TED2011
Deb Roy: The birth of a word
เด็บ รอย: กำเนิดของถ้อยคำ
Filmed:
Readability: 4.2
2,809,941 views
นักวิจัยจากมหาวิทยาลัย MIT อยากรู้ว่าลูกชายตัวน้อยของเขาเรียนรู้ภาษาอย่างไร เขาติดตั้งกล้องวิดีโอทั่วบ้านเพื่อบันทึกทุกวินาที (ยกเว้นบางเวลา) ในชีวิตของลูกชายของเขา แล้ววิเคราะห์วิดีโอ 90,000 ชั่วโมงเพื่อศึกษาว่า "gaaaa" (กาาาา) ค่อยๆ กลายเป็น "water" (น้ำ). งานวิจัยที่เพียบไปด้วยข้อมูลชิ้นนี้บอกอะไรหลายอย่างที่ลึกซึ้งเกี่ยวกับการเรียนรู้ของคนเรา
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
ลองจินตนาการดูนะครับ ถ้าคุณถ่ายวิดีโอชีวิตตัวเอง
00:19
everything you said, everything you did,
1
4000
3000
ทุกอย่างที่คุณพูด ทุกอย่างที่คุณทำ
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
ถูกเก็บไว้อย่างสมบูรณ์ ให้คุณเปิดดูได้เพียงปลายนิ้วสัมผัส
00:25
so you could go back
3
10000
2000
คุณสามารถย้อนกลับไป
00:27
and find memorable moments and relive them,
4
12000
3000
ค้นหาช่วงเวลาที่น่าจดจำและสัมผัสมันได้ใหม่
00:30
or sift through traces of time
5
15000
3000
หรือมองผ่านช่วงเวลา
00:33
and discover patterns in your own life
6
18000
2000
เพื่อค้นหาแบบแผนในชีวิตของคุณ
00:35
that previously had gone undiscovered.
7
20000
3000
ที่คุณไม่เคยสังเกตเห็นมาก่อน
00:38
Well that's exactly the journey
8
23000
2000
นั่นแหละครับ คือการผจญภัย
00:40
that my family began
9
25000
2000
ที่ครอบครัวผมเริ่มต้น
00:42
five and a half years ago.
10
27000
2000
เมื่อห้าปีครึ่งที่แล้ว
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
นี่ภรรยาผม และทีมงานของผม รูพัล
00:47
And on this day, at this moment,
12
32000
2000
วันนั้น วินาทีนั้น
00:49
we walked into the house with our first child,
13
34000
2000
เราเดินเข้าไปในบ้านพร้อมกับลูกคนแรกของเรา
00:51
our beautiful baby boy.
14
36000
2000
ลูกชายที่น่ารักของเรา
00:53
And we walked into a house
15
38000
3000
เราเดินเข้าไปในบ้าน
00:56
with a very special home video recording system.
16
41000
4000
ที่มีระบบบันทึกวิดีโอที่พิเศษสุด
01:07
(Video) Man: Okay.
17
52000
2000
(วิดีโอ) ชายในวิดีโอ: โอเค
01:10
Deb Roy: This moment
18
55000
1000
เด็บ รอย: ช่วงเวลานี้
01:11
and thousands of other moments special for us
19
56000
3000
และช่วงเวลาอีกนับพันที่พิเศษสำหรับเรา
01:14
were captured in our home
20
59000
2000
ได้ถูกบันทึกในบ้านของเรา
01:16
because in every room in the house,
21
61000
2000
เพราะทุกๆ ห้องในบ้านของเรา
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
ถ้าคุณมองขึ้นไป คุณจะเห็นกล้องกับไมโครโฟน
01:21
and if you looked down,
23
66000
2000
ถ้าคุณมองลงมาจากกล้องนั้น
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
คุณจะเห็นห้องทั้งห้องจากมุมสูง
01:25
Here's our living room,
25
70000
3000
นี่คือห้องรับแขกของเรา
01:28
the baby bedroom,
26
73000
3000
ห้องของลูก
01:31
kitchen, dining room
27
76000
2000
ครัว ห้องทานข้าว
01:33
and the rest of the house.
28
78000
2000
และส่วนอื่นๆ ของบ้าน
01:35
And all of these fed into a disc array
29
80000
3000
ทั้งหมดนี้ถูกบันทึกลงในดิสก์ความจุมหาศาล
01:38
that was designed for a continuous capture.
30
83000
3000
ที่ถูกออกแบบมาให้บันทึกข้อมูลได้อย่างต่อเนื่อง
01:41
So here we are flying through a day in our home
31
86000
3000
นี่เรากำลังเดินทางผ่านเวลาวันหนึ่งในบ้านของเรา
01:44
as we move from sunlit morning
32
89000
3000
จากตอนเช้าที่พระอาทิตย์ส่อง
01:47
through incandescent evening
33
92000
2000
จนค่ำที่แสงไฟเข้ามาแทนที่
01:49
and, finally, lights out for the day.
34
94000
3000
จนกระทั่งแสงไฟดับไป
01:53
Over the course of three years,
35
98000
3000
ตลอดเวลาสามปี
01:56
we recorded eight to 10 hours a day,
36
101000
2000
เราบันทึกวิดีโอแบบนี้วันละ 8-10 ชั่วโมง
01:58
amassing roughly a quarter-million hours
37
103000
3000
รวมๆ แล้วก็ประมาณ 150,000 ชั่วโมง
02:01
of multi-track audio and video.
38
106000
3000
มีทั้งเสียงและวิดีโอ
02:04
So you're looking at a piece of what is by far
39
109000
2000
ที่คุณกำลังดูอยู่นี่ก็เลยเป็น
02:06
the largest home video collection ever made.
40
111000
2000
โฮมวิดีโอที่ยาวที่สุดที่เคยมีคนทำมา
02:08
(Laughter)
41
113000
3000
(เสียงหัวเราะ)
02:11
And what this data represents
42
116000
2000
สิ่งที่ข้อมูลชิ้นนี้ถ่ายทอด
02:13
for our family at a personal level,
43
118000
4000
สำหรับครอบครัวของเรา
02:17
the impact has already been immense,
44
122000
2000
มีความหมายมหาศาล
02:19
and we're still learning its value.
45
124000
3000
และเราก็กำลังเรียนรู้คุณค่าของมัน
02:22
Countless moments
46
127000
2000
ช่วงเวลานับไม่ถ้วน
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
ช่วงเวลาที่เป็นธรรมชาติ ไม่เสแสร้ง
02:27
are captured there,
48
132000
2000
ได้ถูกบันทึกเอาไว้
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
และเราก็เริ่มเรียนรู้ที่จะค้นหา และค้นพบมัน
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
แต่โครงการนี้มีเหตุผลทางวิทยาศาสตร์อยู่เบื้องหลังด้วยครับ
02:35
which was to use this natural longitudinal data
51
140000
4000
นั่นคือ เราจะใช้ข้อมูลที่เกิดขึ้นตามธรรมชาติในระยะยาว
02:39
to understand the process
52
144000
2000
เพื่อทำความเข้าใจกระบวนการ
02:41
of how a child learns language --
53
146000
2000
ที่เด็กเรียนรู้ภาษา
02:43
that child being my son.
