TED2016
Mariano Sigman: Your words may predict your future mental health
Mariano Sigman: Twoje słowa a przyszły stan zdrowia psychicznego
Filmed:
Readability: 4.5
3,146,887 views
Czy twój sposób wysławiania może pozwolić przewidzieć twój stan umysłu w przyszłości, a nawet przewidzieć rozwój psychozy? W tej fascynującej prelekcji neurobiolog Mariano Sigman cofa się do starożytnej Grecji i początków introspekcji, żeby zbadać, jak nasze słowa odzwierciedlają życie wewnętrzne i przedstawia algorytm mapujący słowa, który miałby pomóc przewidzieć wystąpienie schizofrenii. „W przyszłości podejście do zdrowia psychicznego", mówi Sigman, „może opierać się na obiektywnej, ilościowej i zautomatyzowanej analizie mówionych i pisanych słów".
Mariano Sigman - Neuroscientist
In his provocative, mind-bending book "The Secret Life of the Mind," neuroscientist Mariano Sigman reveals his life’s work exploring the inner workings of the human brain. Full bio
In his provocative, mind-bending book "The Secret Life of the Mind," neuroscientist Mariano Sigman reveals his life’s work exploring the inner workings of the human brain. Full bio
Double-click the English transcript below to play the video.
00:13
We have historical records that allow us
to know how the ancient Greeks dressed,
to know how the ancient Greeks dressed,
0
1006
5150
Mamy dane historyczne, dzięki którym
wiemy, jak ubierali się starożytni Grecy,
wiemy, jak ubierali się starożytni Grecy,
00:18
how they lived,
1
6180
1254
jak żyli,
00:19
how they fought ...
2
7458
1522
jak walczyli...
00:21
but how did they think?
3
9004
1524
ale jak myśleli?
00:23
One natural idea is that the deepest
aspects of human thought --
aspects of human thought --
4
11432
4440
Jeden z poglądów przyjmuje,
że najgłębsze aspekty ludzkiej myśli,
że najgłębsze aspekty ludzkiej myśli,
00:27
our ability to imagine,
5
15896
1872
nasza zdolność wyobraźni,
00:29
to be conscious,
6
17792
1397
świadomości,
00:31
to dream --
7
19213
1231
marzeń,
00:32
have always been the same.
8
20468
1619
zawsze były takie same.
00:34
Another possibility
9
22872
1499
Inna możliwość to
00:36
is that the social transformations
that have shaped our culture
that have shaped our culture
10
24395
3723
że zmiany społeczne,
które ukształtowały naszą kulturę,
które ukształtowały naszą kulturę,
00:40
may have also changed
the structural columns of human thought.
the structural columns of human thought.
11
28142
3785
mogły również zmienić
strukturalny podział myśli.
strukturalny podział myśli.
00:44
We may all have different
opinions about this.
opinions about this.
12
32911
2524
Opinie na ten temat mogą się różnić.
00:47
Actually, it's a long-standing
philosophical debate.
philosophical debate.
13
35459
2717
To w zasadzie
odwieczny dylemat filozoficzny.
odwieczny dylemat filozoficzny.
00:50
But is this question
even amenable to science?
even amenable to science?
14
38644
2727
Ale czy to pytanie da się zbadać naukowo?
00:54
Here I'd like to propose
15
42834
2506
Chciałbym zaproponować,
00:57
that in the same way we can reconstruct
how the ancient Greek cities looked
how the ancient Greek cities looked
16
45364
4772
żeby tak, jak odtwarzamy
wygląd starożytnych greckich miast
wygląd starożytnych greckich miast
01:02
just based on a few bricks,
17
50160
2388
na podstawie kilku cegieł,
01:04
that the writings of a culture
are the archaeological records,
are the archaeological records,
18
52572
4126
przyjąć, że zapisy kulturowe
to dane archeologiczne,
to dane archeologiczne,
01:08
the fossils, of human thought.
19
56722
2143
skamieliny ludzkiej myśli.
01:11
And in fact,
20
59905
1174
I faktycznie,
01:13
doing some form of psychological analysis
21
61103
2206
dokonując pewnej formy
analizy psychologicznej
analizy psychologicznej
01:15
of some of the most ancient
books of human culture,
books of human culture,
22
63333
3544
kilku z najstarszych ksiąg
z ludzkiego dorobku,
z ludzkiego dorobku,
01:18
Julian Jaynes came up in the '70s
with a very wild and radical hypothesis:
with a very wild and radical hypothesis:
23
66901
5955
w latach 70. Julian Jaynes wysnuł
bardzo odważną hipotezę:
bardzo odważną hipotezę:
01:24
that only 3,000 years ago,
24
72880
2413
żyjący 3000 lat temu ludzie
01:27
humans were what today
we would call schizophrenics.
we would call schizophrenics.
