ABOUT THE SPEAKER
Laura Schulz - Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn.

Why you should listen

MIT Early Childhood Cognition Lab lead investigator Laura Schulz studies learning in early childhood. Her research bridges computational models of cognitive development and behavioral studies in order to understand the origins of inquiry and discovery.

Working in play labs, children’s museums, and a recently-launched citizen science website, Schultz is reshaping how we view young children’s perceptions of the world around them. Some of the surprising results of her research: before the age of four, children expect hidden causes when events happen probabilistically, use simple experiments to distinguish causal hypotheses, and trade off learning from instruction and exploration.

More profile about the speaker
Laura Schulz | Speaker | TED.com
TED2015

Laura Schulz: The surprisingly logical minds of babies

Laura Schulz: Děti uvažují nečekaně logicky

Filmed:
1,888,975 views

Jak si děti dokáží na základě minima informací osvojovat tak rychle tolik věcí? Kognitivní vědkyně Laura Schulz nám zábavnou formou představí experimentální poznatky, ze kterých plyne, že ještě předtím, než se naši nejmenší naučí mluvit, dokáží se rozhodovat na základě nečekaně logických kritérií.
- Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio

Double-click the English transcript below to play the video.

00:12
MarkMark TwainRozhraní TWAIN summedsoučet up
what I take to be
0
835
2155
Podstatu toho, co zkoumá
kognitivní věda,
00:14
one of the fundamentalzákladní problemsproblémy
of cognitivepoznávací scienceVěda
1
2990
3120
shrnul Mark Twain jediným
chytrým aforismem:
00:18
with a singlesingl witticismbonmot.
2
6110
1710
„Na vědě je cosi podmanivého.
00:20
He said, "There's something
fascinatingfascinující about scienceVěda.
3
8410
3082
00:23
One getsdostane suchtakový wholesaleVelkoobchod
returnsvrátí se of conjecturedomněnka
4
11492
3228
Z nepatrné investice v podobě faktů
00:26
out of suchtakový a triflingbezvýznamný
investmentinvestice in factskutečnost."
5
14720
3204
získáváme tučné výnosy
v podobě domněnek.“
00:29
(LaughterSmích)
6
17924
1585
(Smích.)
00:32
TwainRozhraní TWAIN meantznamená it as a jokežert,
of coursechod, but he's right:
7
20199
2604
Twain to řekl v žertu,
ale je to vlastně pravda.
00:34
There's something
fascinatingfascinující about scienceVěda.
8
22803
2876
Věda je čímsi podmanivá.
00:37
From a fewpár boneskosti, we inferodvodit
the existenceexistence of dinosuarsDinosuars.
9
25679
4261
Stačí pár kostí a víme,
že existovali dinosauři.
00:42
From spectralspektrální linesline,
the compositionsložení of nebulaemlhoviny.
10
30910
3871
Ze spektrálních čar vyvozujeme
složení hvězdných mlhovin.
00:47
From fruitovoce fliesmouchy,
11
35471
2938
Na muškách octomilkách
sledujeme mechanismy dědičnosti.
00:50
the mechanismsmechanismy of hereditydědičnost,
12
38409
2943
00:53
and from reconstructedrekonstruována imagessnímky
of bloodkrev flowingtekoucí throughpřes the brainmozek,
13
41352
4249
A na základě snímků,
jak mozkem protéká krev,
00:57
or in my casepouzdro, from the behaviorchování
of very youngmladý childrenděti,
14
45601
4708
anebo na základě chování dětí,
jemuž se věnuji třeba já,
01:02
we try to say something about
the fundamentalzákladní mechanismsmechanismy
15
50309
2829
studujeme bytostné mechanismy,
01:05
of humančlověk cognitionpoznání.
16
53138
1618
jak lidé poznávají svět.
01:07
In particularkonkrétní, in my lablaboratoř in the DepartmentOddělení
of BrainMozek and CognitiveKognitivní SciencesVěd at MITMIT,
17
55716
4759
Já sama na Oddělení kognitivních
věd a neurověd na MIT
01:12
I have spentstrávil the pastminulost decadedesetiletí
tryingzkoušet to understandrozumět the mysterytajemství
18
60475
3654
už deset let řeším záhadu,
jak se děti z minima podnětů
naučí tak rychle tolik věcí.
01:16
of how childrenděti learnUčit se so much
from so little so quicklyrychle.
19
64129
3977
01:20
Because, it turnsotočí out that
the fascinatingfascinující thing about scienceVěda
20
68666
2978
To, co je podmanivého na vědě,
01:23
is alsotaké a fascinatingfascinující
thing about childrenděti,
21
71644
3529
je totiž podmanivé i na dětech.
