far
39
109000
2000
Patrzycie więc na fragment zdecydowanie
02:06
the largest home video collection ever made.
40
111000
2000
największej kolekcji amatorskich filmów jaka kiedykolwiek powstała.
02:08
(Laughter)
41
113000
3000
(Śmiech)
02:11
And what this data represents
42
116000
2000
Co dane te przedstawiają
02:13
for our family at a personal level,
43
118000
4000
dla naszej rodziny na płaszczyźnie prywatnej,
02:17
the impact has already been immense,
44
122000
2000
już teraz mogę powiedzieć, że wpływ jest przeogromny,
02:19
and we're still learning its value.
45
124000
3000
i nadal poznajemy jego wartość.
02:22
Countless moments
46
127000
2000
Niezliczone chwile
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
naturalnych, niewyćwiczonych momentów
02:27
are captured there,
48
132000
2000
zostały tu utrwalone,
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
i zaczynamy się uczyć je odkrywać i znajdować.
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
Jednak istnieje także powód naukowy, który leżał u podstaw tego projektu,
02:35
which was to use this natural longitudinal data
51
140000
4000
a mianowicie wykorzystanie naturalnych danych obserwacyjnych
02:39
to understand the process
52
144000
2000
do zrozumienia procesu
02:41
of how a child learns language --
53
146000
2000
uczenia się przez dziecko mowy -
02:43
that child being my son.
54
148000
2000
a tym dzieckiem był mój syn.
02:45
And so with many privacy provisions put in place
55
150000
4000
Wykorzystując wiele rozwiązań z dziedziny ochrony prywatności,
02:49
to protect everyone who was recorded in the data,
56
154000
3000
w celu ochrony wszystkich, których dane objęły,
02:52
we made elements of the data available
57
157000
3000
udostępniliśmy ich fragmenty
02:55
to my trusted research team at MIT
58
160000
3000
mojemu zaufanemu zespołowi badawczemu w MIT
02:58
so we could start teasing apart patterns
59
163000
3000
i mogliśmy rozpocząć pracę nad znalezieniem prawidłowości
03:01
in this massive data set,
60
166000
3000
w tym ogromnym zbiorze danych,
03:04
trying to understand the influence of social environments
61
169000
3000
próbując zrozumieć wpływ środowisk społecznych
03:07
on language acquisition.
62
172000
2000
na akwizycję języka.
03:09
So we're looking here
63
174000
2000
Widzimy tu
03:11
at one of the first things we started to do.
64
176000
2000
jedną z pierwszych rzeczy, na których się skoncentrowaliśmy.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
To moja żona i ja, przygotowujący w kuchni śniadanie,♫
03:17
and as we move through space and through time,
66
182000
3000
kiedy poruszamy się w czasie i przestrzeni,
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
bardzo codziennego modelu życia w kuchni.
03:23
In order to convert
68
188000
2000
W celu przekonwertowania
03:25
this opaque, 90,000 hours of video
69
190000
3000
tych złożonych 90 tys. godzin nagrań video
03:28
into something that we could start to see,
70
193000
2000
w coś, co moglibyśmy zacząć rozumieć,
03:30
we use motion analysis to pull out,
71
195000
2000
korzystamy z analizy ruchu w celu wydobycia,
03:32
as we move through space and through time,
72
197000
2000
w miarę jak poruszamy się w czasie i przestrzeni,
03:34
what we call space-time worms.
73
199000
3000
tzw. 'robaków czasoprzestrzennych'.
03:37
And this has become part of our toolkit
74
202000
3000
Stało się to częścią naszego zestawu narzędzi,
03:40
for being able to look and see
75
205000
3000
aby móc spojrzeć i dostrzec,
03:43
where the activities are in the data,
76
208000
2000
gdzie w danych znajdują się czynności
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
i w ten sposób nakreślić schematy, w szczególności
03:48
where my son moved throughout the home,
78
213000
2000
którędy mój syn się poruszał po domu,
03:50
so that we could focus our transcription efforts,
79
215000
3000
abyśmy mogli się skupić na transkrypcji nagrań,
03:53
all of the speech environment around my son --
80
218000
3000
zawierających zapis środowiska językowego wokół mojego syna -
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
wszystkich słów, które usłyszał ode mnie, od mojej żony i naszej niani
03:59
and over time, the words he began to produce.
82
224000
3000
i na przestrzeni czasu słów, które zaczął wymawiać.
04:02
So with that technology and that data
83
227000
3000
Dysponując taką technologią i danymi,
04:05
and the ability to, with machine assistance,
84
230000
2000
a także możliwością, z pomocą programu,
04:07
transcribe speech,
85
232000
2000
dokonania transkrypcji mowy,
04:09
we've now transcribed
86
234000
2000
do tej pory sporządziliśmy transkrypcję
04:11
well over seven million words of our home transcripts.
87
236000
3000
ponad siedmiu milionów słów domowego zapisu.