54
148000
2000
เด็กคนนั้นคือลูกชายของผมเอง
02:45
And so with many privacy provisions put in place
55
150000
4000
และเนื่องจากมีข้อมูลส่วนตัวมากมายถูกบันทึกไว้ในนี้
02:49
to protect everyone who was recorded in the data,
56
154000
3000
เพื่อปกป้องทุกคนที่ถูกบันทึกไว้ในข้อมูลชุดนี้
02:52
we made elements of the data available
57
157000
3000
เราจึงเปิดเผยข้อมูลเพียงบางส่วน
02:55
to my trusted research team at MIT
58
160000
3000
กับทีมวิจัยที่ผมไว้ใจที่ MIT เท่านั้น
02:58
so we could start teasing apart patterns
59
163000
3000
แล้วเราก็เริ่มวิเคราะห์แยกแยะแบบแผน
03:01
in this massive data set,
60
166000
3000
ที่อยู่ในข้อมูลมากมายมหาศาลนี้
03:04
trying to understand the influence of social environments
61
169000
3000
เพื่อทำความเข้าใจอิทธิพลของสิ่งแวดล้อมทางสังคม
03:07
on language acquisition.
62
172000
2000
ที่มีต่อการเรียนรู้ภาษา
03:09
So we're looking here
63
174000
2000
ที่เราเห็นอยู่นี่
03:11
at one of the first things we started to do.
64
176000
2000
คืออย่างแรกที่เราเริ่มทำ
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
นี่คือผมกับภรรยากำลังทำอาหารเช้าอยู่ในครัว
03:17
and as we move through space and through time,
66
182000
3000
และเราก็เคลื่อนที่ผ่านพี้นที่และเวลา
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
เป็นแบบแผนที่เกิดขึ้นในครัวทุกวัน
03:23
In order to convert
68
188000
2000
เพื่อที่จะแปลง
03:25
this opaque, 90,000 hours of video
69
190000
3000
วิดีโอ 90,000 ชั่วโมงที่ยากจะเข้าใจ
03:28
into something that we could start to see,
70
193000
2000
ให้กลายเป็นอะไรที่เราสามารถเข้าใจได้
03:30
we use motion analysis to pull out,
71
195000
2000
เราใช้การวิเคราะห์การเคลื่อนไหว (motion analysis)
03:32
as we move through space and through time,
72
197000
2000
เพื่อสกัดการเคลื่อนที่ของเราผ่านพี้นที่และผ่านเวลา
03:34
what we call space-time worms.
73
199000
3000
ซึ่งเราเรียกว่าตัวหนอนในพี้นที่และเวลา
03:37
And this has become part of our toolkit
74
202000
3000
และนี่ก็ได้กลายเป็นส่วนหนึ่งของเครื่องมือ
03:40
for being able to look and see
75
205000
3000
ที่ช่วยให้เรามองเห็น
03:43
where the activities are in the data,
76
208000
2000
ว่ามีกิจกรรมอะไรเกิดขึ้นในวิดีโอ
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
และใช้มันเพื่อสืบย้อนไปดูแบบแผน
03:48
where my son moved throughout the home,
78
213000
2000
ว่าลูกชายของผมเคลื่อนที่ไปไหนในบ้านบ้าง
03:50
so that we could focus our transcription efforts,
79
215000
3000
เราจะได้มุ่งถอดเทป
03:53
all of the speech environment around my son --
80
218000
3000
คำพูดทั้งหมดในสิ่งแวดล้อมรอบตัวลูกชายผม
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
ทุกคำที่เขาได้ยินจากผม จากภรรยาผม จากพี่เลี้ยง
03:59
and over time, the words he began to produce.
82
224000
3000
และคำที่เขาเริ่มพูดเมื่อเวลาผ่านไป
04:02
So with that technology and that data
83
227000
3000
ด้วยเทคโนโลยีดังกล่าวกับข้อมูลที่เรามี
04:05
and the ability to, with machine assistance,
84
230000
2000
และความสามารถของเครื่องมือ
04:07
transcribe speech,
85
232000
2000
ที่ใช้ช่วยถอดเทปคำพูด
04:09
we've now transcribed
86
234000
2000
ตอนนี้เราถอดเทปไปได้
04:11
well over seven million words of our home transcripts.
87
236000
3000
มากกว่าเจ็ดล้านคำแล้ว
04:14
And with that, let me take you now
88
239000
2000
และตอนนี้ ผมขอพาคุณ
04:16
for a first tour into the data.
89
241000
3000
ไปชมผลจากข้อมูลของเราเป็นครั้งแรก
04:19
So you've all, I'm sure,
90
244000
2000
ผมมั่นใจว่าทุกคนคงเคยเห็น
04:21
seen time-lapse videos
91
246000
2000
วิดีโอเร่งความเร็ว
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
ที่คุณจะเห็นดอกไม้บานเมื่อคุณเร่งความเร็วของวิดีโอ
04:26
I'd like you to now experience
93
251000
2000
ทีนี้ ผมอยากให้คุณได้สัมผัส
04:28
the blossoming of a speech form.
94
253000
2000
การเบ่งบานของคำพูดบ้าง
04:30
My son, soon after his first birthday,
95
255000
2000
ลูกชายของผม ตอนอายุหนึ่งขวบ
04:32
would say "gaga" to mean water.
96
257000
3000
คำว่า "กากา" (gaga) ของเขาหมายถึง "น้ำ" (water)
04:35
And over the course of the next half-year,
97
260000
3000
ภายในเวลาครึ่งปีต่อมา
04:38
he slowly learned to approximate
98
263000
2000
เขาค่อยๆ เรียนรู้ที่จะพูด
04:40
the proper adult form, "water."
99
265000
3000
คำว่า "น้ำ" (water) ให้เหมือนผู้ใหญ่พูด
04:43
So we're going to cruise through half a year
100
268000
2000
เราจะเดินทางผ่านเวลาครึ่งปี
04:45
in about 40 seconds.
101
270000
2000
ภายในเวลา 40 วินาที
04:47
No video here,
102
272000
2000
ไม่มีภาพวิดีโอนะครับ
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
คุณจะได้มุ่งความสนใจไปที่เสียง
04:52
of a new kind of trajectory:
104
277000
2000
ที่เกิดขึ้นภายในช่วงเวลาเหล่านี้
04:54
gaga to water.
105
279000
2000
กากาเปลี่ยนเป็นวอเตอร์
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
(เสียง) เด็ก: กา กา กา กา กา กา
05:08
Gaga gaga gaga
107
293000
4000
กากา กากา กากา
05:12
guga guga guga
108
297000
5000
กูกา กูกา กูกา
05:17
wada gaga gaga guga gaga
109
302000
5000
วาดา กากา กากา กูกา กากา
05:22
wader guga guga
110
307000
4000
วาเดอ กูกา กูกา
05:26
water water water
111
311000
3000
วอเดอ วอเดอ วอเดอ
05:29
water water water
112
314000
6000
วอเดอ วอเดอ วอเดอ
05:35
water water
113
320000
4000
วอเดอ วอเดอ
05:39
water.