25
75317
4888
dzisiaj uchodziliby za schizofreników.
01:33
And he made this claim
26
81753
1508
Stwierdził to w oparciu o fakt,
01:35
based on the fact that the first
humans described in these books
humans described in these books
27
83285
3301
że pierwsi ludzie opisani w tych księgach
01:38
behaved consistently,
28
86610
1904
niezmiennie zachowywali się,
01:40
in different traditions
and in different places of the world,
and in different places of the world,
29
88538
3016
niezależnie od tradycji czy miejsca,
01:43
as if they were hearing and obeying voices
30
91578
3532
jak gdyby słyszeli i słuchali głosów
01:47
that they perceived
as coming from the Gods,
as coming from the Gods,
31
95134
3040
ich zdaniem pochodzących od bogów
01:50
or from the muses ...
32
98198
1198
lub od muz...
01:52
what today we would call hallucinations.
33
100063
2769
Co dzisiaj nazwalibyśmy halucynacjami.
01:55
And only then, as time went on,
34
103888
2626
Dopiero z upływem czasu
01:58
they began to recognize
that they were the creators,
that they were the creators,
35
106538
3651
zaczynali rozumieć,
że to oni byli twórcami,
że to oni byli twórcami,
02:02
the owners of these inner voices.
36
110213
2515
właścicielami tych wewnętrznych głosów.
02:05
And with this, they gained introspection:
37
113316
2715
W ten sposób zyskali introspekcję:
02:08
the ability to think
about their own thoughts.
about their own thoughts.
38
116055
2483
umiejętność myślenia
o swoich własnych myślach.
o swoich własnych myślach.
02:11
So Jaynes's theory is that consciousness,
39
119785
3397
Według teorii Jaynesa świadomość,
02:15
at least in the way we perceive it today,
40
123206
3166
przynajmniej tak,
jak postrzegamy ją dzisiaj,
jak postrzegamy ją dzisiaj,
02:18
where we feel that we are the pilots
of our own existence --
of our own existence --
41
126396
3540
gdzie uważamy się
za pilotów naszego istnienia,
za pilotów naszego istnienia,
02:21
is a quite recent cultural development.
42
129960
2737
jest stosunkowo nowym
osiągnięciem kulturowym.
osiągnięciem kulturowym.
02:25
And this theory is quite spectacular,
43
133456
1786
Ta teoria jest dosyć efektowna,
02:27
but it has an obvious problem
44
135266
1433
ale ma oczywistą wadę.
02:28
which is that it's built on just a few
and very specific examples.
and very specific examples.
45
136723
3992
Jest oparta na niewielu
i bardzo konkretnych przykładach.
i bardzo konkretnych przykładach.
02:33
So the question is whether the theory
46
141085
1763
Pytanie brzmi, czy teorię,
02:34
that introspection built up in human
history only about 3,000 years ago
history only about 3,000 years ago
47
142872
4751
że introspekcja wytworzyła się
w ludziach dopiero około 3000 lat temu
w ludziach dopiero około 3000 lat temu
02:39
can be examined in a quantitative
and objective manner.
and objective manner.
48
147647
2984
można zbadać w ilościowy
i obiektywny sposób.
i obiektywny sposób.
02:43
And the problem of how
to go about this is quite obvious.
to go about this is quite obvious.
49
151543
3563
Problem z takim badaniem jest jasny.
02:47
It's not like Plato woke up one day
and then he wrote,
and then he wrote,
50
155130
3460
Przecież Platon nie napisał ot, tak:
02:50
"Hello, I'm Plato,
51
158614
1659
"Cześć, jestem Platon
02:52
and as of today, I have
a fully introspective consciousness."
a fully introspective consciousness."
52
160297
2889
i od dzisiaj mam w pełni
introspektywną świadomość".
introspektywną świadomość".
02:55
(Laughter)
53
163210
2293
(Śmiech)
02:57
And this tells us actually
what is the essence of the problem.
what is the essence of the problem.
