TED2011
Deb Roy: The birth of a word
Deb Roy: O nascimento de uma palavra
Filmed:
Readability: 4.2
2,809,941 views
Investigador do MIT, Deb Roy queria perceber como é que o seu filho aprendia a linguagem - por isso ligou a sua casa com câmaras de vídeo para capturar cada momento (com excepções) da vida do seu filho, depois analisou 90.000 horas de vídeo caseiro para ver "gaaaa" lentamente transformar-se em "water" (água). Investigação surpreendente, rica em dados com profundas implicações para o modo como aprendemos.
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
Imaginem que podiam gravar a vossa vida --
00:19
everything you said, everything you did,
1
4000
3000
tudo o que diziam, tudo o que faziam,
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
disponível num perfeito armazém de memória perfeito ao alcance dos vossos dedos,
00:25
so you could go back
3
10000
2000
para que pudessem voltar atrás
00:27
and find memorable moments and relive them,
4
12000
3000
e encontrar momentos memoráveis e revivê-los,
00:30
or sift through traces of time
5
15000
3000
ou examinar ao detalhe marcas do tempo
00:33
and discover patterns in your own life
6
18000
2000
e descobrir padrões na vossa própria vida
00:35
that previously had gone undiscovered.
7
20000
3000
que tinham ficado por descobrir.
00:38
Well that's exactly the journey
8
23000
2000
Essa é exactamente a jornada
00:40
that my family began
9
25000
2000
que a nossa família começou
00:42
five and a half years ago.
10
27000
2000
há cinco anos e meio.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
Esta é a minha mulher e colaboradora, Rupal.
00:47
And on this day, at this moment,
12
32000
2000
E neste dia, neste momento,
00:49
we walked into the house with our first child,
13
34000
2000
entrávamos em casa com o nosso primeiro filho,
00:51
our beautiful baby boy.
14
36000
2000
o nosso menino lindo.
00:53
And we walked into a house
15
38000
3000
E entrámos numa casa
00:56
with a very special home video recording system.
16
41000
4000
com um sistema de gravação de vídeo muito especial.
01:07
(Video) Man: Okay.
17
52000
2000
(Vídeo) Homem: Ok.
01:10
Deb Roy: This moment
18
55000
1000
Deb Roy: Este momento
01:11
and thousands of other moments special for us
19
56000
3000
e milhares de outros momentos especiais para nós,
01:14
were captured in our home
20
59000
2000
foram capturados em nossa casa
01:16
because in every room in the house,
21
61000
2000
porque em todas as divisões da casa,
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
se olhassem para cima, iriam ver uma câmara e um microfone,
01:21
and if you looked down,
23
66000
2000
e se olhassem para baixo,
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
teriam a perspectiva de pássaro da divisão.
01:25
Here's our living room,
25
70000
3000
Aqui está a nossa sala de estar,
01:28
the baby bedroom,
26
73000
3000
o quarto do bebé,
01:31
kitchen, dining room
27
76000
2000
cozinha, sala de jantar
01:33
and the rest of the house.
28
78000
2000
e o resto da casa.
01:35
And all of these fed into a disc array
29
80000
3000
E tudo gravado num conjunto de discos
01:38
that was designed for a continuous capture.
30
83000
3000
desenhados para uma gravação contínua.
01:41
So here we are flying through a day in our home
31
86000
3000
Então, aqui estamos nós a voar através de um dia em nossa casa
01:44
as we move from sunlit morning
32
89000
3000
enquanto nos movemos desde o amanhecer
01:47
through incandescent evening
33
92000
2000
pelo anoitecer incandescente
01:49
and, finally, lights out for the day.
34
94000
3000
e, finalmente, luzes apagadas ao final do dia
01:53
Over the course of three years,
35
98000
3000
Durante três anos,
01:56
we recorded eight to 10 hours a day,
36
101000
2000
gravámos 8 a 10 horas por dia,
01:58
amassing roughly a quarter-million hours
37
103000
3000
acumulámos grosso modo um quarto de milhão de horas
02:01
of multi-track audio and video.
38
106000
3000
de audio e vídeo.
02:04
So you're looking at a piece of what is by far
39
109000
2000
Então vocês estão a olhar para uma amostra do que foi de longe
02:06
the largest home video collection ever made.
40
111000
2000
a maior colecção de vídeo doméstico alguma vez feita.
02:08
(Laughter)
41
113000
3000
(risos)
02:11
And what this data represents
42
116000
2000
E o que estes dados representam
02:13
for our family at a personal level,
43
118000
4000
para a nossa família a nível pessoal,
02:17
the impact has already been immense,
44
122000
2000
o impacto já foi enorme,
02:19
and we're still learning its value.
45
124000
3000
e ainda estamos a aprender o seu valor.
02:22
Countless moments
46
127000
2000
Inúmeros momentos
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
de momentos naturais não-encomendados, momentos não encenados,
02:27
are captured there,
48
132000
2000
estão aí gravados,
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
e estamos a começar a aprender como descobri-los e encontrá-los.