01:27
whichkterý, to put a gentlerjemnější
spinroztočit on MarkMark TwainRozhraní TWAIN,
22
75173
2581
Abych parafrázovala Twaina,
01:29
is preciselypřesně theirjejich abilityschopnost
to drawkreslit richbohatý, abstractabstraktní inferenceszávěry
23
77754
4650
z investice v podobě útržkovitých,
šumem zatížených dat
01:34
rapidlyrychle and accuratelypřesně
from sparseřídké, noisyhlučný datadata.
24
82404
4661
děti bleskově získávají bohaté výnosy
přesných abstraktních poznatků.
01:40
I'm going to give you
just two examplespříklady todaydnes.
25
88355
2398
Ukážu vám to na dvou příkladech.
01:42
One is about a problemproblém of generalizationgeneralizace,
26
90753
2287
První se týká schopnosti zobecňovat
a druhý kauzálního uvažování.
01:45
and the other is about a problemproblém
of causalkauzální reasoninguvažování.
27
93040
2850
01:47
And althoughAčkoli I'm going to talk
about work in my lablaboratoř,
28
95890
2525
Budu mluvit hlavně o vlastních výzkumech,
01:50
this work is inspiredinspirovaný by
and indebtedzadlužené to a fieldpole.
29
98415
3460
ale za mnohé vděčím dalším lidem z oboru.
01:53
I'm gratefulvděčný to mentorsmentorů, colleagueskolegy,
and collaboratorsspolupracovníci around the worldsvět.
30
101875
4283
Jsem zavázána svým školitelům, kolegům
a spolupracovníkům z celého světa.
01:59
Let me startStart with the problemproblém
of generalizationgeneralizace.
31
107308
2974
Začněme problematikou zobecňování.
02:02
GeneralizingZevšeobecňovat from smallmalý samplesVzorky of datadata
is the breadchléb and buttermáslo of scienceVěda.
32
110652
4133
Zobecňování je alfou a omegou vědy.
02:06
We pollAnketa a tinydrobný fractionzlomek of the electoratevoliči
33
114785
2554
Na základě průzkumu malého vzorku voličů
odhadujeme výsledky voleb.
02:09
and we predictpředpovědět the outcomevýsledek
of nationalnárodní electionsvolby.
34
117339
2321
02:12
We see how a handfulhrstka of patientspacientů
respondsreagovat to treatmentléčba in a clinicalklinický trialpokus,
35
120240
3925
Sledujeme, jak hrstka pacientů
reaguje na určitý lék,
02:16
and we bringpřinést drugsdrogy to a nationalnárodní markettrh.
36
124165
3065
a pak ho zavádíme do lékáren.
02:19
But this only workspráce if our samplevzorek
is randomlynáhodně drawnnakreslený from the populationpopulace.
37
127230
4365
Aby to fungovalo, musíme vzorek
lidí vybrat náhodně.
02:23
If our samplevzorek is cherry-pickedCherry vybral
in some way --
38
131595
2735
Pokud bude výběr zkreslený,
02:26
say, we pollAnketa only urbanměstský votersvoliči,
39
134330
2072
pokud oslovíme jen voliče z města
02:28
or say, in our clinicalklinický trialszkoušky
for treatmentsléčby for heartsrdce diseasechoroba,
40
136402
4388
nebo budeme lék na srdce
testovat dejme tomu jen na mužích,
02:32
we includezahrnout only menmuži --
41
140790
1881
02:34
the resultsvýsledky maysmět not generalizezevšeobecnit
to the broaderširší populationpopulace.
42
142671
3158
nebudou závěry zobecnitelné
na širší populaci.
02:38
So scientistsvědců carepéče whetherzda evidencedůkaz
is randomlynáhodně sampledve vzorku or not,
43
146479
3581
Vědci tudíž musejí dbát
na nahodilost vzorku.
02:42
but what does that have to do with babiesděti?
44
150060
2015
Ale jak to souvisí s malými dětmi?
02:44
Well, babiesděti have to generalizezevšeobecnit
from smallmalý samplesVzorky of datadata all the time.
45
152585
4621
Děti neustále něco zobecňují
a mají jen malé vzorky dat.
02:49
They see a fewpár rubberguma duckskachny
and learnUčit se that they floatfloat,
46
157206
3158
Vidí pár gumových kachniček,
a hned pochopí, že všechny plavou.
02:52
or a fewpár ballskoule and learnUčit se that they bounceodraz.
47
160364
3575
A z pár míčků pochopí,
že všechny skáčou.
02:55
And they developrozvíjet expectationsočekávání
about duckskachny and ballskoule
48
163939
2951
A všechny předpoklady
o míčcích a kachničkách
02:58
that they're going to extendrozšířit
to rubberguma duckskachny and ballskoule
49
166890
2716
jim už zůstanou na celý jejich život.