54
165527
3333
To wskazuje na sedno problemu.
03:01
We need to find the emergence
of a concept that's never said.
of a concept that's never said.
55
169467
4055
Musimy wykryć pojawienie się
pojęcia, o którym się nie mówi.
pojęcia, o którym się nie mówi.
03:06
The word introspection
does not appear a single time
does not appear a single time
56
174434
4310
Słowo introspekcja
ani razu nie pojawia się
ani razu nie pojawia się
03:10
in the books we want to analyze.
57
178768
1919
w analizowanych książkach.
03:13
So our way to solve this
is to build the space of words.
is to build the space of words.
58
181728
4087
Należałoby zbudować przestrzeń ze słów.
03:18
This is a huge space
that contains all words
that contains all words
59
186571
3287
To ogromna przestrzeń,
zawierająca wszystkie słowa
zawierająca wszystkie słowa
03:21
in such a way that the distance
between any two of them
between any two of them
60
189882
2802
tak, że dystans pomiędzy nimi
03:24
is indicative of how
closely related they are.
closely related they are.
61
192708
2883
wskazuje, jak blisko są powiązane.
03:28
So for instance,
62
196460
1151
Na przykład
03:29
you want the words "dog" and "cat"
to be very close together,
to be very close together,
63
197635
2897
słowa "pies" i "kot" powinny
być bardzo blisko siebie,
być bardzo blisko siebie,
03:32
but the words "grapefruit" and "logarithm"
to be very far away.
to be very far away.
64
200556
3831
a słowa "grejpfrut" i "logarytm" daleko.
03:36
And this has to be true
for any two words within the space.
for any two words within the space.
65
204809
3896
Musi tyczyć się to każdej
pary wyrazów w tej przestrzeni.
pary wyrazów w tej przestrzeni.
03:41
And there are different ways
that we can construct the space of words.
that we can construct the space of words.
66
209626
3341
Taką przestrzeń wyrazową
można stworzyć na wiele sposobów.
można stworzyć na wiele sposobów.
03:44
One is just asking the experts,
67
212991
1643
Można zapytać ekspertów,
03:46
a bit like we do with dictionaries.
68
214658
1896
tak jak pytamy słowniki.
03:48
Another possibility
69
216896
1428
Inna możliwość
03:50
is following the simple assumption
that when two words are related,
that when two words are related,
70
218348
3715
to zastosowanie prostego założenia,
że powiązane słowa
występują w tych samych zdaniach,
występują w tych samych zdaniach,
03:54
they tend to appear in the same sentences,
71
222087
2349
03:56
in the same paragraphs,
72
224460
1453
tych samych paragrafach,
03:57
in the same documents,
73
225937
1770
tych samych dokumentach,
03:59
more often than would be expected
just by pure chance.
just by pure chance.
74
227731
3182
częściej niż wskazywałby na to przypadek.
04:04
And this simple hypothesis,
75
232231
2050
Ta prosta hipoteza,
04:06
this simple method,
76
234305
1306
prosta metoda,
dzięki kilku sztuczkom obliczeniowym
04:07
with some computational tricks
77
235635
1607
04:09
that have to do with the fact
78
237266
1389
bo mamy do czynienia ze złożoną
i wielowymiarową przestrzenią,
i wielowymiarową przestrzenią,
04:10
that this is a very complex
and high-dimensional space,
and high-dimensional space,
79
238679
3064
04:13
turns out to be quite effective.
80
241767
1665
okazuje się skuteczna.
04:16
And just to give you a flavor
of how well this works,
of how well this works,
81
244155
2802
Żeby pokazać, jak dobrze to działa,
04:18
this is the result we get when
we analyze this for some familiar words.
we analyze this for some familiar words.
82
246981
3912
oto wyniki analizy kilku znanych słów.
04:23
And you can see first
83
251607
1185
Można zobaczyć,
04:24
that words automatically organize
into semantic neighborhoods.
into semantic neighborhoods.
84
252816
3278
że słowa automatycznie organizują się
w sąsiedztwa semantyczne.
w sąsiedztwa semantyczne.
04:28
So you get the fruits, the body parts,
85
256118
2217
Mamy owoce, części ciała,
części komputera,
pojęcia naukowe i tak dalej.
pojęcia naukowe i tak dalej.
04:30
the computer parts,
the scientific terms and so on.
the scientific terms and so on.