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
Mas também há uma razão científica que guiou este projecto,
02:35
which was to use this natural longitudinal data
51
140000
4000
que era usar esta informação longitudinal natural
02:39
to understand the process
52
144000
2000
para compreender este processo
02:41
of how a child learns language --
53
146000
2000
de como uma criança aprende a falar --
02:43
that child being my son.
54
148000
2000
sendo essa criança o meu filho.
02:45
And so with many privacy provisions put in place
55
150000
4000
E então com muitas medidas para garantir
02:49
to protect everyone who was recorded in the data,
56
154000
3000
a privacidade de todos os que eram gravados,
02:52
we made elements of the data available
57
157000
3000
tornámos estes dados disponíveis
02:55
to my trusted research team at MIT
58
160000
3000
para a minha equipa de confiança do MIT
02:58
so we could start teasing apart patterns
59
163000
3000
para que pudéssemos separar padrões
03:01
in this massive data set,
60
166000
3000
neste conjunto massivo de informações,
03:04
trying to understand the influence of social environments
61
169000
3000
tentando perceber a influência dos ambientes sociais
03:07
on language acquisition.
62
172000
2000
na aquisição de linguagem.
03:09
So we're looking here
63
174000
2000
Estamos a olhar aqui
03:11
at one of the first things we started to do.
64
176000
2000
para uma das primeiras coisas que começámos a fazer.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
Esta é a minha mulher e eu a fazer o pequeno-almoço na cozinha.
03:17
and as we move through space and through time,
66
182000
3000
E enquanto avançamos no espaço e tempo,
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
um padrão diário da vida na cozinha.
03:23
In order to convert
68
188000
2000
Para converter
03:25
this opaque, 90,000 hours of video
69
190000
3000
estas 90.000 horas de vídeo
03:28
into something that we could start to see,
70
193000
2000
em algo que pudéssemos começar a ver,
03:30
we use motion analysis to pull out,
71
195000
2000
usamos análise de movimento
03:32
as we move through space and through time,
72
197000
2000
enquanto nos movemos pelo espaço e tempo,
03:34
what we call space-time worms.
73
199000
3000
aquilo que chamamos vermes tempo-espaço.
03:37
And this has become part of our toolkit
74
202000
3000
E isto passou a ser parte das ferramentas a que recorremos
03:40
for being able to look and see
75
205000
3000
para podermos ser capazes de olhar e ver
03:43
where the activities are in the data,
76
208000
2000
onde é que as actividades estão nos dados,
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
e com eles, traçar um padrão de, nomeadamente,
03:48
where my son moved throughout the home,
78
213000
2000
por onde é que o meu filho se movia pela casa,
03:50
so that we could focus our transcription efforts,
79
215000
3000
para que pudéssemos focar os nossos esforços de transcrição,
03:53
all of the speech environment around my son --
80
218000
3000
todo o ambiente linguístico à volta do meu filho --
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
todas as palavras que ele ouviu de mim, da minha mulher, da ama
03:59
and over time, the words he began to produce.
82
224000
3000
e com o tempo, as palavras que ele começou a produzir.
04:02
So with that technology and that data
83
227000
3000
Então com essa tecnologia e esses dados
04:05
and the ability to, with machine assistance,
84
230000
2000
e a possibilidade de, com recurso a máquinas,
04:07
transcribe speech,
85
232000
2000
transcrever o discurso,
04:09
we've now transcribed
86
234000
2000
que agora transcrevemos
04:11
well over seven million words of our home transcripts.
87
236000
3000
mais de 7 milhões de palavras das nossas transcrições diárias.
04:14
And with that, let me take you now
88
239000
2000
E com isso, deixem-me levar-vos agora
04:16
for a first tour into the data.
89
241000
3000
a uma primeira viagem aos dados.
04:19
So you've all, I'm sure,
90
244000
2000
Vocês já viram, de certeza,
04:21
seen time-lapse videos
91
246000
2000
vídeos de "time-lapse"
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
em que uma flor desabrocha quando aceleramos o tempo.
04:26
I'd like you to now experience
93
251000
2000
Gostava que experimentassem
04:28
the blossoming of a speech form.
94
253000
2000
o desabrochar de uma fala.
04:30
My son, soon after his first birthday,
95
255000
2000
O meu filho, pouco depois do seu primeiro aniversário,
04:32
would say "gaga" to mean water.
96
257000
3000
dizia "gaga" para tentar dizer água.
04:35
And over the course of the next half-year,
97
260000
3000
E durante o curso do meio ano seguinte,
04:38
he slowly learned to approximate
98
263000
2000
lentamente aprendeu a aproximar-se
04:40
the proper adult form, "water."
99
265000
3000
à forma correcta, "water".
04:43
So we're going to cruise through half a year
100
268000
2000
Vamos navegar através de meio ano
04:45
in about 40 seconds.
101
270000
2000
em mais ou menos 40 segundos.
04:47
No video here,
102
272000
2000
Não há vídeo aqui,
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
para nos podermos focar no som, na acústica,
04:52
of a new kind of trajectory:
104
277000
2000
de uma nova trajectória:
04:54
gaga to water.
105
279000
2000
gaga para água.