04:14
And with that, let me take you now
88
239000
2000
Pozwólcie, że zabiorę was teraz
04:16
for a first tour into the data.
89
241000
3000
w pierwszą podróż w dane.
04:19
So you've all, I'm sure,
90
244000
2000
Jestem pewien, że każdy z was
04:21
seen time-lapse videos
91
246000
2000
widział filmy poklatkowe,
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
na których kwiat zakwita, kiedy przyspiesza się czas.
04:26
I'd like you to now experience
93
251000
2000
Chciałbym, żebyście teraz doświadczyli
04:28
the blossoming of a speech form.
94
253000
2000
rozkwitu mowy.
04:30
My son, soon after his first birthday,
95
255000
2000
Mój syn, zaraz po swoich pierwszych urodzinach,
04:32
would say "gaga" to mean water.
96
257000
3000
zaczął mówić "gaga" mając na myśli wodę.
04:35
And over the course of the next half-year,
97
260000
3000
Przez następne pół roku
04:38
he slowly learned to approximate
98
263000
2000
powoli nauczył się wymawiać zbliżoną
04:40
the proper adult form, "water."
99
265000
3000
właściwą formę słowa "water" (woda).
04:43
So we're going to cruise through half a year
100
268000
2000
Usłyszymy teraz pół roku
04:45
in about 40 seconds.
101
270000
2000
w ciągu około 40 sekund.
04:47
No video here,
102
272000
2000
Bez video,
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
żebyście mogli skupić się na dźwięku, akustyce,
04:52
of a new kind of trajectory:
104
277000
2000
nowego rodzaju trajektorii:
04:54
gaga to water.
105
279000
2000
"gaga" to "water" (woda)
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(Audio) Dziecko: 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 (woda woda woda)
05:29
water water water
112
314000
6000
water water water (woda woda woda)
05:35
water water
113
320000
4000
water water (woda woda)
05:39
water.
114
324000
2000
water (woda).
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
Dobrze sobie poradził, prawda?
05:43
(Applause)
116
328000
7000
(Brawa)
05:50
So he didn't just learn water.
117
335000
2000
Nie nauczył się więc słowa "water" (woda) tak po prostu.
05:52
Over the course of the 24 months,
118
337000
2000
W ciągu 24 miesięcy,
05:54
the first two years that we really focused on,
119
339000
3000
pierwszych dwóch lat życia, na których się szczególnie skoncentrowaliśmy,
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
jest to mapa każdego słowa, którego się nauczył w porządku chronologicznym.
06:01
And because we have full transcripts,
121
346000
3000
I ponieważ dysponujemy pełnymi zapisami tekstu,
06:04
we've identified each of the 503 words
122
349000
2000
zidentyfikowaliśmy każde z 503 słów,
06:06
that he learned to produce by his second birthday.
123
351000
2000
które nauczył się wymawiać przed swoimi drugimi urodzinami.
06:08
He was an early talker.
124
353000
2000
Zaczął mówić wcześnie.
06:10
And so we started to analyze why.
125
355000
3000
Zaczęliśmy więc analizować przyczyny.
06:13
Why were certain words born before others?
126
358000
3000
Dlaczego niektóre słowa rodzą się wcześniej niż inne.
06:16
This is one of the first results
127
361000
2000
Jest to jeden z pierwszych wyników,
06:18
that came out of our study a little over a year ago
128
363000
2000
naszego badania sprzed niewiele ponad roku temu,
06:20
that really surprised us.
129
365000
2000
które naprawdę nas zakoczyły.
06:22
The way to interpret this apparently simple graph
130
367000
3000
Oto interpretacja tego pozornie prostego wykresu,
06:25
is, on the vertical is an indication
131
370000
2000
oś pionowa oznacza
06:27
of how complex caregiver utterances are
132
372000
3000
stopień złożoności wypowiedzi opiekuna
06:30
based on the length of utterances.
133
375000
2000
w oparciu o długość wypowiedzi.
06:32
And the [horizontal] axis is time.
134
377000
3000
A oś pozioma to czas.
06:35
And all of the data,
135
380000
2000
Wszystkie te dane
06:37
we aligned based on the following idea:
136
382000
3000
zestawiliśmy w oparciu o następującą myśl:
06:40
Every time my son would learn a word,
137
385000
3000
za każdym razem, kiedy mój syn nauczył się nowego słowa,
06:43
we would trace back and look at all of the language he heard
138
388000
3000
prześledziliśmy cały wkład językowy, który otrzymał
06:46
that contained that word.
139
391000
2000
i który zawierał to słowo.
06:48
And we would plot the relative length of the utterances.
140
393000
4000
Sporządziliśmy względną długość wypowiedzi.
06:52
And what we found was this curious phenomena,
141
397000
3000
I odkryliśmy ciekawe zjawisko, które polega na tym,
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
że mowa opiekuna systematycznie spada do minimum,
06:58
making language as simple as possible,
143
403000
3000
upraszczając język do granic możliwości,
07:01
and then slowly ascend back up in complexity.