86
258359
2425
04:33
The algorithm also identifies
that we organize concepts in a hierarchy.
that we organize concepts in a hierarchy.
87
261119
4222
Algorytm również wykrywa,
że porządkujemy pojęcia w hierarchii.
że porządkujemy pojęcia w hierarchii.
04:37
So for instance,
88
265852
1151
Na przykład
04:39
you can see that the scientific terms
break down into two subcategories
break down into two subcategories
89
267027
3597
pojęcia naukowe dzielą się
na dwie subkategorie
na dwie subkategorie
04:42
of the astronomic and the physics terms.
90
270648
2100
pojęć astronomicznych i fizycznych.
04:45
And then there are very fine things.
91
273338
2246
Mamy też bardzo subtelne podziały.
04:47
For instance, the word astronomy,
92
275608
1905
Na przykład słowo "astronomia",
04:49
which seems a bit bizarre where it is,
93
277537
1815
które trochę tutaj dziwi,
04:51
is actually exactly where it should be,
94
279376
2048
jest tam, gdzie być powinno,
04:53
between what it is,
95
281448
1595
pomiędzy tym, czym jest,
04:55
an actual science,
96
283067
1270
czyli nauką,
04:56
and between what it describes,
97
284361
1536
a tym, co opisuje,
04:57
the astronomical terms.
98
285921
1492
czyli pojęciami astronomicznymi.
05:00
And we could go on and on with this.
99
288182
1891
Można dużo o tym mówić.
05:02
Actually, if you stare
at this for a while,
at this for a while,
100
290097
2060
Jeżeli się temu przyjrzeć
05:04
and you just build random trajectories,
101
292181
1858
i zbudować losowe trajektorie,
05:06
you will see that it actually feels
a bit like doing poetry.
a bit like doing poetry.
102
294063
3166
widać, że w zasadzie przypomina to poezję.
05:10
And this is because, in a way,
103
298018
1882
A to dlatego,
05:11
walking in this space
is like walking in the mind.
is like walking in the mind.
104
299924
2940
że wędrówka w tej przestrzeni
przypomina wędrówkę w umyśle.
przypomina wędrówkę w umyśle.
05:16
And the last thing
105
304027
1617
Wreszcie ten algorytm
05:17
is that this algorithm also identifies
what are our intuitions,
what are our intuitions,
106
305668
4040
określa nasze przypuszczenia
05:21
of which words should lead
in the neighborhood of introspection.
in the neighborhood of introspection.
107
309732
3896
odnośnie tego, które słowa
prowadzą do introspekcji.
prowadzą do introspekcji.
05:25
So for instance,
108
313652
1223
Na przykład
05:26
words such as "self," "guilt,"
"reason," "emotion,"
"reason," "emotion,"
109
314899
3979
słowa, jak "ja", "wina",
"powód", "emocja",
"powód", "emocja",
05:30
are very close to "introspection,"
110
318902
1889
są blisko słowa "introspekcja",
05:32
but other words,
111
320815
1151
ale inne słowa,
05:33
such as "red," "football,"
"candle," "banana,"
"candle," "banana,"
112
321990
2167
jak "czerwony", "piłka",
"świeczka", "banan",
"świeczka", "banan",
05:36
are just very far away.
113
324181
1452
są oddalone.
05:38
And so once we've built the space,
114
326054
2762
Po stworzeniu takiej przestrzeni
05:40
the question of the history
of introspection,
of introspection,
115
328840
2826
kwestia historii introspekcji
05:43
or of the history of any concept
116
331690
2333
albo historii jakiegokolwiek pojęcia,
05:46
which before could seem abstract
and somehow vague,
and somehow vague,
117
334047
4779
które mogłoby wydawać się
abstrakcyjne i niejasne,
abstrakcyjne i niejasne,
05:50
becomes concrete --
118
338850
1604
staje się wymierna,
05:52
becomes amenable to quantitative science.
119
340478
2738
otwarta na naukę ilościową.
05:56
All that we have to do is take the books,
120
344216
2762
Pozostaje tylko wziąć książki,
05:59
we digitize them,
121
347002
1381
zdigitalizować je,
06:00
and we take this stream
of words as a trajectory
of words as a trajectory
122
348407
2809
następnie przelać
strumień słów jako trajektorię
strumień słów jako trajektorię
06:03
and project them into the space,
123
351240
1969
i odwzorować je w przestrzeni,
06:05
and then we ask whether this trajectory
spends significant time
spends significant time
124
353233
3754
aby sprawdzić, czy ta trajektoria
krąży blisko pojęcia introspekcji.