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(Audio) Bebé: gagagagagaga
05:08
Gaga gaga gaga
107
293000
4000
Gaga gaga gaga
05:12
guga guga guga
108
297000
5000
guga guga guga
05:17
wada gaga gaga guga gaga
109
302000
5000
wada gaga gaga guga gaga
05:22
wader guga guga
110
307000
4000
wader guga guga
05:26
water water water
111
311000
3000
water water water
05:29
water water water
112
314000
6000
water water water
05:35
water water
113
320000
4000
water water
05:39
water.
114
324000
2000
water
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
DR: Ele chegou lá, não foi?
05:43
(Applause)
116
328000
7000
(Aplauso)
05:50
So he didn't just learn water.
117
335000
2000
Ele não aprendeu só água.
05:52
Over the course of the 24 months,
118
337000
2000
Durante 24 meses,
05:54
the first two years that we really focused on,
119
339000
3000
os primeiros dois anos, em que realmente nos focámos,
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
este é um mapa de todas as palavras que ele aprendeu por ordem cronológica.
06:01
And because we have full transcripts,
121
346000
3000
E porque temos transcrições completas,
06:04
we've identified each of the 503 words
122
349000
2000
identificámos cada uma das 503 palavras
06:06
that he learned to produce by his second birthday.
123
351000
2000
que ele aprendeu a produzir até ao seu segundo aniversário.
06:08
He was an early talker.
124
353000
2000
Ele começou a falar cedo.
06:10
And so we started to analyze why.
125
355000
3000
E começámos a analisar porquê.
06:13
Why were certain words born before others?
126
358000
3000
Porque é que certas palavras nasceram antes de outras?
06:16
This is one of the first results
127
361000
2000
Este é um dos primeiros resultados
06:18
that came out of our study a little over a year ago
128
363000
2000
que surgiram do nosso estudo há pouco mais de um ano
06:20
that really surprised us.
129
365000
2000
que realmente nos surpreendeu.
06:22
The way to interpret this apparently simple graph
130
367000
3000
A maneira de interpretar este gráfico aparentemente simples
06:25
is, on the vertical is an indication
131
370000
2000
é que na vertical é uma indicação
06:27
of how complex caregiver utterances are
132
372000
3000
de quão complexas as expressões do educador são
06:30
based on the length of utterances.
133
375000
2000
baseadas no comprimento das expressões.
06:32
And the [horizontal] axis is time.
134
377000
3000
E o eixo vertical é o tempo.
06:35
And all of the data,
135
380000
2000
Toda a informação,
06:37
we aligned based on the following idea:
136
382000
3000
alinhámos com base na ideia seguinte:
06:40
Every time my son would learn a word,
137
385000
3000
Sempre que o meu filho aprendia uma palavra,
06:43
we would trace back and look at all of the language he heard
138
388000
3000
íamos aos registos procurar toda a linguagem que ele tinha ouvido
06:46
that contained that word.
139
391000
2000
que contivesse aquela palavra.
06:48
And we would plot the relative length of the utterances.
140
393000
4000
e interligávamos o comprimento relativo das expressões.
06:52
And what we found was this curious phenomena,
141
397000
3000
E o que encontrámos foi este fenómeno curioso
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
o discurso do educador caía sistematicamente para um mínimo,
06:58
making language as simple as possible,
143
403000
3000
tornando a linguagem tão simples quanto possível,
07:01
and then slowly ascend back up in complexity.
144
406000
3000
e daí lentamente ascenderia de novo em complexidade.
07:04
And the amazing thing was
145
409000
2000
E a coisa mais espantosa era que
07:06
that bounce, that dip,
146
411000
2000
esse ressalto, esse declínio,
07:08
lined up almost precisely
147
413000
2000
alinhavam-se quase exactamente
07:10
with when each word was born --
148
415000
2000
com quando cada palavra nascia --
07:12
word after word, systematically.
149
417000
2000
uma palavra atrás da outra, sistematicamente.
07:14
So it appears that all three primary caregivers --
150
419000
2000
Então parece que os três principais educadores --
07:16
myself, my wife and our nanny --
151
421000
3000
- eu, a minha mulher e a nossa ama --
07:19
were systematically and, I would think, subconsciously
152
424000
3000
sistematicamente e, penso eu, subconscientemente
07:22
restructuring our language
153
427000
2000
reestruturávamos a nossa linguagem
07:24
to meet him at the birth of a word
154
429000
3000
para ir ao encontro dele no nascimento de uma palavra
07:27
and bring him gently into more complex language.
155
432000
4000
e trazê-lo gentilmente para linguagem mais complexa.
07:31
And the implications of this -- there are many,
156
436000
2000
As implicações disto - há muitas,
07:33
but one I just want to point out,
157
438000
2000
mas uma que gostava de realçar,
07:35
is that there must be amazing feedback loops.
158
440000
3000
é que tem de haver círculos de retorno fantásticos.
07:38
Of course, my son is learning
159
443000
2000
Claro, o meu filho está a aprender
07:40
from his linguistic environment,
160
445000
2000
com o seu ambiente linguístico,
07:42
but the environment is learning from him.
161
447000
3000
mas o ambiente está a aprender dele.