03:01
for the restodpočinek of theirjejich livesživoty.
50
169606
1879
03:03
And the kindsdruhy of generalizationszobecnění
babiesděti have to make about duckskachny and ballskoule
51
171485
3739
A úplně stejně jako u míčků a kachniček
zobecňují i další poznatky:
03:07
they have to make about almosttéměř everything:
52
175224
2089
03:09
shoesobuv and shipslodě and sealingtěsnění waxvosk
and cabbageszelí and kingskrálů.
53
177313
3917
o botách, o lodích, o vosku,
o zelí či o králích.
03:14
So do babiesděti carepéče whetherzda
the tinydrobný bitbit of evidencedůkaz they see
54
182200
2961
Dokáží však děti poznat,
jestli nějaká věc
03:17
is plausiblyvěrohodně representativezástupce
of a largervětší populationpopulace?
55
185161
3692
věrohodně zastupuje širší množinu prvků?
Pojďme to zjistit.
03:21
Let's find out.
56
189763
1900
03:23
I'm going to showshow you two moviesfilmy,
57
191663
1723
Pustím vám dvě nahrávky zachycující
dvě verze téhož experimentu.
03:25
one from eachkaždý of two conditionspodmínky
of an experimentexperiment,
58
193386
2462
03:27
and because you're going to see
just two moviesfilmy,
59
195848
2438
Na každé z nich uvidíte
jiné malé dítě.
03:30
you're going to see just two babiesděti,
60
198286
2136
03:32
and any two babiesděti differlišit from eachkaždý other
in innumerablenesčetné wayszpůsoby.
61
200422
3947
Malé děti se mohou podstatně lišit.
03:36
But these babiesděti, of coursechod,
here standvydržet in for groupsskupiny of babiesděti,
62
204369
3051
Ale tyhle děti představují běžné zástupce
03:39
and the differencesrozdíly you're going to see
63
207420
1895
své věkové skupiny
03:41
representzastupovat averageprůměrný groupskupina differencesrozdíly
in babies'dětské a kojenecké behaviorchování acrosspřes conditionspodmínky.
64
209315
5195
a na dané podněty
reagují typicky pro svůj věk.
03:47
In eachkaždý moviefilm, you're going to see
a babydítě doing maybe
65
215160
2583
Možná vám bude připadat,
že ty děti dělají vlastně jen to,
03:49
just exactlypřesně what you mightmohl
expectočekávat a babydítě to do,
66
217743
3460
co by u malých dětí člověk čekal.
03:53
and we can hardlystěží make babiesděti
more magicalmagický than they alreadyjiž are.
67
221203
4017
A protože jsou to malé děti,
jsou přitom nesmírně kouzelné.
Skutečné kouzlo však podle mě spočívá
v jedné konkrétní věci:
03:58
But to my mindmysl the magicalmagický thing,
68
226090
2010
04:00
and what I want you to payplatit attentionPozor to,
69
228100
2089
04:02
is the contrastkontrast betweenmezi
these two conditionspodmínky,
70
230189
3111
v tom, jak výrazně odlišná
bude reakce dětí
04:05
because the only thing
that differsse liší betweenmezi these two moviesfilmy
71
233300
3529
v obou verzích experimentu,
ačkoli se liší jen tím,
04:08
is the statisticalstatistický evidencedůkaz
the babiesděti are going to observeDodržujte.
72
236829
3466
jak velký statistický vzorek
mají děti k dispozici.
Nejprve dětem ukážeme bedýnku
modrých a žlutých míčků.
04:13
We're going to showshow babiesděti
a boxbox of bluemodrý and yellowžlutá ballskoule,
73
241425
3183
04:16
and my then-graduatepak absolvent studentstudent,
now colleaguekolega at StanfordStanford, HyowonHyowon GweonGweon,
74
244608
4620
Moje tehdejší studentka,
dnes už kolegyně ze Stanfordu,
Hyowon Gweon,
04:21
is going to pullSEM threetři bluemodrý ballskoule
in a rowřádek out of this boxbox,
75
249228
3077
z té bedýnky vytáhne
tři modré míčky.
04:24
and when she pullstáhne those ballskoule out,
she's going to squeezesevření them,
76
252305
3123
A každý vytažený míček
hned zmáčkne
04:27
and the ballskoule are going to squeakpískot.
77
255428
2113
a on vždycky pískne.
04:29
And if you're a babydítě,
that's like a TEDTED Talk.
78
257541
2763
Pro malé děti je to hotový TED talk.
04:32
It doesn't get better than that.
79
260304
1904
Jsou v sedmém nebi.
04:34
(LaughterSmích)
80
262208
2561
(Smích.)