06:09
circling closely to the concept
of introspection.
of introspection.
125
357011
2992
06:12
And with this,
126
360760
1196
W ten sposób
06:13
we could analyze
the history of introspection
the history of introspection
127
361980
2112
można przeanalizować historię introspekcji
06:16
in the ancient Greek tradition,
128
364116
1921
w tradycji starożytnej Grecji,
06:18
for which we have the best
available written record.
available written record.
129
366061
2602
która ma najlepiej zachowaną literaturę.
06:21
So what we did is we took all the books --
130
369631
2255
Wzięliśmy wszystkie księgi,
06:23
we just ordered them by time --
131
371910
2284
uporządkowaliśmy je chronologicznie
06:26
for each book we take the words
132
374218
1752
i słowa z każdej z książek
06:27
and we project them to the space,
133
375994
1961
odwzorowujemy w przestrzeni,
06:29
and then we ask for each word
how close it is to introspection,
how close it is to introspection,
134
377979
3032
a następnie sprawdzamy,
jak blisko są introspekcji
jak blisko są introspekcji
06:33
and we just average that.
135
381035
1230
i to uśredniamy.
06:34
And then we ask whether,
as time goes on and on,
as time goes on and on,
136
382590
3198
Później sprawdzamy, czy z upływem czasu
06:37
these books get closer,
and closer and closer
and closer and closer
137
385812
3252
książki stopniowo zbliżają się
06:41
to the concept of introspection.
138
389088
1754
do pojęcia introspekcji.
06:42
And this is exactly what happens
in the ancient Greek tradition.
in the ancient Greek tradition.
139
390866
3801
Otóż właśnie to ma miejsce
w greckiej tradycji.
w greckiej tradycji.
06:47
So you can see that for the oldest books
in the Homeric tradition,
in the Homeric tradition,
140
395698
3127
Można zobaczyć, że najstarsze
księgi tradycji homeryckiej
księgi tradycji homeryckiej
06:50
there is a small increase with books
getting closer to introspection.
getting closer to introspection.
141
398849
3412
zbliżają się do introspekcji powoli.
06:54
But about four centuries before Christ,
142
402285
2206
Natomiast 400 lat przed Chrystusem
06:56
this starts ramping up very rapidly
to an almost five-fold increase
to an almost five-fold increase
143
404515
4708
prawie 5-krotnie przyspiesza przybliżanie
07:01
of books getting closer,
and closer and closer
and closer and closer
144
409247
2500
do pojęcia introspekcji.
07:03
to the concept of introspection.
145
411771
1682
07:06
And one of the nice things about this
146
414159
2424
Jedną z zalet tego podejścia
jest możliwość sprawdzenia,
07:08
is that now we can ask
147
416607
1198
07:09
whether this is also true
in a different, independent tradition.
in a different, independent tradition.
148
417829
4147
czy dotyczy to również
innej, niezależnej tradycji.
innej, niezależnej tradycji.
07:14
So we just ran this same analysis
on the Judeo-Christian tradition,
on the Judeo-Christian tradition,
149
422962
3176
Przeprowadziliśmy podobną analizę
tradycji judeochrześcijańskiej
tradycji judeochrześcijańskiej
07:18
and we got virtually the same pattern.
150
426162
2721
i uzyskaliśmy praktycznie taki sam model.
07:21
Again, you see a small increase
for the oldest books in the Old Testament,
for the oldest books in the Old Testament,
151
429548
4635
Powolny wzrost w najstarszych
księgach Starego Testamentu,
księgach Starego Testamentu,
07:26
and then it increases much more rapidly
152
434207
1914
potem duże przyspieszenie
07:28
in the new books of the New Testament.
153
436145
1839
w późnych księgach Nowego Testamentu.
07:30
And then we get the peak of introspection
154
438008
2032
Kulminację introspekcji mamy
07:32
in "The Confessions of Saint Augustine,"
155
440064
2127
w "Wyznaniach" świętego Augustyna
07:34
about four centuries after Christ.
156
442215
1857
około 400 lat po Chrystusie.
07:36
And this was very important,
157
444897
1944
To ważne,
07:38
because Saint Augustine
had been recognized by scholars,
had been recognized by scholars,
158
446865
3373
bo święty Augustyn uchodzi wśród uczonych,
07:42
philologists, historians,
159
450262
2172
filologów, historyków,
07:44
as one of the founders of introspection.