144
406000
3000
a następnie powoli znowu staje się bardziej skomplikowana.
07:04
And the amazing thing was
145
409000
2000
Niesamowite było właśnie
07:06
that bounce, that dip,
146
411000
2000
to odbicie, ten spadek,
07:08
lined up almost precisely
147
413000
2000
skoordynowany prawie dokładnie
07:10
with when each word was born --
148
415000
2000
z początkiem narodzin każdego słowa -
07:12
word after word, systematically.
149
417000
2000
słowo po słowie, systematycznie.
07:14
So it appears that all three primary caregivers --
150
419000
2000
Wygląda więc na to, że trzech głównych opiekunów -
07:16
myself, my wife and our nanny --
151
421000
3000
ja sam, moja żona i nasza niania -
07:19
were systematically and, I would think, subconsciously
152
424000
3000
systematycznie i, jak sądzę, podświadomie,
07:22
restructuring our language
153
427000
2000
rekonstruowaliśmy swoją mowę
07:24
to meet him at the birth of a word
154
429000
3000
aby asystować mojemu synowi przy narodzinach słowa
07:27
and bring him gently into more complex language.
155
432000
4000
i łagodnie wprowadzić go w bardziej złożony język.
07:31
And the implications of this -- there are many,
156
436000
2000
Jest wiele implikacji tego odkrycia,
07:33
but one I just want to point out,
157
438000
2000
ale chciałbym wskazać na jedną z nich,
07:35
is that there must be amazing feedback loops.
158
440000
3000
że muszą istnieć niesamowite pętle przyczynowo-skutkowe.
07:38
Of course, my son is learning
159
443000
2000
Oczywiście mój syn uczy się
07:40
from his linguistic environment,
160
445000
2000
ze swojego środowiska językowego,
07:42
but the environment is learning from him.
161
447000
3000
ale środowisko uczy się od niego.
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
Otoczenie, ludzie, znajdują się w tych szczelnych pętlach przyczynowo-skutkowych
07:48
and creating a kind of scaffolding
163
453000
2000
i tworzą rodzaj rusztowania,
07:50
that has not been noticed until now.
164
455000
3000
które do tej pory nie zostało dostrzeżone.
07:54
But that's looking at the speech context.
165
459000
2000
Wszystko to jest analizą kontekstu językowego.
07:56
What about the visual context?
166
461000
2000
Co więc z kontekstem wizualnym?
07:58
We're not looking at --
167
463000
2000
Widzimy teraz -
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
przyjmijmy, że to przekrój naszego domu w stylu domku dla lalek
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
Zastosowaliśmy kamery o kolistych soczewkach typu rybie oko
08:05
and we've done some optical correction,
170
470000
2000
i dokonaliśmy pewnej korekty optycznej,
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
a następnie wprowadziliśmy je do trójwymiarowego życia.
08:11
So welcome to my home.
172
476000
2000
Witam więc w moim domu.
08:13
This is a moment,
173
478000
2000
To jest moment,
08:15
one moment captured across multiple cameras.
174
480000
3000
jeden moment uchwycony wieloma kamerami.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
Powódem, dla którego to zrobiliśmy było stworzenie jedynej w swoim rodzaju maszyny pamięciowej,
08:21
where you can go back and interactively fly around
176
486000
3000
w której można się cofać w czasie i korzystać w sposób interaktywny,
08:24
and then breathe video-life into this system.
177
489000
3000
a następnie tchnąć nagrane życie w ten system.
08:27
What I'm going to do
178
492000
2000
Pokażę wam teraz
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
przyspieszoną wersję trwającego 30 minut nagrania
08:32
again, of just life in the living room.
180
497000
2000
ze zwykłego życia w salonie.
08:34
That's me and my son on the floor.
181
499000
3000
To ja i mój syn na podłodze.
08:37
And there's video analytics
182
502000
2000
Widać tutaj analitykę video,
08:39
that are tracking our movements.
183
504000
2000
która śledzi nasze ruchy.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
Mój syn pozostawia ślad czerwony, a ja - zielony.
08:44
We're now on the couch,
185
509000
2000
Siedzimy teraz na kanapie,
08:46
looking out through the window at cars passing by.
186
511000
3000
patrząc przez okno na przejeżdżające samochody.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
I wreszcie mój syn sam bawi się w chodziku.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
Teraz zatrzymujemy akcję, 30 minut,
08:55
we turn time into the vertical axis,
189
520000
2000
zmieniamy czas w oś pionową
08:57
and we open up for a view
190
522000
2000
i otrzymujemy perspektywę
08:59
of these interaction traces we've just left behind.
191
524000
3000
tych śladów interakcji, które zostawiliśmy za sobą.