114
324000
2000
วอเตอร์
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
เด็บ รอย: เขาพูดชัดๆ เน้นๆ เลย ใช่ไหมครับ
05:43
(Applause)
116
328000
7000
(เสียงปรบมือ)
05:50
So he didn't just learn water.
117
335000
2000
เขาไม่ได้เรียนรู้เฉพาะคำว่าน้ำ (water)
05:52
Over the course of the 24 months,
118
337000
2000
ตลอดเวลา 24 เดือน
05:54
the first two years that we really focused on,
119
339000
3000
หรือสองปีแรก ซึ่งเราสนใจมากที่สุดในงานวิจัยนี้
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
นี่คือแผนที่ของคำทุกคำที่เขาเรียนรู้เรียงตามลำดับก่อนหลัง
06:01
And because we have full transcripts,
121
346000
3000
และเนื่องจากเรามีบทที่ถอดเทปมาทั้งหมด
06:04
we've identified each of the 503 words
122
349000
2000
เราระบุคำ 503 คำที่เขาเรียนรู้
06:06
that he learned to produce by his second birthday.
123
351000
2000
และพูดได้ภายในเวลาสองขวบปีแรก
06:08
He was an early talker.
124
353000
2000
เขาเป็นเด็กที่เริ่มพูดเร็ว
06:10
And so we started to analyze why.
125
355000
3000
เราก็เลยสนใจวิเคราะห์ว่าทำไม
06:13
Why were certain words born before others?
126
358000
3000
ทำไมคำบางคำถึงเกิดก่อนคำอื่น?
06:16
This is one of the first results
127
361000
2000
นี่เป็นหนึ่งในผลการวิเคราะห์ชุดแรก
06:18
that came out of our study a little over a year ago
128
363000
2000
ที่ออกมาเมื่อสักปีกว่าที่ผ่านมา
06:20
that really surprised us.
129
365000
2000
และทำให้เราแปลกใจจริงๆ
06:22
The way to interpret this apparently simple graph
130
367000
3000
วิธีตีความกราฟง่ายๆ นี้ก็คือ
06:25
is, on the vertical is an indication
131
370000
2000
แกนตั้งนี่คือดัชนีแสดง
06:27
of how complex caregiver utterances are
132
372000
3000
ความซับซ้อนของคำพูดของผู้เลี้ยงดู
06:30
based on the length of utterances.
133
375000
2000
วัดจากความยาวของประโยคที่พูด
06:32
And the [horizontal] axis is time.
134
377000
3000
ส่วนแกนนอนคือเวลา
06:35
And all of the data,
135
380000
2000
วิธีวิเคราะห์ข้อมูลของเรา
06:37
we aligned based on the following idea:
136
382000
3000
เป็นอย่างนี้ครับ
06:40
Every time my son would learn a word,
137
385000
3000
ทุกครั้งที่ลูกชายของผมพูดคำใหม่ได้
06:43
we would trace back and look at all of the language he heard
138
388000
3000
เราจะสืบย้อนไปดูทุกสิ่งทุกอย่างที่เขาได้ยิน
06:46
that contained that word.
139
391000
2000
ที่มีคำนั้นอยู่ด้วย
06:48
And we would plot the relative length of the utterances.
140
393000
4000
แล้วเราก็จะพลอตความยาวของคำพูดที่มีคำนั้นอยู่
06:52
And what we found was this curious phenomena,
141
397000
3000
สิ่งที่เราพบคือปรากฏการณ์ที่น่าสนใจอย่างนี้ครับ
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
คำพูดของผู้เลี้ยงดูจะลดความซับซ้อนลงอย่างเป็นระบบ
06:58
making language as simple as possible,
143
403000
3000
ใช้ภาษาให้ง่ายที่สุดเท่าที่จะเป็นไปได้
07:01
and then slowly ascend back up in complexity.
144
406000
3000
แล้วค่อยๆ เพิ่มความซับซ้อนกลับขึ้นมาช้าๆ
07:04
And the amazing thing was
145
409000
2000
ที่น่าทึ่งก็คือ
07:06
that bounce, that dip,
146
411000
2000
จุดเปลี่ยนที่เส้นกราฟเด้งกลับ
07:08
lined up almost precisely
147
413000
2000
ตรงพอดีเป๊ะ
07:10
with when each word was born --
148
415000
2000
กับเวลาเกิดของคำแต่ละคำ
07:12
word after word, systematically.
149
417000
2000
คำแล้วคำเล่า อย่างเป็นระบบ
07:14
So it appears that all three primary caregivers --
150
419000
2000
ดูเหมือนว่าผู้เลี้ยงดูหลักทั้งสามคน
07:16
myself, my wife and our nanny --
151
421000
3000
คือผม ภรรยา และพี่เลี้ยง
07:19
were systematically and, I would think, subconsciously
152
424000
3000
อย่างเป็นระบบ และโดยไม่รู้ตัว
07:22
restructuring our language
153
427000
2000
ได้จัดโครงสร้างภาษาที่เราใช้
07:24
to meet him at the birth of a word
154
429000
3000
เพื่อให้เหมาะกับเขาจนเขาเริ่มพูดคำแต่ละคำได้
07:27
and bring him gently into more complex language.
155
432000
4000
แล้วค่อยๆ นำเขาให้เรียนรู้ภาษาที่ซับซ้อนขึ้นอย่างช้าๆ
07:31
And the implications of this -- there are many,
156
436000
2000
ข้อค้นพบนี้สะท้อนอะไรที่สำคัญหลายอย่าง
07:33
but one I just want to point out,
157
438000
2000
แต่อย่างหนึ่งที่ผมอยากชี้ให้เห็นก็คือ
07:35
is that there must be amazing feedback loops.
158
440000
3000
มันต้องมีวงจรของผลป้อนกลับ (feedback) ที่น่าทึ่ง
07:38
Of course, my son is learning
159
443000
2000
แน่ละ ลูกชายผมเรียนรู้
07:40
from his linguistic environment,
160
445000
2000
จากสิ่งแวดล้อมทางภาษาของเขา
07:42
but the environment is learning from him.
161
447000
3000
แต่สิ่งแวดล้อมก็เรียนรู้จากเขาด้วยเหมือนกัน
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
สิ่งแวดล้อมที่ว่านั่นคือผู้คน ซึ่งอยู่ในวงจรของผลป้อนกลับนี้
07:48
and creating a kind of scaffolding
163
453000
2000
และสร้างสิ่งที่เปรียบเหมือนนั่งร้านทางภาษา
07:50
that has not been noticed until now.
164
455000
3000
ซึ่งเราไม่เคยสังเกตเห็นมาก่อน
07:54
But that's looking at the speech context.