160
452458
2078
za jednego z prekursorów introspekcji.
07:47
Actually, some believe him to be
the father of modern psychology.
the father of modern psychology.
161
455060
3297
W zasadzie niektórzy uważają go
za ojca współczesnej psychologii.
za ojca współczesnej psychologii.
07:51
So our algorithm,
162
459012
1839
Nasz algorytm ma następujące zalety:
07:52
which has the virtue
of being quantitative,
of being quantitative,
163
460875
2842
jest ilościowy,
07:55
of being objective,
164
463741
1263
obiektywny
07:57
and of course of being extremely fast --
165
465028
2016
i oczywiście niezwykle szybki,
07:59
it just runs in a fraction of a second --
166
467068
2397
działa w ułamku sekundy,
08:01
can capture some of the most
important conclusions
important conclusions
167
469489
3503
pozwala wysnuć najistotniejsze wnioski
08:05
of this long tradition of investigation.
168
473016
2222
w tej długiej tradycji dociekania.
08:08
And this is in a way
one of the beauties of science,
one of the beauties of science,
169
476317
3651
Tutaj tkwi piękno nauki,
08:11
which is that now this idea
can be translated
can be translated
170
479992
3476
bo teraz możemy ten pomysł uogólnić
08:15
and generalized to a whole lot
of different domains.
of different domains.
171
483492
2571
i przenieść do wielu innych dziedzin.
08:18
So in the same way that we asked
about the past of human consciousness,
about the past of human consciousness,
172
486769
4767
Podobnie jak pytaliśmy
o historię ludzkiej świadomości,
o historię ludzkiej świadomości,
08:23
maybe the most challenging question
we can pose to ourselves
we can pose to ourselves
173
491560
3406
chyba najtrudniejszym pytaniem,
jakie można zadać jest to,
jakie można zadać jest to,
08:26
is whether this can tell us something
about the future of our own consciousness.
about the future of our own consciousness.
174
494990
4137
czy pomoże nam to przewidzieć
przyszłość własnej świadomości.
przyszłość własnej świadomości.
08:31
To put it more precisely,
175
499550
1470
Ściślej mówiąc,
08:33
whether the words we say today
176
501044
2416
czy słowa wypowiadane dzisiaj
08:35
can tell us something
of where our minds will be in a few days,
of where our minds will be in a few days,
177
503484
5197
mogą przewidzieć, gdzie nasze umysły
będą za kilka dni, kilka miesięcy
08:40
in a few months
178
508705
1151
08:41
or a few years from now.
179
509880
1182
albo za kilka lat.
08:43
And in the same way many of us
are now wearing sensors
are now wearing sensors
180
511597
3020
Wiele osób nosi czujniki,
08:46
that detect our heart rate,
181
514641
1786
które mierzą tętno,
08:48
our respiration,
182
516451
1269
oddech,
08:49
our genes,
183
517744
1667
geny,
08:51
on the hopes that this may
help us prevent diseases,
help us prevent diseases,
184
519435
3651
bo wierzą, że pomoże to zapobiec chorobom.
08:55
we can ask whether monitoring
and analyzing the words we speak,
and analyzing the words we speak,
185
523110
3521
Można zapytać, czy monitorowanie
i analizowanie wypowiedzi,
i analizowanie wypowiedzi,
08:58
we tweet, we email, we write,
186
526655
2683
tweetów, maili, notatek,
09:01
can tell us ahead of time whether
something may go wrong with our minds.
something may go wrong with our minds.
187
529362
4808
pozwoli zawczasu przewidzieć
nieprawidłowości w działaniu umysłu.
nieprawidłowości w działaniu umysłu.
09:07
And with Guillermo Cecchi,
188
535087
1534
Wspólnie z Guillermo Cecchi,
09:08
who has been my brother in this adventure,
189
536645
3001
który towarzyszył mi w tej przygodzie,
09:11
we took on this task.
190
539670
1555
podjęliśmy się tego zadania.
09:14
And we did so by analyzing
the recorded speech of 34 young people
the recorded speech of 34 young people
191
542228
5532
Przeanalizowaliśmy nagrane
wypowiedzi 34 młodych ludzi,
wypowiedzi 34 młodych ludzi,
09:19
who were at a high risk
of developing schizophrenia.
of developing schizophrenia.