09:02
And we see these amazing structures --
192
527000
3000
Widać tu te niesamowite konstrukcje,
09:05
these little knots of two colors of thread
193
530000
3000
supełki dwóch kolorów nici,
09:08
we call "social hot spots."
194
533000
2000
które nazywamy społecznymi miejscami aktywnymi.
09:10
The spiral thread
195
535000
2000
Spiralną nić
09:12
we call a "solo hot spot."
196
537000
2000
nazywamy pojedyńczym miejscem aktywnym
09:14
And we think that these affect the way language is learned.
197
539000
3000
Sądzimy, że punkty te wpływają na to, w jaki sposób uczymy się języka.
09:17
What we'd like to do
198
542000
2000
Chcielibyśmy
09:19
is start understanding
199
544000
2000
zacząć rozumieć
09:21
the interaction between these patterns
200
546000
2000
relację pomiędzy tymi prawidłowościami
09:23
and the language that my son is exposed to
201
548000
2000
i językiem, z jakim ma kontakt mój syn,
09:25
to see if we can predict
202
550000
2000
aby spróbować przewidzieć,
09:27
how the structure of when words are heard
203
552000
2000
w jaki sposób struktura momentu, w którym dziecko słyszy słowa
09:29
affects when they're learned --
204
554000
2000
wpływa na to, kiedy ich się uczy -
09:31
so in other words, the relationship
205
556000
2000
innymi słowy, związek
09:33
between words and what they're about in the world.
206
558000
4000
słów i tym co reprezentują.
09:37
So here's how we're approaching this.
207
562000
2000
Dokonujemy tego w taki sposób.
09:39
In this video,
208
564000
2000
Na tym filmie
09:41
again, my son is being traced out.
209
566000
2000
mój syn po raz kolejny pozostawia za sobą ślad.
09:43
He's leaving red ink behind.
210
568000
2000
Czerwony.
09:45
And there's our nanny by the door.
211
570000
2000
Przy drzwiach stoi niania.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(Video) Niania: Chcesz wody? (Dziecko: Aaaa)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
Niania: W porządku. (Dziecko: Aaaa)
09:53
DR: She offers water,
214
578000
2000
DR: Niania proponuje wodę,
09:55
and off go the two worms
215
580000
2000
i oba "robaki" idą
09:57
over to the kitchen to get water.
216
582000
2000
do kuchni po wodę.
09:59
And what we've done is use the word "water"
217
584000
2000
Wykorzystaliśmy słowo "water" (woda),
10:01
to tag that moment, that bit of activity.
218
586000
2000
żeby oznakować ten moment, tę krótką czynność.
10:03
And now we take the power of data
219
588000
2000
Korzystamy teraz z potęgi danych
10:05
and take every time my son
220
590000
3000
i analizujemy każdy moment, kiedy mój syn
10:08
ever heard the word water
221
593000
2000
usłyszał słowo "water" (woda)
10:10
and the context he saw it in,
222
595000
2000
i kontekst, w którym ją zobaczył.
10:12
and we use it to penetrate through the video
223
597000
3000
Wykorzystujemy te dane, żeby przeanalizować film
10:15
and find every activity trace
224
600000
3000
i odnaleźć każdy ślad czynności,
10:18
that co-occurred with an instance of water.
225
603000
3000
który wystąpił z przykładem wody.
10:21
And what this data leaves in its wake
226
606000
2000
Dane te pozostawiają za sobą
10:23
is a landscape.
227
608000
2000
krajobraz.
10:25
We call these wordscapes.
228
610000
2000
Nazywamy je wordscapes (ang. "word" - słowo + "-scape" - obraz, scena)
10:27
This is the wordscape for the word water,
229
612000
2000
To jest wordscape dla słowa "woda"
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
i jak możecie zauważyć, większość sytuacji ma miejsce w kuchni.
10:31
That's where those big peaks are over to the left.
231
616000
3000
Oznaczone są one tymi wysokimi wierzchołkami po lewej stronie.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
W celu porównania, możemy dokonać podobnej analizy każdego słowa.
10:37
We can take the word "bye"
233
622000
2000
Weźmy słowo "bye"
10:39
as in "good bye."
234
624000
2000
w sensie "do widzenia".
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
Zrobiliśmy zbliżenie wejścia do domu.
10:43
And we look, and we find, as you would expect,
236
628000
3000
Widzimy, tak jak przypuszczaliście,
10:46
a contrast in the landscape
237
631000
2000
kontrast w krajobrazie,
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
gdzie słowo "do widzenia" pojawia się w sposób znacznie bardziej zorganizowany.
10:51
So we're using these structures
239
636000
2000
Korzystamy więc z tych konstrukcji,
10:53
to start predicting
240
638000
2000
aby zacząć przewidywać
10:55
the order of language acquisition,
241
640000
3000
kolejność akwizycji języka,
10:58
and that's ongoing work now.
242
643000
2000
prace nad tym zagadnieniem właśnie trwają,
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
w moim laboratorium w MIT, do którego właśnie zaglądamy,
11:03
this is at the media lab.