165
459000
2000
เอาล่ะครับ นั่นเป็นเรื่องเสียงและการพูด
07:56
What about the visual context?
166
461000
2000
มาดูเรื่องภาพกันบ้าง
07:58
We're not looking at --
167
463000
2000
เราไม่ได้ดูภาพห้องต่างๆ แยกกัน
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
คิดซะว่านี่เป็นเหมือนบ้านตุ๊กตา
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
เราเอาภาพจากกล้องที่ใช้เลนส์มุมกว้าง
08:05
and we've done some optical correction,
170
470000
2000
มาแก้สัดส่วนของภาพ
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
แล้วเอามาต่อกันเป็นภาพสามมิติ
08:11
So welcome to my home.
172
476000
2000
ยินดีต้อนรับสู่บ้านของเราครับ
08:13
This is a moment,
173
478000
2000
นี่เป็นช่วงขณะหนึ่ง
08:15
one moment captured across multiple cameras.
174
480000
3000
ที่ถูกบันทึกด้วยกล้องหลายตัวในเวลาเดียวกัน
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
เราทำแบบนี้เพื่อสร้างเครื่องเก็บความทรงจำ
08:21
where you can go back and interactively fly around
176
486000
3000
ที่คุณสามารถย้อนกลับไปและเคลื่อนที่ไปมาในนี้ได้
08:24
and then breathe video-life into this system.
177
489000
3000
แล้วก็เอาสิ่งที่เกิดขึ้นในวิดีโอใส่เข้าไป
08:27
What I'm going to do
178
492000
2000
สิ่งที่ผมกำลังจะทำคือ
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
ผมจะให้คุณดูภาพเร่งความเร็วของวิดีโอยาว 30 นาที
08:32
again, of just life in the living room.
180
497000
2000
เป็นสิ่งที่เกิดขึ้นในห้องนั่งเล่น
08:34
That's me and my son on the floor.
181
499000
3000
นั่นคือผมกับลูกชายของผมนั่งอยู่บนพี้น
08:37
And there's video analytics
182
502000
2000
แล้วก็มีระบบวิเคราะห์วิดีโอ
08:39
that are tracking our movements.
183
504000
2000
ที่ติดตามการเคลื่อนไหวของเรา
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
การเคลื่อนไหวของลูกชายผมคือเส้นสีแดง ของผมสีเขียว
08:44
We're now on the couch,
185
509000
2000
ตอนนี้เราอยู่บนโซฟา
08:46
looking out through the window at cars passing by.
186
511000
3000
มองผ่านหน้าต่างออกไปที่รถที่วิ่งผ่านไปมา
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
แล้วลูกชายของผมก็เล่นกับของเล่นของเขา
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
ทีนี้ เราหยุดการเคลื่อนไหว 30 นาทีที่ผ่านมา
08:55
we turn time into the vertical axis,
189
520000
2000
เอาเวลามาพล็อตเป็นแกนตั้ง
08:57
and we open up for a view
190
522000
2000
แล้วก็มาดูภาพ
08:59
of these interaction traces we've just left behind.
191
524000
3000
ร่องรอยการปฏิสัมพันธ์ที่เราทิ้งไว้เมื่อกี้
09:02
And we see these amazing structures --
192
527000
3000
เราพบโครงสร้างที่น่าทึ่งแบบนี้ครับ
09:05
these little knots of two colors of thread
193
530000
3000
ปมเล็กๆ ที่เกิดจากเส้นด้ายสองสีเหล่านี้
09:08
we call "social hot spots."
194
533000
2000
เราเรียกว่าจุดศูนย์รวมกิจกรรมทางสังคม (social hot spots)
09:10
The spiral thread
195
535000
2000
ส่วนเส้นที่วนเป็นเกลียวๆ นี่
09:12
we call a "solo hot spot."
196
537000
2000
เราเรียกว่าจุดศูนย์กลางกิจกรรมเดี่ยว (solo hot spot)
09:14
And we think that these affect the way language is learned.
197
539000
3000
เราคิดว่าแบบแผนพวกนี้มีผลต่อการเรียนรู้ภาษา
09:17
What we'd like to do
198
542000
2000
สิ่งที่เราอยากทำต่อไปก็คือ
09:19
is start understanding
199
544000
2000
ทำความเข้าใจ
09:21
the interaction between these patterns
200
546000
2000
ปฏิสัมพันธ์ระหว่างแบบแผนเหล่านี้
09:23
and the language that my son is exposed to
201
548000
2000
กับภาษาที่ลูกชายของผมได้ยินได้เห็น
09:25
to see if we can predict
202
550000
2000
เพื่อดูว่าเราจะสามารถทำนายได้ไหม
09:27
how the structure of when words are heard
203
552000
2000
ว่าการที่เขาได้ยินคำนั้นที่ไหน เมื่อไหร่
09:29
affects when they're learned --
204
554000
2000
มีผลกับเวลาและสถานที่ที่เขาพูดคำนั้นได้หรือเปล่า
09:31
so in other words, the relationship
205
556000
2000
พูดอีกอย่างคือ ความสัมพันธ์
09:33
between words and what they're about in the world.
206
558000
4000
ระหว่างคำกับสถานที่ที่มันเกิด
09:37
So here's how we're approaching this.
207
562000
2000
วิธีการของเราเป็นอย่างนี้ครับ
09:39
In this video,
208
564000
2000
ในวิดีโอนี้
09:41
again, my son is being traced out.
209
566000
2000
เราติดตามลูกชายของผม
09:43
He's leaving red ink behind.
210
568000
2000
เขาทิ้งร่องรอยเป็นเส้นสีแดงไว้
09:45
And there's our nanny by the door.
211
570000
2000
แล้วนั่นคือพี่เลี้ยง อยู่ตรงข้างประตู
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(วิดีโอ) พี่เลี่ยง: เอาน้ำ (water) ไหมจ๊ะ? (เด็ก: อาาา)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
พี่เลี้ยง: ได้จ้ะ (เด็ก: อาาา)
09:53
DR: She offers water,
214
578000
2000
เด็บ รอย: เธอถามเขาว่าอยากได้น้ำไหม
09:55
and off go the two worms
215
580000
2000
แล้วตัวหนอนสองตัวก็เคลื่อนที่
09:57
over to the kitchen to get water.
216
582000
2000
ไปทางห้องครัว เพื่อเอาน้ำ
09:59
And what we've done is use the word "water"
217
584000
2000
เราใช้คำว่า "น้ำ" (water)
10:01
to tag that moment, that bit of activity.
218
586000
2000
เพื่อทำเครื่องหมายช่วงเวลานั้นไว้
10:03
And now we take the power of data
219
588000
2000
แล้วเราก็ใช้พลังของข้อมูลมหาศาล
10:05
and take every time my son
220
590000
3000
สกัดเอาทุกๆ ครั้งที่ลูกชายของผม
10:08
ever heard the word water
221
593000
2000
ได้ยินคำว่า "น้ำ" (water)
10:10
and the context he saw it in,
222
595000
2000
และบริบทที่เขาได้ยินมัน
10:12
and we use it to penetrate through the video
223
597000
3000
เราค้นหาทั่วทุกชั่วโมงในวิดีโอ
10:15
and find every activity trace
224
600000
3000
เพื่อหากิจกรรมทุกอย่าง
10:18
that co-occurred with an instance of water.