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
Este ambiente, as pessoas, estão nestes apertados círculos de retorno
07:48
and creating a kind of scaffolding
163
453000
2000
a criar uma espécie de estrutura de andaimes
07:50
that has not been noticed until now.
164
455000
3000
que não tinha sido observada até agora.
07:54
But that's looking at the speech context.
165
459000
2000
Mas isso é olhar para o contexto do discurso.
07:56
What about the visual context?
166
461000
2000
E quanto ao contexto visual?
07:58
We're not looking at --
167
463000
2000
Não estamos a olhar para --
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
pensem nisto como uma vista diagragmática de uma casa de bonecas da vossa casa.
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
Pegámos nas tais câmaras com lentes olho-de-peixe,
08:05
and we've done some optical correction,
170
470000
2000
e fizemos algumas correcções ópticas
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
e daí podemos trazê-lo para a vida tridimensional.
08:11
So welcome to my home.
172
476000
2000
Então, bem-vindos a minha casa.
08:13
This is a moment,
173
478000
2000
Isto é um momento,
08:15
one moment captured across multiple cameras.
174
480000
3000
um momento gravado por múltiplas câmaras.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
A razão porque fizémos isto foi para criar a derradeira máquina de memória,
08:21
where you can go back and interactively fly around
176
486000
3000
onde podem voltar ao passado e voar interactivamete
08:24
and then breathe video-life into this system.
177
489000
3000
e respirar a vida do vídeo neste sistema.
08:27
What I'm going to do
178
492000
2000
O que vou fazer
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
é dar-vos uma visão acelerada de 30 minutos,
08:32
again, of just life in the living room.
180
497000
2000
mais uma vez, é só a vivencia de uma sala de estar.
08:34
That's me and my son on the floor.
181
499000
3000
Sou eu e o meu filho no chão.
08:37
And there's video analytics
182
502000
2000
E aquilo são vídeos analíticos
08:39
that are tracking our movements.
183
504000
2000
que estão a seguir os nossos movimentos.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
O meu filho está a deixar tinta vermelha, e eu tinta verde.
08:44
We're now on the couch,
185
509000
2000
Agora estamos no sofá,
08:46
looking out through the window at cars passing by.
186
511000
3000
a ver através da janela vendo os carros a passar.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
E finalmente, o meu filho a brincar sozinho com um boneco.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
Agora paramos a acção, 30 minutos,
08:55
we turn time into the vertical axis,
189
520000
2000
pomos o tempo no eixo vertical,
08:57
and we open up for a view
190
522000
2000
e abrimos para uma vista
08:59
of these interaction traces we've just left behind.
191
524000
3000
destes rastos de interacção que acabámos de deixar.
09:02
And we see these amazing structures --
192
527000
3000
E vemos estas estruturas fantásticas --
09:05
these little knots of two colors of thread
193
530000
3000
estes pequenos nós de duas cores de linha
09:08
we call "social hot spots."
194
533000
2000
que chamamos "hot spots" sociais.
09:10
The spiral thread
195
535000
2000
À linha em espiral
09:12
we call a "solo hot spot."
196
537000
2000
chamamos "hot spot" individual.
09:14
And we think that these affect the way language is learned.
197
539000
3000
E pensamos que afectam a maneira como a linguagem é aprendida.
09:17
What we'd like to do
198
542000
2000
O que gostaríamos de fazer
09:19
is start understanding
199
544000
2000
era começar a compreender
09:21
the interaction between these patterns
200
546000
2000
a interacção entre estes padrões
09:23
and the language that my son is exposed to
201
548000
2000
e a linguagem que a que o meu filho é exposto
09:25
to see if we can predict
202
550000
2000
para ver se podemos prever
09:27
how the structure of when words are heard
203
552000
2000
como é que a estrutura de quando as palavras são escutdas
09:29
affects when they're learned --
204
554000
2000
afecta quando elas são aprendidas.
09:31
so in other words, the relationship
205
556000
2000
Então, noutras palavras, a relação
09:33
between words and what they're about in the world.
206
558000
4000
entre palavras e sobre o que é que elas são no mundo.
09:37
So here's how we're approaching this.
207
562000
2000
Esta é a maneira como nos estamos a debruçar nisto.
09:39
In this video,
208
564000
2000
Neste vídeo,
09:41
again, my son is being traced out.
209
566000
2000
mais uma vez, o meu filho é seguido.
09:43
He's leaving red ink behind.
210
568000
2000
Ele deixa a tinta vermelha.
09:45
And there's our nanny by the door.
211
570000
2000
E ali está a nossa ama junto à porta.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(Vídeo): Ama: Queres água? (Bebé: Aaaa.)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
Ama: Muito bem. (Bebé: Aaaa.)
09:53
DR: She offers water,
214
578000
2000
DR: Ela oferece água,
09:55
and off go the two worms
215
580000
2000
e lá vão os dois vermes
09:57
over to the kitchen to get water.
216
582000
2000
até à cozinha para buscar água.
09:59
And what we've done is use the word "water"
217
584000
2000
E o que fizémos foi usar a palavra "água"
10:01
to tag that moment, that bit of activity.
218
586000
2000
para etiquetar aquele momento, aquele pedaço de actividade.