244
648000
2000
to jest w media lab.
11:05
This has become my favorite way
245
650000
2000
Stało się to moim ulubionym sposobem
11:07
of videographing just about any space.
246
652000
2000
videografowania praktycznie każdej przestrzeni.
11:09
Three of the key people in this project,
247
654000
2000
Trzy kluczowe osoby w tym projekcie,
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
Philip DeCamp, Rony Kubat i Brandon Roy są tutaj pokazane.
11:14
Philip has been a close collaborator
249
659000
2000
Philip jest moim bliskim współpracownikiem
11:16
on all the visualizations you're seeing.
250
661000
2000
we wszystkich wizualizacjach, które oglądacie.
11:18
And Michael Fleischman
251
663000
3000
Michael Fleischman
11:21
was another Ph.D. student in my lab
252
666000
2000
był kolejnym doktorantem w moim laboratorium,
11:23
who worked with me on this home video analysis,
253
668000
3000
który pracował ze mną nad analizą tego amatorskiego nagrania
11:26
and he made the following observation:
254
671000
3000
i dokonał następujących obserwacji:
11:29
that "just the way that we're analyzing
255
674000
2000
"W ten sam sposób, w jaki analizujemy
11:31
how language connects to events
256
676000
3000
związek języka z wydarzeniami,
11:34
which provide common ground for language,
257
679000
2000
które dostarczają językowi wspólnej płaszczyzny,
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
tę samą technikę, Deb, możemy wykorzystać poza domem,
11:40
and we can apply it to the world of public media."
259
685000
3000
i zastosować ją w świecie mediów publicznych".
11:43
And so our effort took an unexpected turn.
260
688000
3000
Wysiłki nasze przybrały więc nieoczekiwany zwrot.
11:46
Think of mass media
261
691000
2000
Wyobraźcie sobie środki masowego przekazu
11:48
as providing common ground
262
693000
2000
dostarczające wspólnej płaszczyzny
11:50
and you have the recipe
263
695000
2000
i mamy gotowy przepis
11:52
for taking this idea to a whole new place.
264
697000
3000
na wykorzystanie tego pomysłu w zupełnie nowy sposób.
11:55
We've started analyzing television content
265
700000
3000
Zaczęliśmy analizować treść programów telewizyjnych
11:58
using the same principles --
266
703000
2000
korzystając z tej samej zasady -
12:00
analyzing event structure of a TV signal --
267
705000
3000
analizując strukturę wydarzenia sygnału telewizyjnego -
12:03
episodes of shows,
268
708000
2000
odcinków programów,
12:05
commercials,
269
710000
2000
reklam,
12:07
all of the components that make up the event structure.
270
712000
3000
wszystkich elementów, które składają się na strukturę wydarzenia.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
I teraz przy pomocy anten satelitarnych wydobywamy i analizujemy
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
sporą część wszystkich programów telewizyjnych oglądanych w Stanach Zjednoczonych.
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
Nie potrzeba już umieszczać mikrofonów w salonie,
12:19
to get people's conversations,
274
724000
2000
żeby usłyszeć rozmowy,
12:21
you just tune into publicly available social media feeds.
275
726000
3000
po prostu ustawia się odbiór publicznie dostępnych kanałów mediów społecznych.
12:24
So we're pulling in
276
729000
2000
Mamy dostęp do
12:26
about three billion comments a month,
277
731000
2000
około trzech miliardów komentarzy na miesiąc.
12:28
and then the magic happens.
278
733000
2000
Potem dzieje się rzecz magiczna.
12:30
You have the event structure,
279
735000
2000
Mamy strukturę wydarzenia,
12:32
the common ground that the words are about,
280
737000
2000
wspólną płaszczyznę opisaną słowami,
12:34
coming out of the television feeds;
281
739000
3000
wyłaniającą się z kanałów telewizyjnych;
12:37
you've got the conversations
282
742000
2000
mamy rozmowy
12:39
that are about those topics;
283
744000
2000
na te tematy;
12:41
and through semantic analysis --
284
746000
3000
poprzez analizę semantyczną -
12:44
and this is actually real data you're looking at
285
749000
2000
patrzycie teraz na rzeczywiste dane
12:46
from our data processing --
286
751000
2000
uzyskane metodą przetwarzania danych -
12:48
each yellow line is showing a link being made
287
753000
3000
każda żółta linia pokazuje związek
12:51
between a comment in the wild
288
756000
3000
między komentarzem w społeczeństwie
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
a fragmentem struktury wydarzenia pochodzącym od sygnału telewizyjnego.
12:57
And the same idea now
290
762000
2000
Tę samą ideę
12:59
can be built up.
291
764000
2000
można nasilić.
13:01
And we get this wordscape,
292
766000
2000
W ten sposób otrzymujemy wordscape,
13:03
except now words are not assembled in my living room.