04:38
But the importantdůležité pointbod is it's really
easysnadný to pullSEM threetři bluemodrý ballskoule in a rowřádek
81
266968
3659
Jde ovšem o to, že když jsou míčky
v bedýnce převážně modré,
04:42
out of a boxbox of mostlyvětšinou bluemodrý ballskoule.
82
270627
2305
není divné vytáhnout
tři z nich v řadě.
04:44
You could do that with your eyesoči closedZavřeno.
83
272932
2060
To se vám může povést i naslepo.
Je to věrohodně nahodilý vzorek.
04:46
It's plausiblyvěrohodně a randomnáhodný samplevzorek
from this populationpopulace.
84
274992
2996
04:49
And if you can reachdosáhnout into a boxbox at randomnáhodný
and pullSEM out things that squeakpískot,
85
277988
3732
A když všechny ty nahodile
vybrané věci pískají,
04:53
then maybe everything in the boxbox squeakssqueaks.
86
281720
2839
možná píská všechno,
co je v té bedýnce.
04:56
So maybe babiesděti should expectočekávat
those yellowžlutá ballskoule to squeakpískot as well.
87
284559
3650
Malé děti by si tedy měly myslet,
že pískají i žluté míčky.
05:00
Now, those yellowžlutá ballskoule
have funnylegrační stickstyčinky on the endkonec,
88
288209
2519
Žluté míčky na sobě mají
připevněné legrační hůlky,
05:02
so babiesděti could do other things
with them if they wanted to.
89
290728
2857
takže s nimi děti mohou
i bouchat či plácat.
05:05
They could poundlibra them or whackrána them.
90
293585
1831
05:07
But let's see what the babydítě does.
91
295416
2586
Tak schválně, co s nimi
nakonec udělají.
Hyowon Gweaon: Podívej.
(Míček pískne.)
05:12
(VideoVideo) HyowonHyowon GweonGweon: See this?
(BallMíč squeakssqueaks)
92
300548
3343
05:16
Did you see that?
(BallMíč squeakssqueaks)
93
304531
3045
To je, co? (Míček pískne.)
05:20
CoolCool.
94
308036
3066
Týjo.
05:24
See this one?
95
312706
1950
Hele tenhle míček.
05:26
(BallMíč squeakssqueaks)
96
314656
1881
(Míček pískne.)
Páni!
05:28
WowWow.
97
316537
2653
05:33
LauraLaura SchulzSchulz: Told you. (LaughsSmích)
98
321854
2113
Laura Schulz: Já vám to říkala.
05:35
(VideoVideo) HGHG: See this one?
(BallMíč squeakssqueaks)
99
323967
4031
HG: Koukni na tenhle míček.
(Míček pískne.)
Hele, Klárko!
05:39
Hey ClaraClara, this one'sněčí for you.
You can go aheadvpřed and playhrát si.
100
327998
4619
S tímhle míčkem si můžeš hrát.
05:51
(LaughterSmích)
101
339854
4365
(Smích.)
05:56
LSLS: I don't even have to talk, right?
102
344219
2995
LS: Ani nemusím nic říkat, viďte?
05:59
All right, it's nicepěkný that babiesděti
will generalizezevšeobecnit propertiesvlastnosti
103
347214
2899
Jenže ono je sice hezké,
že děti zobecňují vlastnosti
06:02
of bluemodrý ballskoule to yellowžlutá ballskoule,
104
350113
1528
všech míčků,
a je úchvatné, jak nás
při učení napodobují,
06:03
and it's impressiveimpozantní that babiesděti
can learnUčit se from imitatingnapodobování us,
105
351641
3096
06:06
but we'vejsme knownznámý those things about babiesděti
for a very long time.
106
354737
3669
ale to přeci o malých dětech
víme už dávno.
06:10
The really interestingzajímavý questionotázka
107
358406
1811
Mnohem zajímavější je,
06:12
is what happensse děje when we showshow babiesděti
exactlypřesně the samestejný thing,
108
360217
2852
co se stane, když dětem
ukážeme úplně tutéž věc
06:15
and we can ensurezajistit it's exactlypřesně the samestejný
because we have a secrettajný compartmentprostor
109
363069
3611
- a my víme, že je úplně tatáž,
protože ty míčky
06:18
and we actuallyvlastně pullSEM the ballskoule from there,
110
366680
2110
taháme z tajné přihrádky -
06:20
but this time, all we changezměna
is the apparentZdánlivá populationpopulace
111
368790
3478
ale změníme přitom statistický vzorek,
06:24
from whichkterý that evidencedůkaz was drawnnakreslený.
112
372268
2902
který je východiskem zobecnění.
06:27
This time, we're going to showshow babiesděti
threetři bluemodrý ballskoule
113
375170
3553
V bedýnce teď bude většina míčků žlutá.