10:03
And now we take the power of data
219
588000
2000
E agora pegamos no poder da informação
10:05
and take every time my son
220
590000
3000
e pegamos em todas as vezes que o meu filho
10:08
ever heard the word water
221
593000
2000
ouviu a palavra água
10:10
and the context he saw it in,
222
595000
2000
e o contexto em que ele a viu,
10:12
and we use it to penetrate through the video
223
597000
3000
e usamo-lo para penetrar pelo vídeo
10:15
and find every activity trace
224
600000
3000
e encontrar todo o rasto de actividade
10:18
that co-occurred with an instance of water.
225
603000
3000
que co-ocorreu com a circunstância de água.
10:21
And what this data leaves in its wake
226
606000
2000
E o que esta informação deixa no seu rasto
10:23
is a landscape.
227
608000
2000
é uma paisagem.
10:25
We call these wordscapes.
228
610000
2000
Chamamos-lhes "paisagens-de-palavras".
10:27
This is the wordscape for the word water,
229
612000
2000
Esta é a "paisagem-de-palavras" da palavra água.
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
e podemos ver que a maior parte da acção é na cozinha.
10:31
That's where those big peaks are over to the left.
231
616000
3000
É lá que estão aqueles grandes picos à esquerda.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
E só para contrastar, podemos fazer isto com qualquer palavra.
10:37
We can take the word "bye"
233
622000
2000
Podemos pegar na palavra "adeus"
10:39
as in "good bye."
234
624000
2000
como "adeus, até logo."
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
E agora estamos a fazer zoom na entrada da casa.
10:43
And we look, and we find, as you would expect,
236
628000
3000
Olhamos, e encontramos, como seria de esperar,
10:46
a contrast in the landscape
237
631000
2000
um contraste na paisagem
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
onde a palavra "adeus" ocorre de maneira muito mais estruturada.
10:51
So we're using these structures
239
636000
2000
Estamos a usar estas estruturas
10:53
to start predicting
240
638000
2000
para começar a prever
10:55
the order of language acquisition,
241
640000
3000
a ordem de aquisição de linguagem,
10:58
and that's ongoing work now.
242
643000
2000
e isso está agora a ser trabalhado.
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
No meu laboratório, que estamos a sondar agora, no MIT --
11:03
this is at the media lab.
244
648000
2000
isto é no laboratório de media.
11:05
This has become my favorite way
245
650000
2000
Esta passou a ser a minha maneira preferida
11:07
of videographing just about any space.
246
652000
2000
de videografar praticamente qualquer espaço.
11:09
Three of the key people in this project,
247
654000
2000
Três das pessoas chave deste projecto,
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
Philip DeCamp, Rony Kubat e Brandon Roy aqui na fotografia.
11:14
Philip has been a close collaborator
249
659000
2000
O Philip tem sido um colaborador próximo
11:16
on all the visualizations you're seeing.
250
661000
2000
em todas as visualizações que vocês estão a ver.
11:18
And Michael Fleischman
251
663000
3000
E o Michael Fleischman
11:21
was another Ph.D. student in my lab
252
666000
2000
era outro aluno de douturamente no meu laboratório
11:23
who worked with me on this home video analysis,
253
668000
3000
que trabalhou comigo nesta análise do vídeo,
11:26
and he made the following observation:
254
671000
3000
e fez esta observação:
11:29
that "just the way that we're analyzing
255
674000
2000
"só a maneira como estamos a analisar
11:31
how language connects to events
256
676000
3000
como a língua contacta com ocorrências
11:34
which provide common ground for language,
257
679000
2000
que fornecem um fundo comum para a linguagem,
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
a mesma ideia podemos tirá-la de tua casa, Deb,
11:40
and we can apply it to the world of public media."
259
685000
3000
e aplicá-la ao mundo da comunicação social."
11:43
And so our effort took an unexpected turn.
260
688000
3000
E então o nosso esforço teve uma reviravolta inesperada.
11:46
Think of mass media
261
691000
2000
Pensem na comunicação social
11:48
as providing common ground
262
693000
2000
como providenciadores de um fundo comum
11:50
and you have the recipe
263
695000
2000
e têm a receita
11:52
for taking this idea to a whole new place.
264
697000
3000
para levar esta ideia para um campo completamente novo.
11:55
We've started analyzing television content
265
700000
3000
Começámos a analisar conteúdo televisivo
11:58
using the same principles --
266
703000
2000
usnado os mesmos princípios --
12:00
analyzing event structure of a TV signal --
267
705000
3000
analisando a estrutura das ocorrências de um sinal de televisão -
12:03
episodes of shows,
268
708000
2000
episódios de séries,
12:05
commercials,
269
710000
2000
anúncios,
12:07
all of the components that make up the event structure.
270
712000
3000
todos os componentes que fazem a estrutura da ocorrência.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
Estamos agora, com discos de satélite, a recolher e analisar
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
uma boa parte de toda a televisão que é vista nos Estados Unidos.
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
E não têm de ir agora equipar salas com microfones
12:19
to get people's conversations,
274
724000
2000
para ter as conversas das pessoas,
12:21
you just tune into publicly available social media feeds.