293
768000
3000
z wyjątkiem tego, że słowa nie są teraz gromadzone w moim salonie.
13:06
Instead, the context, the common ground activities,
294
771000
4000
Zamiast tego, kontekstem, czynnościami na wspólnej płaszczyźnie,
13:10
are the content on television that's driving the conversations.
295
775000
3000
są treści programów telewizyjnych, które napędzają te rozmowy.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
Te drapacze chmur, na które teraz patrzymy
13:16
are commentary
297
781000
2000
to komentarze,
13:18
that are linked to content on television.
298
783000
2000
które powiązane są z treściami w telewizji.
13:20
Same concept,
299
785000
2000
To samo pojęcie,
13:22
but looking at communication dynamics
300
787000
2000
ale patrząc na dynamikę komunikacji
13:24
in a very different sphere.
301
789000
2000
w zupełnie odmiennej sferze.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
Zasadniczo więc, zamiast, na przykład
13:28
measuring content based on how many people are watching,
303
793000
3000
pomiarów treści opartych na liczbie osób oglądających programy,
13:31
this gives us the basic data
304
796000
2000
dostarcza nam to podstawowych danych,
13:33
for looking at engagement properties of content.
305
798000
3000
aby przyjrzeć się właściwościom treści, które wzbudzają zainteresowanie odbiorców.
13:36
And just like we can look at feedback cycles
306
801000
3000
W taki sam sposób jak przyglądamy się cyklom przyczynowo-skutkowym
13:39
and dynamics in a family,
307
804000
3000
i dynamice rodziny,
13:42
we can now open up the same concepts
308
807000
3000
możemy teraz poszerzyć te same pojęcia
13:45
and look at much larger groups of people.
309
810000
3000
i przyjrzeć się znacznie większej grupie ludzi.
13:48
This is a subset of data from our database --
310
813000
3000
To jest podzbiór danych z naszej bazy -
13:51
just 50,000 out of several million --
311
816000
3000
jedynie 50 tys. z kilku milionów -
13:54
and the social graph that connects them
312
819000
2000
i wykres społeczny, który je łączy
13:56
through publicly available sources.
313
821000
3000
poprzez publicznie dostępne źródła.
13:59
And if you put them on one plain,
314
824000
2000
I jeśli postawimy je na jednej płaszczyźnie,
14:01
a second plain is where the content lives.
315
826000
3000
na drugiej płaszczyźnie znajduje się treść.
14:04
So we have the programs
316
829000
3000
Mamy więc programy
14:07
and the sporting events
317
832000
2000
i wydarzenia sportowe,
14:09
and the commercials,
318
834000
2000
reklamy,
14:11
and all of the link structures that tie them together
319
836000
2000
i wszystkie struktury łączące, które je ze sobą wiążą
14:13
make a content graph.
320
838000
2000
składają się na wykres oparty o treść.
14:15
And then the important third dimension.
321
840000
4000
Czas na ważny, trzeci wymiar.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
Każdy ze związków tu przedstawionych
14:21
is an actual connection made
323
846000
2000
stanowi rzeczywisty związek
14:23
between something someone said
324
848000
3000
pomiędzy wypowiedzią,
14:26
and a piece of content.
325
851000
2000
a elementem treści.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
Obecnie dysponujemy dziesiątkami milionów takich związków,
14:31
that give us the connective tissue of social graphs
327
856000
3000
które dostarczają nam tkanki łącznej wykresów społecznych
14:34
and how they relate to content.
328
859000
3000
i informacji o tym, jak odnoszą się one do treści.
14:37
And we can now start to probe the structure
329
862000
2000
Możemy teraz rozpocząć badanie struktury
14:39
in interesting ways.
330
864000
2000
na interesujące sposoby.
14:41
So if we, for example, trace the path
331
866000
3000
A więc jeśli, na przykład, prześledzimy drogę
14:44
of one piece of content
332
869000
2000
jednego elementu treści,
14:46
that drives someone to comment on it,
333
871000
2000
który wywołuje komentarz,
14:48
and then we follow where that comment goes,
334
873000
3000
a następnie prześledzimy dokąd ten komentarz zmierza,
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
i przyjrzymy się całemu wykresowi społecznemu, który się uaktywnia,
14:54
and then trace back to see the relationship
336
879000
3000
a następnie wrócimy do związku
14:57
between that social graph and content,
337
882000
2000
pomiędzy tym wykresem społecznym i treścią,
14:59
a very interesting structure becomes visible.
338
884000
2000
pojawia się bardzo interesująca struktura.
15:01
We call this a co-viewing clique,
339
886000
2000
Nazywamy ją 'wspólnie oglądającą grupą'
15:03
a virtual living room if you will.
340
888000
3000
wirtualnym salonem, jeśli wolicie.
15:06
And there are fascinating dynamics at play.
341
891000
2000
Ma tu miejsce fascynująca dynamika.