192
547784
2801
będących w grupie ryzyka
zachorowania na schizofrenię.
zachorowania na schizofrenię.
09:23
And so what we did is,
we measured speech at day one,
we measured speech at day one,
193
551434
2881
Zbadaliśmy wypowiedzi pierwszego dnia,
09:26
and then we asked whether the properties
of the speech could predict,
of the speech could predict,
194
554339
3242
następnie zapytaliśmy,
czy jej cechy pozwolą przewidzieć,
czy jej cechy pozwolą przewidzieć,
09:29
within a window of almost three years,
195
557605
2496
w ciągu kolejnych 3 lat,
09:32
the future development of psychosis.
196
560125
2035
przyszły rozwój psychozy.
09:35
But despite our hopes,
197
563427
2366
Ale wbrew naszym nadziejom
09:37
we got failure after failure.
198
565817
3117
odnosiliśmy porażkę za porażką.
09:41
There was just not enough
information in semantics
information in semantics
199
569793
3882
W semantyce było po prostu
zbyt mało informacji,
zbyt mało informacji,
09:45
to predict the future
organization of the mind.
organization of the mind.
200
573699
2793
żeby przewidzieć przyszłą
organizację umysłu.
organizację umysłu.
09:48
It was good enough
201
576516
1809
Wystarczyło, by odróżnić
09:50
to distinguish between a group
of schizophrenics and a control group,
of schizophrenics and a control group,
202
578349
4175
grupę schizofreników od grupy kontrolnej,
09:54
a bit like we had done
for the ancient texts,
for the ancient texts,
203
582548
2712
trochę jak z naszymi
starożytnymi tekstami,
starożytnymi tekstami,
09:57
but not to predict the future
onset of psychosis.
onset of psychosis.
204
585284
2994
ale nie żeby przewidzieć
wystąpienie psychozy.
wystąpienie psychozy.
10:01
But then we realized
205
589164
1706
Wtedy zdaliśmy sobie sprawę,
10:02
that maybe the most important thing
was not so much what they were saying,
was not so much what they were saying,
206
590894
4088
że może ważniejsze jest nie to, co mówią,
10:07
but how they were saying it.
207
595006
1673
ale jak to mówią.
10:09
More specifically,
208
597679
1220
Dokładniej mówiąc,
10:10
it was not in which semantic
neighborhoods the words were,
neighborhoods the words were,
209
598923
2827
nie rozmieszczenie słów w danych
semantycznych sąsiedztwach,
semantycznych sąsiedztwach,
10:13
but how far and fast they jumped
210
601774
2600
ale jak daleko i często słowa skakały
10:16
from one semantic neighborhood
to the other one.
to the other one.
211
604398
2301
z jednego sąsiedztwa do innego.
10:19
And so we came up with this measure,
212
607247
1731
Stworzyliśmy pomiar,
10:21
which we termed semantic coherence,
213
609002
2389
który nazwaliśmy spójnością semantyczną,
10:23
which essentially measures the persistence
of speech within one semantic topic,
of speech within one semantic topic,
214
611415
4804
określającą stopień ograniczania się
do jednego tematu semantycznego,
do jednego tematu semantycznego,
10:28
within one semantic category.
215
616243
1529
jednej semantycznej kategorii.
10:31
And it turned out to be
that for this group of 34 people,
that for this group of 34 people,
216
619294
4047
Okazało się, że w tej 34-osobowej grupie
10:35
the algorithm based on semantic
coherence could predict,
coherence could predict,
217
623365
3659
algorytm oparty na spójności
semantycznej wykrywał
semantycznej wykrywał
10:39
with 100 percent accuracy,
218
627048
2500
ze 100% dokładnością
10:41
who developed psychosis and who will not.
219
629572
2507
u kogo wystąpi psychoza i u kogo nie.
10:44
And this was something
that could not be achieved --
that could not be achieved --
220
632976
2937
Było to coś nieosiągalnego,
10:47
not even close --
221
635937
1508
nawet w przybliżeniu,
10:49
with all the other
existing clinical measures.
existing clinical measures.
222
637469
3126
przy użyciu innych dostępnych
środków klinicznych.
środków klinicznych.
10:54
And I remember vividly,
while I was working on this,
while I was working on this,
223
642525
3579
Dokładnie pamiętam,
kiedy nad tym pracowałem.
kiedy nad tym pracowałem.