06:30
pulledvytáhl out of a boxbox
of mostlyvětšinou yellowžlutá ballskoule,
114
378723
3384
Ale my z ní opět vytáhneme tři modré.
06:34
and guesstipni si what?
115
382107
1322
A vytáhnout tři modré míčky,
když převládají žluté,
06:35
You [probablypravděpodobně won'tzvyklý] randomlynáhodně drawkreslit
threetři bluemodrý ballskoule in a rowřádek
116
383429
2840
06:38
out of a boxbox of mostlyvětšinou yellowžlutá ballskoule.
117
386269
2484
to už se běžně nepovede.
06:40
That is not plausiblyvěrohodně
randomlynáhodně sampledve vzorku evidencedůkaz.
118
388753
3747
To už není věrohodně
nahodilý vzorek.
06:44
That evidencedůkaz suggestsnavrhuje that maybe HyowonHyowon
was deliberatelyzáměrně samplingvzorkování the bluemodrý ballskoule.
119
392500
5123
To už vypadá, jako že Hyowon
vybírala modré míčky schválně.
06:49
Maybe there's something specialspeciální
about the bluemodrý ballskoule.
120
397623
2583
Třeba proto, že jsou modré míčky zvláštní
06:52
Maybe only the bluemodrý ballskoule squeakpískot.
121
400846
2976
a na rozdíl od žlutých pískají.
06:55
Let's see what the babydítě does.
122
403822
1895
Pusťme si reakci dětí.
06:57
(VideoVideo) HGHG: See this?
(BallMíč squeakssqueaks)
123
405717
2904
HG: Koukej. (Míček pískne.)
07:02
See this toyhračka?
(BallMíč squeakssqueaks)
124
410851
2645
Copak to tady mám?
(Míček pískne.)
07:05
Oh, that was coolchladný. See?
(BallMíč squeakssqueaks)
125
413496
5480
To je panečku věc. Hele.
(Míček pískne.)
Tady s tím míčkem
si můžeš hrát.
07:10
Now this one'sněčí for you to playhrát si.
You can go aheadvpřed and playhrát si.
126
418976
4394
07:18
(FussingFussing)
(LaughterSmích)
127
426074
6347
(Smích.)
07:26
LSLS: So you just saw
two 15-month-old-měsíc-starý babiesděti
128
434901
2748
LS: Právě jste viděli,
že si 15měsíční děti
07:29
do entirelyzcela differentodlišný things
129
437649
1942
počínají úplně jinak
07:31
basedna základě only on the probabilitypravděpodobnost
of the samplevzorek they observedpozorováno.
130
439591
3599
v závislosti na věrohodnosti vzorku dat.
07:35
Let me showshow you the experimentalexperimentální resultsvýsledky.
131
443190
2321
Tohle jsou výsledky našeho experimentu.
07:37
On the verticalvertikální axisosa, you'llBudete see
the percentageprocento of babiesděti
132
445511
2764
Na svislé ose je procentuální podíl dětí,
07:40
who squeezedmačkal the ballmíč in eachkaždý conditionstav,
133
448275
2530
které v 1. a 2. pokusu mačkaly míček.
07:42
and as you'llBudete see, babiesděti are much
more likelypravděpodobně to generalizezevšeobecnit the evidencedůkaz
134
450805
3715
Vidíte, že děti zobecňovaly
jev mnohem častěji,
07:46
when it's plausiblyvěrohodně representativezástupce
of the populationpopulace
135
454520
3135
když byl vzorek věrohodně nahodilý,
07:49
than when the evidencedůkaz
is clearlyjasně cherry-pickedCherry vybral.
136
457655
3738
než když byl zjevně zkreslený.
07:53
And this leadsvede to a funzábava predictionpředpověď:
137
461393
2415
Z toho plyne zábavná predikce.
07:55
SupposePředpokládejme, že you pulledvytáhl just one bluemodrý ballmíč
out of the mostlyvětšinou yellowžlutá boxbox.
138
463808
4868
Dejme tomu, že z bedýnky, kde převládají
žluté míčky, vytáhnete jeden modrý.
08:00
You [probablypravděpodobně won'tzvyklý] pullSEM threetři bluemodrý ballskoule
in a rowřádek at randomnáhodný out of a yellowžlutá boxbox,
139
468896
3869
Asi by se vám to nepovedlo
3x za sebou,
ale jeden modrý míček náhodně
vytáhnout můžete.
08:04
but you could randomlynáhodně samplevzorek
just one bluemodrý ballmíč.
140
472765
2455
To je věrohodný vzorek.
08:07
That's not an improbablenepravděpodobné samplevzorek.
141
475220
1970
08:09
And if you could reachdosáhnout into
a boxbox at randomnáhodný
142
477190
2224
A pokud ten nahodilý vzorek píská,
08:11
and pullSEM out something that squeakssqueaks,
maybe everything in the boxbox squeakssqueaks.