15:08
It's not one way.
342
893000
2000
Niejednostronna.
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
Element treści, wydarzenie, zmusza ludzi do mówienia.
15:13
They talk to other people.
344
898000
2000
Rozmawiają oni z innymi ludźmi.
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
Zestrojone zachowanie wraca z powrotem do mediów
15:18
and you have these cycles
346
903000
2000
i otrzymujemy procesy cykliczne,
15:20
that drive the overall behavior.
347
905000
2000
które napędzają ogólne zachowanie.
15:22
Another example -- very different --
348
907000
2000
Inny przykład - bardzo różny -
15:24
another actual person in our database --
349
909000
3000
kolejna faktyczna osoba w naszej bazie danych -
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
znajdujemy ich przynajmniej setki, jeśli nie tysiące.
15:30
We've given this person a name.
351
915000
2000
Nadaliśmy tej osobie imię.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
Jest to zawodowy amator, krytyk medialny,
15:35
who has this high fan-out rate.
353
920000
3000
wiele z jego opinii odbija się szerokim echem.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
Wielu ludzi interesuje się tym, co ta wpływowa osoba ma do powiedzenia,
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
i wypowiada się na temat tego, co jest w telewizji.
15:43
So this person is a key link
356
928000
3000
Osoba ta jest głównym ogniwem
15:46
in connecting mass media and social media together.
357
931000
3000
łączącym ze sobą mass media i media społeczne.
15:49
One last example from this data:
358
934000
3000
Ostatni przykład pochodzący z tych danych:
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
czasami to właśnie element treści ma szczególne znaczenie.
15:55
So if we go and look at this piece of content,
360
940000
4000
A więc jeśli przyjrzymy się temu elementowi,
15:59
President Obama's State of the Union address
361
944000
3000
orędziu noworocznemu prezydenta Obamy
16:02
from just a few weeks ago,
362
947000
2000
sprzed zaledwie kilku tygodni,
16:04
and look at what we find in this same data set,
363
949000
3000
i przyjrzymy się temu, co znajduje się w tym samym zbiorze danych,
16:07
at the same scale,
364
952000
3000
w tej samej skali,
16:10
the engagement properties of this piece of content
365
955000
2000
właściwości tej treści, które wzbudzają zainteresowanie
16:12
are truly remarkable.
366
957000
2000
są naprawdę niezwykłe.
16:14
A nation exploding in conversation
367
959000
2000
Naród toczący dyskusję
16:16
in real time
368
961000
2000
w czasie rzeczywistym
16:18
in response to what's on the broadcast.
369
963000
3000
w odpowiedzi na treść programu.
16:21
And of course, through all of these lines
370
966000
2000
I oczywiście wszystkie słowa
16:23
are flowing unstructured language.
371
968000
2000
to potok luźnej mowy.
16:25
We can X-ray
372
970000
2000
Możemy prześwietlić
16:27
and get a real-time pulse of a nation,
373
972000
2000
i poczuć tętno narodu w czasie rzeczywistym,
16:29
real-time sense
374
974000
2000
rzeczywiste odczucie
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
reakcji społecznych w różnych cyklach na wykresie społecznym
16:34
being activated by content.
376
979000
3000
wywołanych treścią.
16:37
So, to summarize, the idea is this:
377
982000
3000
Podsumuję następującą myślą:
16:40
As our world becomes increasingly instrumented
378
985000
3000
świat staje się wyposażony w coraz różniejsze przyrządy
16:43
and we have the capabilities
379
988000
2000
i dysponujemy możliwością
16:45
to collect and connect the dots
380
990000
2000
zbierania i łączenia punkcików
16:47
between what people are saying
381
992000
2000
pomiędzy tym co mówią ludzie,
16:49
and the context they're saying it in,
382
994000
2000
a kontekstem.
16:51
what's emerging is an ability
383
996000
2000
Wyłania się z tego umiejętność
16:53
to see new social structures and dynamics
384
998000
3000
dostrzegania nowych struktur społecznych i dynamiki,
16:56
that have previously not been seen.
385
1001000
2000
które poprzednio pozostawały niezauważone.
16:58
It's like building a microscope or telescope
386
1003000
2000
To tak jak budowanie mikroskopu lub teleskopu
17:00
and revealing new structures
387
1005000
2000
i ukazywanie nowych struktur
17:02
about our own behavior around communication.
388
1007000
3000
na temat naszego zachowania i komunikacji.
17:05
And I think the implications here are profound,
389
1010000
3000
Myślę, że implikacje są przemożne,
17:08
whether it's for science,
390
1013000
2000
zarówno dla nauki,
17:10
for commerce, for government,
391
1015000
2000
jak i handlu, rządu,
17:12
or perhaps most of all,
392
1017000
2000
a może nawet najbardziej
17:14
for us as individuals.
393
1019000
3000
dla nas jako jednostek.