275
726000
3000
basta pegar em conteúdo público dos media sociais.
12:24
So we're pulling in
276
729000
2000
Portanto estamos a pegar em
12:26
about three billion comments a month,
277
731000
2000
mais ou menos três mil milhões de comentários por mês.
12:28
and then the magic happens.
278
733000
2000
É então que a magia acontece.
12:30
You have the event structure,
279
735000
2000
Têm a estrutura das ocorrências,
12:32
the common ground that the words are about,
280
737000
2000
o fundo comum do que as palavras falam,
12:34
coming out of the television feeds;
281
739000
3000
a sair das televisões;
12:37
you've got the conversations
282
742000
2000
têm as conversas
12:39
that are about those topics;
283
744000
2000
sobre esses tópicos;
12:41
and through semantic analysis --
284
746000
3000
e através da análise semântica --
12:44
and this is actually real data you're looking at
285
749000
2000
e esta informação que vêem é real --
12:46
from our data processing --
286
751000
2000
do nosso processamento de dados --
12:48
each yellow line is showing a link being made
287
753000
3000
cada linha amarela mostra uma ligação a ser feita
12:51
between a comment in the wild
288
756000
3000
entre um comentário em bruto
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
e uma peça de estrutura de ocorrência vinda de um sinal de televião.
12:57
And the same idea now
290
762000
2000
E a mesma ideia pode agora
12:59
can be built up.
291
764000
2000
ser construida.
13:01
And we get this wordscape,
292
766000
2000
Obtemos esta paisagem-de-palavras,
13:03
except now words are not assembled in my living room.
293
768000
3000
só que agora as palavras não estão na minha sala de estar.
13:06
Instead, the context, the common ground activities,
294
771000
4000
Em vez disso, o contexto, as actividades comuns
13:10
are the content on television that's driving the conversations.
295
775000
3000
são o conteúdo na televisão que guia as conversas.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
E o que estamos a ver aqui, estes arranha-céus,
13:16
are commentary
297
781000
2000
são comentários
13:18
that are linked to content on television.
298
783000
2000
ligados ao conteúdo da televisão.
13:20
Same concept,
299
785000
2000
Mesmo conceito,
13:22
but looking at communication dynamics
300
787000
2000
mas a olhar para a dinâmica da comunicação
13:24
in a very different sphere.
301
789000
2000
numa esfera muito diferente.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
Fundamentalmente, em vez de, por exemplo,
13:28
measuring content based on how many people are watching,
303
793000
3000
medir o conteúdo baseado em quantas pessoas estão a ver,
13:31
this gives us the basic data
304
796000
2000
dá-nos informação básica
13:33
for looking at engagement properties of content.
305
798000
3000
para procurar propriedades de conexão de conteúdo.
13:36
And just like we can look at feedback cycles
306
801000
3000
E tal como podemos olhar para os ciclos de retorno
13:39
and dynamics in a family,
307
804000
3000
e dinâmicas numa família,
13:42
we can now open up the same concepts
308
807000
3000
podemos agora abrir os mesmo conceitos
13:45
and look at much larger groups of people.
309
810000
3000
e ver grupos de pessoas muito maiores.
13:48
This is a subset of data from our database --
310
813000
3000
Isto é um subconjunto de dados da nossa base de dados --
13:51
just 50,000 out of several million --
311
816000
3000
só de 50.000 de entre alguns milhões -
13:54
and the social graph that connects them
312
819000
2000
e o diagrama social que os liga
13:56
through publicly available sources.
313
821000
3000
através de fontes disponíveis publicamente.
13:59
And if you put them on one plain,
314
824000
2000
E se os puserem num plano,
14:01
a second plain is where the content lives.
315
826000
3000
um segundo plano é onde o conteúdo vive.
14:04
So we have the programs
316
829000
3000
Então temos os programas
14:07
and the sporting events
317
832000
2000
e as ocorrências desportivas
14:09
and the commercials,
318
834000
2000
e os anúncios,
14:11
and all of the link structures that tie them together
319
836000
2000
e todas as estruturas de ligação que os unem
14:13
make a content graph.
320
838000
2000
fzaendo um diagrama de conteúdo.
14:15
And then the important third dimension.
321
840000
4000
E então a importante terceira dimensão.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
Cada uma das ligações que estão a ver aqui
14:21
is an actual connection made
323
846000
2000
é na verdade uma conexão específica feita
14:23
between something someone said
324
848000
3000
entre alguma coisa que alguém disse
14:26
and a piece of content.
325
851000
2000
e um pedaço de conteúdo.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
Aí estão, mais uma vez, agora dezenas de milhões destas ligações
14:31
that give us the connective tissue of social graphs
327
856000
3000
que nos dão o tecido de conexão dos diagramas sociais
14:34
and how they relate to content.
328
859000
3000
e como estão relacionados com conteúdo.
14:37
And we can now start to probe the structure
329
862000
2000
Podemos agora começar a explorar a estrutura
14:39
in interesting ways.
330
864000
2000
de maneiras interessantes.