143
479414
3987
třeba píská všechno,
co je v té bedýnce.
08:15
So even thoughačkoli babiesděti are going to see
much lessméně evidencedůkaz for squeakingpískat,
144
483875
4445
Takže i když děti vlastně uvidí
méně pískajících míčků
a budou mít méně podnětů k nápodobě
08:20
and have manymnoho fewerméně actionsakce to imitatenapodobit
145
488320
2242
08:22
in this one ballmíč conditionstav than in
the conditionstav you just saw,
146
490562
3343
než v té verzi experimentu,
kterou jsme viděli,
08:25
we predictedpředpokládané that babiesděti themselvesoni sami
would squeezesevření more,
147
493905
3892
čekali jsme,
že budou míček mačkat častěji.
08:29
and that's exactlypřesně what we foundnalezeno.
148
497797
2894
A to se také potvrdilo.
08:32
So 15-month-old-měsíc-starý babiesděti,
in this respectrespekt, like scientistsvědců,
149
500691
4411
15měsíční děti si tudíž
počínají jako vědci.
08:37
carepéče whetherzda evidencedůkaz
is randomlynáhodně sampledve vzorku or not,
150
505102
3088
Podle toho, zda je, či není
daný vzorek nahodilý,
08:40
and they use this to developrozvíjet
expectationsočekávání about the worldsvět:
151
508190
3507
si vytvářejí další předpoklady:
08:43
what squeakssqueaks and what doesn't,
152
511697
2182
o tom, co píská a co ne;
08:45
what to exploreprozkoumat and what to ignoreignorovat.
153
513879
3145
o tom, co prozkoumat a co nechat být.
08:50
Let me showshow you anotherdalší examplepříklad now,
154
518384
2066
Náš druhý experiment se týká
kauzálního uvažování.
08:52
this time about a problemproblém
of causalkauzální reasoninguvažování.
155
520450
2730
Opírá se o jistou zapeklitost,
kterou všichni známe,
08:55
And it startszačíná with a problemproblém
of confoundedzahanben evidencedůkaz
156
523180
2439
08:57
that all of us have,
157
525619
1672
totiž že svět funguje po svém.
08:59
whichkterý is that we are partčást of the worldsvět.
158
527291
2020
09:01
And this mightmohl not seemzdát se like a problemproblém
to you, but like mostvětšina problemsproblémy,
159
529311
3436
Vlastně na tom nic zapeklitého není,
ale jen dokud vše funguje, jak má.
09:04
it's only a problemproblém when things go wrongšpatně.
160
532747
2337
09:07
Take this babydítě, for instanceinstance.
161
535464
1811
A tomuhle chlapečkovi
09:09
Things are going wrongšpatně for him.
162
537275
1705
něco nefunguje.
09:10
He would like to make
this toyhračka go, and he can't.
163
538980
2271
Chce zapnout hračku, a ono to nejde.
Pustím vám video.
09:13
I'll showshow you a few-secondněkolik sekund clipklip.
164
541251
2529
Jsou dvě možnosti:
09:21
And there's two possibilitiesmožností, broadlyobecně:
165
549340
1920
09:23
Maybe he's doing something wrongšpatně,
166
551260
2634
buď tu hračku ten chlapeček zapíná špatně,
09:25
or maybe there's something
wrongšpatně with the toyhračka.
167
553894
4216
nebo je ta hračka rozbitá.
09:30
So in this nextdalší experimentexperiment,
168
558110
2111
A my teď dětem poskytneme ždibec
statistických dat, která svědčí
09:32
we're going to give babiesděti
just a tinydrobný bitbit of statisticalstatistický datadata
169
560221
3297
buď pro první, nebo druhou možnost.
09:35
supportingPodpora one hypothesishypotéza over the other,
170
563518
2582
09:38
and we're going to see if babiesděti
can use that to make differentodlišný decisionsrozhodnutí
171
566100
3455
A budeme sledovat, jak to ovlivní
následnou reakci dětí.
09:41
about what to do.
172
569555
1834
09:43
Here'sTady je the setupinstalace.
173
571389
2022
A uděláme to následovně.
09:46
HyowonHyowon is going to try to make
the toyhračka go and succeedpovést se.
174
574071
3030
Hyowon zkusí hračku pustit
a povede se jí to.
09:49
I am then going to try twicedvakrát
and failselhat bothoba timesčasy,
175
577101
3320
Potom to zkusím 2x já,
ale neúspěšně.
09:52
and then HyowonHyowon is going
to try again and succeedpovést se,
176
580421
3112
Potom zase Hyowom,
které se to povede.