225
603000
3000
ที่เกิดขึ้นพร้อมกับคำว่า "น้ำ" (water)
10:21
And what this data leaves in its wake
226
606000
2000
สิ่งที่ร่องรอยของข้อมูลทิ้งไว้ให้
10:23
is a landscape.
227
608000
2000
คือภูมิทัศน์อันนี้
10:25
We call these wordscapes.
228
610000
2000
เราเรียกว่า ภูมิทัศน์ของคำ
10:27
This is the wordscape for the word water,
229
612000
2000
นี่คือภูมิทัศน์ของคำว่า "น้ำ" (water)
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
คุณจะเห็นว่ากิจกรรมส่วนใหญ่ที่มีคำว่าน้ำเกิดขึ้นในครัว
10:31
That's where those big peaks are over to the left.
231
616000
3000
ตรงที่มีข้อมูลเป็นยอดเขาสูงอยู่ตรงซ้ายมือนั่น
10:34
And just for contrast, we can do this with any word.
232
619000
3000
และเพื่อเปรียบเทียบ เราทำแบบนี้กับคำอะไรก็ได้
10:37
We can take the word "bye"
233
622000
2000
เราลองกับคำว่า "บาย" (bye)
10:39
as in "good bye."
234
624000
2000
อย่างคำว่า "กู๊ดบาย" (good bye)
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
เราซูมเข้าไปที่ประตูเข้าบ้าน
10:43
And we look, and we find, as you would expect,
236
628000
3000
แล้วก็อย่างที่คุณน่าจะคาดได้
10:46
a contrast in the landscape
237
631000
2000
เราพบภูมิทัศน์ของที่ที่
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
คำว่า "บาย" เกิดขึ้นบ่อยๆ ซึ่งแตกต่างออกไป
10:51
So we're using these structures
239
636000
2000
เรากำลังใช้โครงสร้างพวกนี้
10:53
to start predicting
240
638000
2000
เพื่อทำนาย
10:55
the order of language acquisition,
241
640000
3000
ลำดับขั้นตอนของการเรียนรู้ภาษา
10:58
and that's ongoing work now.
242
643000
2000
งานนี้กำลังอยู่ระหว่างดำเนินการครับ
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
มาดูงานในแล็บของผมที่ MIT บ้าง
11:03
this is at the media lab.
244
648000
2000
นี่คือห้องปฏิบัติการด้านสื่อ
11:05
This has become my favorite way
245
650000
2000
เดี๋ยวนี้ผมเลยชอบ
11:07
of videographing just about any space.
246
652000
2000
ถ่ายวิดีโอแบบนี้ไปหมดทุกที่เลย
11:09
Three of the key people in this project,
247
654000
2000
ในรูปนี่คือทีมงานหลักสามคนในโครงการนี้
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
ฟิลลิป เดอแคมป์ โรนี่ คูบัต และแบรนดอน รอย
11:14
Philip has been a close collaborator
249
659000
2000
ฟิลลิปเป็นคนจัดเตรียม
11:16
on all the visualizations you're seeing.
250
661000
2000
ภาพทั้งหมดที่คุณเห็นอยู่นี้
11:18
And Michael Fleischman
251
663000
3000
และไมเคิล ไฟล์ชแมน
11:21
was another Ph.D. student in my lab
252
666000
2000
เป็นนักศึกษาปริญญาเอกอีกคนหนึ่งในแล็บของผม
11:23
who worked with me on this home video analysis,
253
668000
3000
ที่ทำงานวิเคราะห์โฮมวิดีนี้กับผม
11:26
and he made the following observation:
254
671000
3000
เขาตั้งข้อสังเกตว่า
11:29
that "just the way that we're analyzing
255
674000
2000
"วิธีที่เราใช้วิเคราะห์ว่า
11:31
how language connects to events
256
676000
3000
ภาษาสัมพันธ์กับเหตุการณ์อย่างไร
11:34
which provide common ground for language,
257
679000
2000
ซึ่งทำให้เราเข้าใจพื้นที่ส่วนกลางที่เป็นที่เกิดของภาษา
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
แนวคิดนี้เราสามารถเอาไปใช้ที่อื่นนอกบ้านได้นะเด็บ
11:40
and we can apply it to the world of public media."
259
685000
3000
เราเอาไปประยุกต์กับโลกของสื่อสาธารณะได้"
11:43
And so our effort took an unexpected turn.
260
688000
3000
แล้วงานของเราก็เลยพลิกมุมโดยไม่คาดคิดมาก่อน
11:46
Think of mass media
261
691000
2000
ลองนึกถึงสื่อมวลชน
11:48
as providing common ground
262
693000
2000
ว่าเป็นพี้นที่ส่วนกลางสำหรับเนื้อหาต่างๆ
11:50
and you have the recipe
263
695000
2000
และคุณก็มีสูตร
11:52
for taking this idea to a whole new place.
264
697000
3000
สำหรับนำแนวคิดใหม่นี้ไปใช้ในบริบทใหม่
11:55
We've started analyzing television content
265
700000
3000
ตอนนี้เราเริ่มวิเคราะห์เนื้อหาในสื่อโทรทัศน์
11:58
using the same principles --
266
703000
2000
โดยใช้วิธีการที่ว่านี้แล้ว
12:00
analyzing event structure of a TV signal --
267
705000
3000
เราวิเคราะห์โครงสร้างเหตุการณ์ที่เกิดขึ้นในทีวี
12:03
episodes of shows,
268
708000
2000
รายการตอนต่างๆ
12:05
commercials,
269
710000
2000
โฆษณา
12:07
all of the components that make up the event structure.
270
712000
3000
ทุกอย่างที่ประกอบกันขึ้นเป็นโครงสร้างของเหตุการณ์ทั้งหมด
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
ตอนนี้เราดึงข้อมูลจากจานดาวเทียมและวิเคราะห์
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
รายการทีวีทั้งหมดที่คนดูกันในอเมริกา
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
คุณไม่ต้องไปติดตั้งเครื่องมือและไมโครโฟนตามห้องนั่งเล่นในบ้านชาวบ้าน
12:19
to get people's conversations,
274
724000
2000
เพื่อเก็บข้อมูลว่าเขาคุยอะไรกัน
12:21
you just tune into publicly available social media feeds.
275
726000
3000
แค่เก็บข้อมูลตามเครือข่ายสื่อสังคมบนเว็บสาธารณะต่างๆ
12:24
So we're pulling in
276
729000
2000
ตอนนี้เราได้ข้อมูลที่ว่า
12:26
about three billion comments a month,
277
731000
2000
ประมาณสามพันล้านข้อความต่อเดือน
12:28
and then the magic happens.