17:17
And so just to return to my son,
394
1022000
3000
Wróćmy więc do mojego syna,
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
kiedy przygotowywałem ten wykład, patrzył mi przez ramię
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
i pokazałem mu fragmenty video, które obejrzeliście.
17:25
and I asked him for permission -- granted.
397
1030000
3000
Zapytałem o pozwolenie - udzielił mi go.
17:28
And then I went on to reflect,
398
1033000
2000
Zacząłem się zastanawiać:
17:30
"Isn't it amazing,
399
1035000
3000
"To niewiarygodne,
17:33
this entire database, all these recordings,
400
1038000
3000
całą tę bazę danych, wszystkie nagrania,
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
przekażę tobie i twojej siostrze",
17:38
who arrived two years later --
402
1043000
3000
która pojawiła się na świecie dla lata później.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"I będziecie mogli powrócić do przeszłości i przeżyć na nowo te momenty,
17:44
that you could never, with your biological memory,
404
1049000
3000
których nigdy nie bylibyście w stanie swoją pamięcią biologiczną
17:47
possibly remember the way you can now?"
405
1052000
2000
zapamiętać tak, jak teraz, dysponując tymi nagraniami".
17:49
And he was quiet for a moment.
406
1054000
2000
Przez chwilę nic nie mówił.
17:51
And I thought, "What am I thinking?
407
1056000
2000
I pomyślałem: "Co jak sobie myślę?
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
Mój syn ma pięć lat. Nie zrozumie".
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
I w momencie, kiedy tak myślałem, spojrzał na mnie i powiedział:
17:58
"So that when I grow up,
410
1063000
2000
"A więc kiedy dorosnę,
18:00
I can show this to my kids?"
411
1065000
2000
mogę pokazać to moim dzieciom?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
I pomyślałem: "No, no! To jest naprawdę potężne".
18:05
So I want to leave you
413
1070000
2000
Chciałbym zakończyć
18:07
with one last memorable moment
414
1072000
2000
jeszcze jedną niezapomnianą chwilą
18:09
from our family.
415
1074000
3000
z życia mojej rodziny.
18:12
This is the first time our son
416
1077000
2000
Tutaj nasz syn po raz pierwszy
18:14
took more than two steps at once --
417
1079000
2000
zrobił więcej niż dwa kroki naraz -
18:16
captured on film.
418
1081000
2000
uchwycone na filmie.
18:18
And I really want you to focus on something
419
1083000
3000
Chciałbym, żebyście skoncentrowali się na czymś,
18:21
as I take you through.
420
1086000
2000
w czasie oglądania.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
Otoczenie jest trochę zagracone - normalne życie.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
Moja mama gotuje w kuchni,
18:27
and, of all places, in the hallway,
423
1092000
2000
a ja w korytarzu, ostatnim miejscu na ziemi,
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
zdałem sobię sprawę, że mój syn właśnie zaraz zrobi więcej niż jeden krok.
18:32
And so you hear me encouraging him,
425
1097000
2000
Usłyszycie, jak go zachęcam,
18:34
realizing what's happening,
426
1099000
2000
zdając sobie sprawę z tego, co się dzieje.
18:36
and then the magic happens.
427
1101000
2000
Wtedy stała się rzecz magiczna.
18:38
Listen very carefully.
428
1103000
2000
Posłuchajcie uważnie.
18:40
About three steps in,
429
1105000
2000
Po trzech krokach
18:42
he realizes something magic is happening,
430
1107000
2000
on sam zdaje sobie sprawę z tego, że dzieje się coś magicznego
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
i uruchamia się najbardziej niesamowita pętla przyczynowo-skutkowa,
18:47
and he takes a breath in,
432
1112000
2000
bierze on wdech
18:49
and he whispers "wow"
433
1114000
2000
i szepce "wow",
18:51
and instinctively I echo back the same.
434
1116000
4000
a ja instynktownie powtarzam to samo.
18:56
And so let's fly back in time
435
1121000
3000
Przenieśmy się więc w czasie
18:59
to that memorable moment.
436
1124000
2000
do tej niezapomnianej chwili.
19:05
(Video) DR: Hey.
437
1130000
2000
(Video) DR: Hej!
19:07
Come here.
438
1132000
2000
Chodź tutaj.
19:09
Can you do it?
439
1134000
3000
Potrafisz to zrobić?
19:13
Oh, boy.
440
1138000
2000
O rany!
19:15
Can you do it?
441
1140000
3000
Potrafisz to zrobić?
19:18
Baby: Yeah.
442
1143000
2000
Dziecko: Tak
19:20
DR: Ma, he's walking.
443
1145000
3000
DR: Mamo, on chodzi.
19:24
(Laughter)
444
1149000
2000
(Śmiech)
19:26
(Applause)
445
1151000
2000
(Brawa)
19:28
DR: Thank you.
446
1153000
2000
DR: Dziękuję
19:30
(Applause)
447
1155000
15000
(Brawa)
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