09:55
and this roughlyzhruba sumssoučty up my relationshipvztah
to my graduateabsolvovat studentsstudentů
177
583533
3172
Krásně to ukazuje, jak jsem
oproti svým studentům
09:58
in technologytechnika acrosspřes the boarddeska.
178
586705
2835
na štíru s technikou.
10:02
But the importantdůležité pointbod here is
it providesposkytuje a little bitbit of evidencedůkaz
179
590030
3292
Cílem ovšem je,
abychom dítěti nepatrně naznačili,
10:05
that the problemproblém isn't with the toyhračka,
it's with the personosoba.
180
593322
3668
že problém není v hračce,
ale v lidech.
10:08
Some people can make this toyhračka go,
181
596990
2350
Někdo hračku zapnout umí,
a někdo ne.
10:11
and some can't.
182
599340
959
Takže když dítě hračku nezapne,
má na výběr.
10:12
Now, when the babydítě getsdostane the toyhračka,
he's going to have a choicevýběr.
183
600799
3413
10:16
His mommaminka is right there,
184
604212
2188
Má tam maminku,
takže může k zapnutí hračky
vyzvat jiného člověka.
10:18
so he can go aheadvpřed and handruka off the toyhračka
and changezměna the personosoba,
185
606400
3315
10:21
but there's alsotaké going to be
anotherdalší toyhračka at the endkonec of that clothhadříkem,
186
609715
3158
Ale taky si může přitáhnout ubrus,
10:24
and he can pullSEM the clothhadříkem towardsvůči him
and changezměna the toyhračka.
187
612873
3552
na němž leží druhá hračka,
a první hračku vyměnit.
10:28
So let's see what the babydítě does.
188
616425
2090
Tak schválně, co udělá.
10:30
(VideoVideo) HGHG: Two, threetři. Go!
(MusicHudba)
189
618515
4183
HG: Dva, tři. Teď! (Hudba.)
10:34
LSLS: One, two, threetři, go!
190
622698
3131
LS: Raz, dva, tři, teď!
10:37
ArthurArthur, I'm going to try again.
One, two, threetři, go!
191
625829
7382
Zkusím to ještě jednou, Arturku.
Raz, dva, tři, teď!
10:45
YGYG: ArthurArthur, let me try again, okay?
192
633677
2600
YG: Arturku, můžu to zkusit ještě já?
10:48
One, two, threetři, go!
(MusicHudba)
193
636277
4550
Raz, dva, tři, teď! (Hudba.)
10:53
Look at that. RememberPamatujte si these toyshračky?
194
641583
1883
No koukni. Vidíš ty hračky?
Poznáváš je? Jo?
10:55
See these toyshračky? Yeah, I'm going
to put this one over here,
195
643466
3264
Teď položím jednu sem
10:58
and I'm going to give this one to you.
196
646730
2062
a s touhle si můžeš hrát.
11:00
You can go aheadvpřed and playhrát si.
197
648792
2335
11:23
LSLS: Okay, LauraLaura, but of coursechod,
babiesděti love theirjejich mommiesmámy.
198
671213
4737
LS: "No jasně," říkáte si,
"děti mají rády maminku.
11:27
Of coursechod babiesděti give toyshračky
to theirjejich mommiesmámy
199
675950
2182
Je jasné, že když hračku nezapnou,
tak ji dají mamince."
11:30
when they can't make them work.
200
678132
2030
11:32
So again, the really importantdůležité questionotázka
is what happensse děje when we changezměna
201
680162
3593
Důležité ovšem je, co se stane,
když statistická data malinko upravíme.
11:35
the statisticalstatistický datadata ever so slightlymírně.
202
683755
3154
11:38
This time, babiesděti are going to see the toyhračka
work and failselhat in exactlypřesně the samestejný orderobjednat,
203
686909
4087
Dítě opět uvidí, jak hračka střídavě
funguje a nefunguje.
11:42
but we're changingměnící se
the distributionrozdělení of evidencedůkaz.
204
690996
2415
Ale vzorek dat teď rozložíme jinak.
11:45
This time, HyowonHyowon is going to succeedpovést se
oncejednou and failselhat oncejednou, and so am I.
205
693411
4411
Hyowon i já hračku jednou zapneme,
a jednou se nám to nepovede.
11:49
And this suggestsnavrhuje it doesn't matterhmota
who trieszkoušky this toyhračka, the toyhračka is brokenzlomený.
206
697822
5637
To už naznačuje, že nezáleží na tom,
kdo hračku zapíná. Hračka je rozbitá.
Funguje jenom někdy.
11:55
It doesn't work all the time.
207
703459
1886
A dítě má opět na výběr.
11:57
Again, the baby'sDětská going to have a choicevýběr.
208
705345
1965
Může dát hračku mamince,
aby ji zapnula místo něj,
11:59
Her mommaminka is right nextdalší to her,
so she can changezměna the personosoba,
209
707310
3396
nebo si může přitáhnout
druhou hračku.