278
733000
2000
แล้วสิ่งมหัศจรรย์ก็เกิดขึ้น
12:30
You have the event structure,
279
735000
2000
คุณมีโครงสร้างของเหตุการณ์
12:32
the common ground that the words are about,
280
737000
2000
พี้นที่ส่วนกลางที่บรรจุเนื้อหาต่างๆ
12:34
coming out of the television feeds;
281
739000
3000
ที่มาจากโทรทัศน์
12:37
you've got the conversations
282
742000
2000
แล้วคุณก็มีบทสนทนา
12:39
that are about those topics;
283
744000
2000
ที่เกี่ยวกับหัวข้อต่างๆ เหล่านั้น
12:41
and through semantic analysis --
284
746000
3000
และจากการวิเคราะห์ความหมาย--
12:44
and this is actually real data you're looking at
285
749000
2000
อ้อ ที่คุณเห็นอยู่นี่เป็นข้อมูลจริง
12:46
from our data processing --
286
751000
2000
จากการประมวลผลข้อมูลของเรานะครับ--
12:48
each yellow line is showing a link being made
287
753000
3000
เส้นสีเหลืองแสดงการเชื่อมโยงระหว่าง
12:51
between a comment in the wild
288
756000
3000
ข้อความแสดงความเห็นในสื่อทางสังคม
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
กับเนื้อหาในโครงสร้างเหตุการณ์ที่ออกมาจากโทรทัศน์
12:57
And the same idea now
290
762000
2000
แนวคิดอันเดียวกัน
12:59
can be built up.
291
764000
2000
ได้ถูกนำมาใช้
13:01
And we get this wordscape,
292
766000
2000
สร้างภูมิทัศน์ของถ้อยคำ
13:03
except now words are not assembled in my living room.
293
768000
3000
แค่มันไม่ได้เกิดขึ้นในห้องนั่งเล่นของผมเท่านั้นเอง
13:06
Instead, the context, the common ground activities,
294
771000
4000
มันอยู่ในบริบทอื่น ในพี้นที่ส่วนกลางของข่าวสาร
13:10
are the content on television that's driving the conversations.
295
775000
3000
และกิจกรรมที่มาจากโทรทัศน์ที่ขับเคลื่อนบทสนทนาในสังคม
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
ที่เราเห็นเหมือนตึกระฟ้ามากมายนั่น
13:16
are commentary
297
781000
2000
คือความเห็น
13:18
that are linked to content on television.
298
783000
2000
ที่เกี่ยวกับเนื้อหาในโทรทัศน์
13:20
Same concept,
299
785000
2000
แนวคิดเดียวกัน
13:22
but looking at communication dynamics
300
787000
2000
แต่เอามาใช้ศึกษาพลวัตการสื่อสาร
13:24
in a very different sphere.
301
789000
2000
ในบริบทที่แตกต่างออกไป
13:26
And so fundamentally, rather than, for example,
302
791000
2000
ดังนั้น เราจึงเปลี่ยนแปลงอย่างสิ้นเชิง
13:28
measuring content based on how many people are watching,
303
793000
3000
จากการวัดเนื้อหาการสื่อสารจากจำนวนคนที่ดูรายการต่างๆ
13:31
this gives us the basic data
304
796000
2000
มาเป็นวิธีนี้ ซึ่งให้ข้อมูลพี้นฐาน
13:33
for looking at engagement properties of content.
305
798000
3000
ว่าคนมีส่วนร่วมปฏิสัมพันธ์กับเนื้อหาอะไรอย่างไร
13:36
And just like we can look at feedback cycles
306
801000
3000
และเช่นเดียวกับที่เราสามารถศึกษาวงจรของผลป้อนกลับ
13:39
and dynamics in a family,
307
804000
3000
และพลวัตการสื่อสารที่เกิดขึ้นในครอบครัว
13:42
we can now open up the same concepts
308
807000
3000
เราสามารถใช้หลักการเดียวกันนี้
13:45
and look at much larger groups of people.
309
810000
3000
เพื่อศึกษาคนกลุ่มใหญ่ขึ้นได้
13:48
This is a subset of data from our database --
310
813000
3000
นี่เป็นส่วนหนึ่งของข้อมูลจากฐานข้อมูลของเรา
13:51
just 50,000 out of several million --
311
816000
3000
เนื้อหา 50,000 จากเจ็ดล้านชิ้น
13:54
and the social graph that connects them
312
819000
2000
กับเส้นกราฟที่เชื่อมโยงมัน
13:56
through publicly available sources.
313
821000
3000
เข้ากับแหล่งข้อมูลที่อยู่บนเว็บไซต์สาธารณะ
13:59
And if you put them on one plain,
314
824000
2000
ถ้าคุณเอามันมาพลอตบนระนาบ
14:01
a second plain is where the content lives.
315
826000
3000
ระนาบที่สองคือตำแหน่งของเนื้อหาข่าวสาร
14:04
So we have the programs
316
829000
3000
เรามีรายการต่างๆ
14:07
and the sporting events
317
832000
2000
รายการแข่งขันกีฬา
14:09
and the commercials,
318
834000
2000
โฆษณา
14:11
and all of the link structures that tie them together
319
836000
2000
และโครงสร้างที่เชื่อมโยงเนื้อหาเหล่านี้เข้าด้วยกัน
14:13
make a content graph.
320
838000
2000
นั่นเป็นแผนภาพแสดงเนื้อหา
14:15
And then the important third dimension.
321
840000
4000
แล้วเราก็มีมิติที่สามซึ่งเป็นส่วนสำคัญ
14:19
Each of the links that you're seeing rendered here
322
844000
2000
การเชื่อมโยงแต่ละจุดที่คุณเห็นบนจอนี้
14:21
is an actual connection made
323
846000
2000
คือการเชื่อมโยงที่เกิดขึ้นจริง
14:23
between something someone said
324
848000
3000
ระหว่างสิ่งที่คนพูดถึง
14:26
and a piece of content.
325
851000
2000
กับเนื้อหาที่มีการเสนอในโทรทัศน์
14:28
And there are, again, now tens of millions of these links
326
853000
3000
เราพบการเชื่อมโยงแบบนี้นับสิบล้านจุด
14:31
that give us the connective tissue of social graphs
327
856000
3000
ซึ่งเป็นเส้นใยที่เชื่อมโยงอยู่ภายในสังคม
14:34
and how they relate to content.
328
859000
3000
และแสดงความเชื่อมโยงกับเนื้อหาในสื่อ
14:37
And we can now start to probe the structure
329
862000
2000
ทีนี้เราก็เริ่มศึกษาโครงสร้างนี้
14:39
in interesting ways.