14:41
So if we, for example, trace the path
331
866000
3000
Então se nós, por exemplo, traçarmos o caminho
14:44
of one piece of content
332
869000
2000
de um pedaço de conteúdo
14:46
that drives someone to comment on it,
333
871000
2000
que leva alguém a comentá-lo,
14:48
and then we follow where that comment goes,
334
873000
3000
e daí seguirmos onde esse comentário vai,
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
e daí ver todo o diagrama social que é activado
14:54
and then trace back to see the relationship
336
879000
3000
e apanhar-lhe o rasto para ver a relação
14:57
between that social graph and content,
337
882000
2000
entre o diagrama social e o conteúdo,
14:59
a very interesting structure becomes visible.
338
884000
2000
torna-se visível uma estrutura muito interessante.
15:01
We call this a co-viewing clique,
339
886000
2000
Chamamos-lhe um clique de co-visão,
15:03
a virtual living room if you will.
340
888000
3000
uma sala virtual, se quiserem.
15:06
And there are fascinating dynamics at play.
341
891000
2000
E estão dinâmicas fascinantes em jogo.
15:08
It's not one way.
342
893000
2000
Não é uma maneira.
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
Um pedaço de conteúdo, um evento, faz com que alguém fale.
15:13
They talk to other people.
344
898000
2000
Eles falam com outras pessoas.
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
Isso leva o comportamento sintonizado de volta à comunicação social,
15:18
and you have these cycles
346
903000
2000
e ficamos com estes ciclos
15:20
that drive the overall behavior.
347
905000
2000
que guiam o comportamento geral.
15:22
Another example -- very different --
348
907000
2000
Outro exemplo -- muito diferente --
15:24
another actual person in our database --
349
909000
3000
outra pessoa específica da nossa base de dados --
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
e estamos a encontrar pelos menos centenas, senão milhares, destes.
15:30
We've given this person a name.
351
915000
2000
Demos a esta pessoa um nome.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
Isto é um pró-amador, ou pró-am, crítico de media
15:35
who has this high fan-out rate.
353
920000
3000
que tem uma grande taxa de popularidade.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
Então muita gente segue esta pessoa -- muito influente --
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
e eles têm uma propensão para falar sobre o que está a dar na televisão.
15:43
So this person is a key link
356
928000
3000
Então esta pessoa é uma ligação chave
15:46
in connecting mass media and social media together.
357
931000
3000
em juntar os mass media e os media sociais.
15:49
One last example from this data:
358
934000
3000
Um último exemplo destes dados:
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
Às vezes é mesmo um pedaço de conteúdo que é especial.
15:55
So if we go and look at this piece of content,
360
940000
4000
Se formos procurar esse pedaço de conteúdo,
15:59
President Obama's State of the Union address
361
944000
3000
o discurso do Estado da Nação do Presidente Obama
16:02
from just a few weeks ago,
362
947000
2000
de há poucas semanas atrás,
16:04
and look at what we find in this same data set,
363
949000
3000
e olharmos para o que encontramos neste mesmo conjunto de dados,
16:07
at the same scale,
364
952000
3000
na mesma escala,
16:10
the engagement properties of this piece of content
365
955000
2000
as propriedades de ligação deste pedaço de conteúdo
16:12
are truly remarkable.
366
957000
2000
são verdadeiramente notáveis.
16:14
A nation exploding in conversation
367
959000
2000
A nação a explodir em conversação
16:16
in real time
368
961000
2000
em tempo real
16:18
in response to what's on the broadcast.
369
963000
3000
em resposta ao que está a ser transmitido.
16:21
And of course, through all of these lines
370
966000
2000
E claro, através de todas estas linhas
16:23
are flowing unstructured language.
371
968000
2000
está linguagem fluente não estruturada.
16:25
We can X-ray
372
970000
2000
Podemos fazer um raio-x
16:27
and get a real-time pulse of a nation,
373
972000
2000
e obter o pulso da nação em tempo real,
16:29
real-time sense
374
974000
2000
uma percepção em tempo real
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
das reacções sociais nos diferentes circuitos no diagrama social
16:34
being activated by content.
376
979000
3000
a serem activados pelo conteúdo.
16:37
So, to summarize, the idea is this:
377
982000
3000
Então, resumindo, a ideia é esta:
16:40
As our world becomes increasingly instrumented
378
985000
3000
Enquanto o nosso mundo se torna cada vez mais instrumentalizado
16:43
and we have the capabilities
379
988000
2000
e temos as capacidades
16:45
to collect and connect the dots
380
990000
2000
de recolher e ligar os pontos
16:47
between what people are saying
381
992000
2000
entre o que as pessoas estão a dizer
16:49
and the context they're saying it in,
382
994000
2000
e o contexto em que as estão a dizer,
16:51
what's emerging is an ability
383
996000
2000
o que emerge é a a capacidade
16:53
to see new social structures and dynamics
384
998000
3000
de ver novas estruturas sociais e dinâmicas
16:56
that have previously not been seen.
385
1001000
2000
que não foram vistas antes.
16:58
It's like building a microscope or telescope
386
1003000
2000
É como construir um microscópio ou um telescópio
17:00
and revealing new structures
387
1005000
2000
e revelar novas estruturas
17:02
about our own behavior around communication.