10:58
I was sitting at my computer
224
646128
2317
Siedziałem przy komputerze
11:00
and I saw a bunch of tweets by Polo --
225
648469
2635
i zobaczyłem kilka tweetów Polo.
11:03
Polo had been my first student
back in Buenos Aires,
back in Buenos Aires,
226
651128
3167
Polo był moim pierwszym
studentem w Buenos Aires,
studentem w Buenos Aires,
11:06
and at the time
he was living in New York.
he was living in New York.
227
654319
2070
a wtedy mieszkał w Nowym Jorku.
11:08
And there was something in this tweets --
228
656413
2088
Było coś w tych tweetach,
11:10
I could not tell exactly what
because nothing was said explicitly --
because nothing was said explicitly --
229
658525
3501
nie wiedziałem dokładnie co,
bo nie było nic powiedziane wyraźnie,
bo nie było nic powiedziane wyraźnie,
11:14
but I got this strong hunch,
230
662050
2021
ale miałem silne przeczucie,
11:16
this strong intuition,
that something was going wrong.
that something was going wrong.
231
664095
2955
że dzieje się coś złego.
11:20
So I picked up the phone,
and I called Polo,
and I called Polo,
232
668347
2723
Zadzwoniłem do Polo
11:23
and in fact he was not feeling well.
233
671094
1919
i w rzeczy samej nie czuł się dobrze.
11:25
And this simple fact,
234
673362
1937
Ten prosty fakt,
11:27
that reading in between the lines,
235
675323
2491
że czytając między wierszami,
11:29
I could sense,
through words, his feelings,
through words, his feelings,
236
677838
4262
byłem w stanie wyczuć
przez słowa jego uczucia,
przez słowa jego uczucia,
11:34
was a simple, but very
effective way to help.
effective way to help.
237
682124
2619
był prostą, ale bardzo efektywną pomocą.
11:37
What I tell you today
238
685987
1638
Mówię wam dzisiaj,
11:39
is that we're getting
close to understanding
close to understanding
239
687649
2508
że zbliżamy się do zrozumienia,
11:42
how we can convert this intuition
that we all have,
that we all have,
240
690181
4286
jak można przekształcić
intuicję, która wszyscy mamy,
intuicję, która wszyscy mamy,
11:46
that we all share,
241
694491
1365
tę powszechną umiejętność,
11:47
into an algorithm.
242
695880
1197
w algorytm.
11:50
And in doing so,
243
698102
1461
Dzięki temu w przyszłości
11:51
we may be seeing in the future
a very different form of mental health,
a very different form of mental health,
244
699587
4650
podejście do zdrowia psychicznego
11:56
based on objective, quantitative
and automated analysis
and automated analysis
245
704261
5621
może opierać się na obiektywnej,
ilościowej i zautomatyzowanej analizie
ilościowej i zautomatyzowanej analizie
12:01
of the words we write,
246
709906
1709
mówionych i pisanych słów.
12:03
of the words we say.
247
711639
1537
Gracias.
12:05
Gracias.
248
713200
1151
12:06
(Applause)
249
714375
6883
(Brawa)
ABOUT THE SPEAKER
Mariano Sigman - NeuroscientistIn his provocative, mind-bending book "The Secret Life of the Mind," neuroscientist Mariano Sigman reveals his life’s work exploring the inner workings of the human brain.
Why you should listen
Mariano Sigman, a physicist by training, is a leading figure in the cognitive neuroscience of learning and decision making. Sigman was awarded a Human Frontiers Career Development Award, the National Prize of Physics, the Young Investigator Prize of "College de France," the IBM Scalable Data Analytics Award and is a scholar of the James S. McDonnell Foundation. In 2016 he was made a Laureate of the Pontifical Academy of Sciences.
In The Secret Life of the Mind, Sigman's ambition is to explain the mind so that we can understand ourselves and others more deeply. He shows how we form ideas during our first days of life, how we give shape to our fundamental decisions, how we dream and imagine, why we feel certain emotions, how the brain transforms and how who we are changes with it. Spanning biology, physics, mathematics, psychology, anthropology, linguistics, philosophy and medicine, as well as gastronomy, magic, music, chess, literature and art, The Secret Life of the Mind revolutionizes how neuroscience serves us in our lives, revealing how the infinity of neurons inside our brains manufacture how we perceive, reason, feel, dream and communicate.
Mariano Sigman | Speaker | TED.com