330
864000
2000
จากมุมมองที่น่าสนใจได้หลายมุม
14:41
So if we, for example, trace the path
331
866000
3000
เช่น ถ้าเราติดตามเส้นทางของ
14:44
of one piece of content
332
869000
2000
เนื้อหาข่าวสารชิ้นหนึ่ง
14:46
that drives someone to comment on it,
333
871000
2000
ที่ทำให้ใครคนหนึ่งแสดงความเห็นเรื่องนี้
14:48
and then we follow where that comment goes,
334
873000
3000
แล้วเราก็ติดตามดูว่าความคิดเห็นนั้นมันไปไหนต่อ
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
เราดูแผนภาพของสังคมที่ถูกกระตุ้นด้วยเนื้อหาชิ้นนั้น
14:54
and then trace back to see the relationship
336
879000
3000
แล้วสืบย้อนไปดูความสัมพันธ์
14:57
between that social graph and content,
337
882000
2000
ระหว่างแผนภาพทางสังคมกับเนื้อหา
14:59
a very interesting structure becomes visible.
338
884000
2000
เราก็พบแบบแผนโครงสร้างที่น่าสนใจขึ้นมา
15:01
We call this a co-viewing clique,
339
886000
2000
เราเรียกมันว่ากลุ่มผู้ชมร่วม
15:03
a virtual living room if you will.
340
888000
3000
หรือเรียกว่าเป็นห้องนั่งเล่นในโลกเสมือนจริง
15:06
And there are fascinating dynamics at play.
341
891000
2000
ซึ่งมีพลวัตที่น่าสนใจเกิดขึ้น
15:08
It's not one way.
342
893000
2000
มันไม่ใช่การสื่อสารทางเดียว
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
ที่เนื้อหาหรือเหตุการณ์หนึ่งเป็นเหตุให้คนพูดถึงมัน
15:13
They talk to other people.
344
898000
2000
แต่เมื่อคนพูดถึงเรื่องๆ หนึ่งกับคนอื่น
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
มันก็ขับเคลื่อนพฤติกรรมให้คนเปิดรับสื่อเรื่องนั้นด้วย
15:18
and you have these cycles
346
903000
2000
แล้วคุณก็จะเห็นวงจรนี้
15:20
that drive the overall behavior.
347
905000
2000
ขับเคลื่อนพฤติกรรมโดยรวมของผู้ชม
15:22
Another example -- very different --
348
907000
2000
อีกตัวอย่างหนึ่ง อีกมุมที่ต่างออกไปมากเลย
15:24
another actual person in our database --
349
909000
3000
เรามุ่งความสนใจไปที่บุคคลคนหนึ่งที่อยู่ในฐานข้อมูล
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
เรามีคนทั้งหมดอย่างน้อยเป็นร้อยหรือเกือบพันคนในฐานข้อมูลนี้
15:30
We've given this person a name.
351
915000
2000
เราเรียกคนคนนี้
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
ว่าเป็นนักวิจารณ์สื่อมือสมัครเล่นกึ่งอาชีพ
15:35
who has this high fan-out rate.
353
920000
3000
ที่มีอัตราการกระจายความเห็นออกไปสูงมาก
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
คนจำนวนมากติดตามคนคนนี้ เขามีอิทธิพลสูงมาก
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
และเขาก็มีแนวโน้มจะคุยกันถึงเรื่องที่อยู่ในทีวี
15:43
So this person is a key link
356
928000
3000
คนคนนี้จึงเป็นกุญแจสำคัญ
15:46
in connecting mass media and social media together.
357
931000
3000
ที่เชื่อมโยงสื่อมวลชนกับสื่อทางสังคม (Social Media) เข้าด้วยกัน
15:49
One last example from this data:
358
934000
3000
ตัวอย่างสุดท้ายจากข้อมูลนี้
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
บางครั้ง มันก็อยู่ที่ความพิเศษของเนื้อหาข่าวสารบางชิ้น
15:55
So if we go and look at this piece of content,
360
940000
4000
เราก็เลยไปดูเนื้อหาข่าวอันหนึ่ง
15:59
President Obama's State of the Union address
361
944000
3000
การแถลงผลงานของประธานาธิบดีโอบามา
16:02
from just a few weeks ago,
362
947000
2000
เมื่อสองสามสัปดาห์ก่อน
16:04
and look at what we find in this same data set,
363
949000
3000
ลองดูสิครับว่าเราพบอะไรในฐานข้อมูลนี้
16:07
at the same scale,
364
952000
3000
ด้วยหลักการวัดแบบเดิม
16:10
the engagement properties of this piece of content
365
955000
2000
การมีส่วนร่วมปฏิสัมพันธ์กับเนื้อหาข่าวสารชิ้นนี้
16:12
are truly remarkable.
366
957000
2000
มากมายมหาศาลจนน่าทึ่ง
16:14
A nation exploding in conversation
367
959000
2000
คนอเมริกันทั้งประเทศพูดถึงเรื่องนี้
16:16
in real time
368
961000
2000
ในเวลาเดียวกัน
16:18
in response to what's on the broadcast.
369
963000
3000
กับที่สื่อนำเสนอเนื้อหาชิ้นนี้
16:21
And of course, through all of these lines
370
966000
2000
และแน่นอน เส้นที่เชื่อมโยงกันเหล่านี้
16:23
are flowing unstructured language.
371
968000
2000
คือการถ่ายเทของคำพูดที่ไม่มีการจัดโครงสร้างไว้ก่อน
16:25
We can X-ray
372
970000
2000
เราสามารถถ่ายภาพเอ็กซเรย์
16:27
and get a real-time pulse of a nation,
373
972000
2000
วัดการเคลื่อนไหวของประเทศทั้งประเทศ
16:29
real-time sense
374
974000
2000
และปฏิกิริยาตอบสนองทางสังคม
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
ที่เกิดขึ้นในแผนภาพทางสังคม
16:34
being activated by content.
376
979000
3000
ทันทีที่ถูกกระตุ้นโดยข่าวดังกล่าว
16:37
So, to summarize, the idea is this:
377
982000
3000
ดังนั้น โดยสรุป แนวคิดเรื่องนี้ก็คือ
16:40
As our world becomes increasingly instrumented
378
985000
3000
เมื่อโลกของเรามีความก้าวหน้าทางเครื่องไม้เครื่องมือมากขึ้น
16:43
and we have the capabilities
379
988000
2000
เราก็สามารถที่จะ
16:45
to collect and connect the dots
380
990000
2000
เก็บข้อมูลและเชื่อมโยงข้อมูล
16:47
between what people are saying
381
992000
2000
ระหว่างสิ่งที่ผู้คนพูดคุยกัน
16:49
and the context they're saying it in,
382
994000
2000
กับบริบทหรือสถานที่ที่เขาพูดถึงมัน
16:51
what's emerging is an ability
383
996000
2000
ทำให้เรามีสามารถ
16:53
to see new social structures and dynamics
384
998000
3000
ที่จะมองเห็นโครงสร้างและพลวัตทางสังคมแบบใหม่
16:56
that have previously not been seen.
385
1001000
2000
ที่เราไม่เคยเห็นมาก่อน
16:58
It's like building a microscope or telescope
386
1003000
2000
เหมือนกับการสร้างกล้องจุลทรรศน์หรือกล้องโทรทรรศน์
17:00
and revealing new structures
387
1005000
2000
ที่เผยให้เราเห็นโครงสร้าง
17:02
about our own behavior around communication.