388
1007000
3000
sobre o nosso próprio comportamento à volta da comunicação.
17:05
And I think the implications here are profound,
389
1010000
3000
E eu acho que as implicações são profundas,
17:08
whether it's for science,
390
1013000
2000
seja para a ciência,
17:10
for commerce, for government,
391
1015000
2000
para o comércio, para o governo,
17:12
or perhaps most of all,
392
1017000
2000
ou talvez mais do que tudo,
17:14
for us as individuals.
393
1019000
3000
para nós como indivíduos.
17:17
And so just to return to my son,
394
1022000
3000
E então só para voltar ao meu filho,
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
quando estava a preparar-me para esta conversa, ele estava a olhar por cima do meu ombro,
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
e mostrei-lhe os clipes que ia mostrar-vos hoje,
17:25
and I asked him for permission -- granted.
397
1030000
3000
e pedi-lhe autorização -- concedida.
17:28
And then I went on to reflect,
398
1033000
2000
E então fui reflectir,
17:30
"Isn't it amazing,
399
1035000
3000
"Não é incrível,
17:33
this entire database, all these recordings,
400
1038000
3000
toda esta base de dados, todas estas gravações,
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
vou dá-las a ti e à tua irmã,"
17:38
who arrived two years later --
402
1043000
3000
-- que chegou dois anos depois -
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"E vocês vão poder ir atrás e re-experimentar momentos
17:44
that you could never, with your biological memory,
404
1049000
3000
que nunca poderiam, com a vossa memória biológica,
17:47
possibly remember the way you can now?"
405
1052000
2000
alguma vez lembrar da maneira que podem hoje".
17:49
And he was quiet for a moment.
406
1054000
2000
Fiquei quieto por um momento.
17:51
And I thought, "What am I thinking?
407
1056000
2000
E pensei, "O que é que eu estou a pensar?
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
Ele têm cinco anos. Não vai perceber isto."
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
E mesmo enquanto pensava nisto, ele olhou para cima e disse
17:58
"So that when I grow up,
410
1063000
2000
"Então quando eu crescer,
18:00
I can show this to my kids?"
411
1065000
2000
vou poder mostrar isto aos meus filhos?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
E eu pensei, "Uau, isto é poderoso."
18:05
So I want to leave you
413
1070000
2000
Quero deixar-vos
18:07
with one last memorable moment
414
1072000
2000
este último momento memorável
18:09
from our family.
415
1074000
3000
da nossa família.
18:12
This is the first time our son
416
1077000
2000
Esta é a primeira vez que o nosso filho
18:14
took more than two steps at once --
417
1079000
2000
deu mais do que dois passos de uma vez --
18:16
captured on film.
418
1081000
2000
gravada em filme.
18:18
And I really want you to focus on something
419
1083000
3000
E quero mesmo que vocês se foquem em algo
18:21
as I take you through.
420
1086000
2000
enquanto vos levo a vê-lo.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
É um ambiente desordenado, é vida real.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
A minha mãe está na cozinha, a cozinhar,
18:27
and, of all places, in the hallway,
423
1092000
2000
e, com tanto lugar, foi no corredor,
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
apercebo-me que ele está mesmo para fazê-lo, que vai dar mais de dois passos.
18:32
And so you hear me encouraging him,
425
1097000
2000
Vêem-me a encorajá-lo,
18:34
realizing what's happening,
426
1099000
2000
ao aperceber-me do que está a acontecer,
18:36
and then the magic happens.
427
1101000
2000
e então a magia acontece.
18:38
Listen very carefully.
428
1103000
2000
Ouçam com atenção.
18:40
About three steps in,
429
1105000
2000
Aos três passos,
18:42
he realizes something magic is happening,
430
1107000
2000
ele compreende que algo mágico está a acontecer.
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
E acontece o mais fascinante ciclo de retorno,
18:47
and he takes a breath in,
432
1112000
2000
e ele inspira,
18:49
and he whispers "wow"
433
1114000
2000
e sussurra "uau"
18:51
and instinctively I echo back the same.
434
1116000
4000
e instintivamente eu ecoo o mesmo.
18:56
And so let's fly back in time
435
1121000
3000
Vamos voar para trás no tempo
18:59
to that memorable moment.
436
1124000
2000
até esse momento memorável.
19:05
(Video) DR: Hey.
437
1130000
2000
(Vídeo) DR: Hey.
19:07
Come here.
438
1132000
2000
Anda cá.
19:09
Can you do it?
439
1134000
3000
Consegues?
19:13
Oh, boy.
440
1138000
2000
Oh, meu deus.
19:15
Can you do it?
441
1140000
3000
Consegues?
19:18
Baby: Yeah.
442
1143000
2000
Bebé: sim.
19:20
DR: Ma, he's walking.
443
1145000
3000
DR: Mãe, ele está a andar.
19:24
(Laughter)
444
1149000
2000
(Risos)
19:26
(Applause)
445
1151000
2000
Aplausos)
19:28
DR: Thank you.
446
1153000
2000
DR: Obrigado.
19:30
(Applause)
447
1155000
15000
(Aplausos)
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