388
1007000
3000
พฤติกรรมการสื่อสารของเรา
17:05
And I think the implications here are profound,
389
1010000
3000
และผมคิดว่ามันมีความหมายลึกซึ้งมาก
17:08
whether it's for science,
390
1013000
2000
ไม่ว่าจะในเชิงวิทยาศาสตร์
17:10
for commerce, for government,
391
1015000
2000
เชิงพาณิชย์ ต่อรัฐบาล
17:12
or perhaps most of all,
392
1017000
2000
หรือที่สำคัญที่สุด
17:14
for us as individuals.
393
1019000
3000
ต่อเราในฐานะบุคคล
17:17
And so just to return to my son,
394
1022000
3000
ผมอยากย้อนกลับมาที่ลูกชายของผมหน่อย
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
ระหว่างที่ผมเตรียมการพูดครั้งนี้ เขามายืนมองอยู่ข้างหลังผม
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
ผมเลยให้เขาดูวิดีโอที่ผมกำลังจะฉายให้คุณดูวันนี้
17:25
and I asked him for permission -- granted.
397
1030000
3000
แล้วผมก็ขออนุญาตเขา ซึ่งเขาก็อนุญาต
17:28
And then I went on to reflect,
398
1033000
2000
แล้วผมก็พูดขึ้นมาว่า
17:30
"Isn't it amazing,
399
1035000
3000
"มันน่าทึ่งไหม วันหนึ่ง
17:33
this entire database, all these recordings,
400
1038000
3000
ข้อมูลทั้งหมด วิดีโอทั้งหมดที่ถูกบันทึกไว้นี่
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
พ่อจะส่งต่อให้ลูกและน้องสาวของลูก"
17:38
who arrived two years later --
402
1043000
3000
ซึ่งเกิดหลังจากเขาสองปี
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"แล้วลูกก็จะสามารถย้อนกลับไปสัมผัสช่วงเวลาเหล่านั้น
17:44
that you could never, with your biological memory,
404
1049000
3000
ที่ตอนนั้นลูกไม่สามารถจดจำได้
17:47
possibly remember the way you can now?"
405
1052000
2000
เพราะข้อจำกัดทางชีวภาพ"
17:49
And he was quiet for a moment.
406
1054000
2000
เขาเงียบไปพักหนึ่ง
17:51
And I thought, "What am I thinking?
407
1056000
2000
ผมนึกในใจว่า "นี่ผมคิดอะไรอยู่เนี่ย?
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
เขาอายุแค่ห้าขวบ เขาคงไม่เข้าใจสิ่งที่ผมพูดหรอก"
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
ขณะที่ผมกำลังคิดอยู่นั่นเอง เขาก็มองผมแล้วพูดว่า
17:58
"So that when I grow up,
410
1063000
2000
"งั้นตอนผมโตขึ้น
18:00
I can show this to my kids?"
411
1065000
2000
ผมก็เอาวิดีโอนี่ให้ลูกผมดูได้ใช่ไหมฮะ?"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
ผมคิดในใจว่า "ว้าว สิ่งนี้มันมีพลังจริงๆ เลย"
18:05
So I want to leave you
413
1070000
2000
ฉะนั้น ผมเลยอยากทิ้งท้ายไว้
18:07
with one last memorable moment
414
1072000
2000
ด้วยภาพช่วงเวลาที่น่าจดจำ
18:09
from our family.
415
1074000
3000
จากครอบครัวของเรา
18:12
This is the first time our son
416
1077000
2000
นี่คือครั้งแรกที่ลูกชายของเรา
18:14
took more than two steps at once --
417
1079000
2000
เดินได้มากกว่าสองก้าว
18:16
captured on film.
418
1081000
2000
ซึ่งถูกบันทึกไว้ในวิดีโอ
18:18
And I really want you to focus on something
419
1083000
3000
ผมอยากให้คุณสังเกตดีๆ
18:21
as I take you through.
420
1086000
2000
ระหว่างที่ผมให้คุณดูวิดีโอนี้
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
ในบ้านก็วุ่นๆ ตามธรรมชาติน่ะครับ
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
แม่ผมทำกับข้าวอยู่ในครัว
18:27
and, of all places, in the hallway,
423
1092000
2000
และผมก็อยู่ตรงนั้น ตรงทางเดิน
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
ผมรู้ว่าเขากำลังจะเดิน เขากำลังจะก้าวเดินได้มากกว่าสองก้าว
18:32
And so you hear me encouraging him,
425
1097000
2000
คุณจะได้ยินผมเชียร์ให้เขาเดิน
18:34
realizing what's happening,
426
1099000
2000
เฝ้ามองสิ่งที่กำลังเกิดขึ้น
18:36
and then the magic happens.
427
1101000
2000
แล้วสิ่งมหัศจรรย์ก็เกิดขึ้น
18:38
Listen very carefully.
428
1103000
2000
ฟังดีๆ นะครับ
18:40
About three steps in,
429
1105000
2000
ตอนเขาเดินก้าวที่สาม
18:42
he realizes something magic is happening,
430
1107000
2000
เขารู้ว่าสิ่งมหัศจรรย์บางอย่างได้เกิดขึ้นแล้ว
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
แล้ววงจรปฏิกิริยาตอบสนองที่น่าทึ่งระหว่างผมกับลูกก็เริ่มขึ้น
18:47
and he takes a breath in,
432
1112000
2000
เขาหายใจเข้า
18:49
and he whispers "wow"
433
1114000
2000
แล้วกระซิบเบาๆ ว่า "ว้าว"
18:51
and instinctively I echo back the same.
434
1116000
4000
แล้วผมก็ตอบสนองกลับไปแบบเดียวกันโดยอัตโนมัติ ตามสัญชาตญาณ
18:56
And so let's fly back in time
435
1121000
3000
เรามาย้อนเวลากลับไปยัง
18:59
to that memorable moment.
436
1124000
2000
ช่วงเวลาที่น่าจดจำนั้นกันครับ
19:05
(Video) DR: Hey.
437
1130000
2000
(วิดีโอ) เด็บ: เฮ้
19:07
Come here.
438
1132000
2000
มานี่ซิ
19:09
Can you do it?
439
1134000
3000
ทำได้ไหม?
19:13
Oh, boy.
440
1138000
2000
ว่าไงลูก
19:15
Can you do it?
441
1140000
3000
ทำได้ไหม?
19:18
Baby: Yeah.
442
1143000
2000
เด็ก: เย้
19:20
DR: Ma, he's walking.
443
1145000
3000
เด็บ: แม่ครับ เขาเดินแล้ว
19:24
(Laughter)
444
1149000
2000
(เสียงหัวเราะ)
19:26
(Applause)
445
1151000
2000
(เสียงปรบมือ)
19:28
DR: Thank you.
446
1153000
2000
เด็บ: ขอบคุณครับ
19:30
(Applause)
447
1155000
15000
(เสียงปรบมือ)
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