12:02
and there's going to be anotherdalší toyhračka
at the endkonec of the clothhadříkem.
210
710706
3204
Tak schválně, co udělá.
12:05
Let's watch what she does.
211
713910
1378
HG: Dva, tři, teď. (Hudba.)
12:07
(VideoVideo) HGHG: Two, threetři, go!
(MusicHudba)
212
715288
4348
12:11
Let me try one more time.
One, two, threetři, go!
213
719636
4984
Tak ještě jednou, jo?
Raz, dva, tři, teď!
12:17
HmmHmm.
214
725460
1697
Hm.
12:19
LSLS: Let me try, ClaraClara.
215
727950
2692
LS: Teď já, Klárko.
Raz, dva, tři, teď!
12:22
One, two, threetři, go!
216
730642
3945
Hm.
12:27
HmmHmm, let me try again.
217
735265
1935
Tak ještě jednou.
12:29
One, two, threetři, go!
(MusicHudba)
218
737200
5670
Raz, dva, tři, teď! (Hudba.)
12:35
HGHG: I'm going
to put this one over here,
219
743009
2233
HG: Teď dám tuhle hračku sem
12:37
and I'm going to give this one to you.
220
745242
2001
a s touhle si můžeš hrát.
12:39
You can go aheadvpřed and playhrát si.
221
747243
3597
12:58
(ApplausePotlesk)
222
766376
4897
(Smích. Potlesk.)
13:04
LSLS: Let me showshow you
the experimentalexperimentální resultsvýsledky.
223
772993
2392
LS: Tady jsou výsledky experimentu.
13:07
On the verticalvertikální axisosa,
you'llBudete see the distributionrozdělení
224
775385
2475
Na svislé ose vidíte, jak se děti
v 1. či 2. případě rozhodovaly.
13:09
of children'sdětské choicesvolby in eachkaždý conditionstav,
225
777860
2577
13:12
and you'llBudete see that the distributionrozdělení
of the choicesvolby childrenděti make
226
780437
4551
A vidíte, že na jejich jednání
mělo vliv to,
13:16
dependszávisí on the evidencedůkaz they observeDodržujte.
227
784988
2787
z jaké evidence vycházely.
Děti, kterým nejsou ani dva roky,
volí na základě hrstky statistických dat
13:19
So in the seconddruhý yearrok of life,
228
787775
1857
13:21
babiesděti can use a tinydrobný bitbit
of statisticalstatistický datadata
229
789632
2577
13:24
to deciderozhodni se betweenmezi two
fundamentallyzásadně differentodlišný strategiesstrategie
230
792209
3367
mezi diametrálně odlišnými
strategiemi jednání:
13:27
for actingherectví in the worldsvět:
231
795576
1881
13:29
askingptát se for help and exploringzkoumání.
232
797457
2743
poprosit o pomoc
či samostatně prozkoumat.
13:33
I've just shownzobrazeno you
two laboratorylaboratoř experimentsexperimenty
233
801700
3434
K podobným závěrům došly
v našem oboru doslova stovky
13:37
out of literallydoslovně hundredsstovky in the fieldpole
that make similarpodobný pointsbodů,
234
805134
3691
dalších studií.
13:40
because the really criticalkritické pointbod
235
808825
2392
Souvisí s tím totiž jedna zásadní věc.
13:43
is that children'sdětské abilityschopnost
to make richbohatý inferenceszávěry from sparseřídké datadata
236
811217
5108
Bez dětské schopnosti dedukovat
množství závěrů z útržků dat
13:48
underliesje základem all the species-specificspecifických
culturalkulturní learningučení se that we do.
237
816325
5341
bychom si nemohli předávat znalosti,
jak je pro náš druh typické.
Dětem stačí pár příkladů a pochopí,
jak užívat novou pomůcku.
13:53
ChildrenDěti learnUčit se about newNový toolsnástroje
from just a fewpár examplespříklady.
238
821666
4597
13:58
They learnUčit se newNový causalkauzální relationshipsvztahy
from just a fewpár examplespříklady.
239
826263
4717
Z pár příkladů pochopí novou
kauzální souvislost.
14:03
They even learnUčit se newNový wordsslova,
in this casepouzdro in AmericanAmerická SignPodepsat LanguageJazyk.
240
831928
4871
Umí si osvojovat i nová slova,
v tomto případě ve znakové řeči.
14:08
I want to closezavřít with just two pointsbodů.
241
836799
2311
Na závěr pár poznámek.
14:12
If you've been followingNásledující my worldsvět,
the fieldpole of brainmozek and cognitivepoznávací sciencesvědy,
242
840050
3688
Vědy o mozku a kognitivní vědy
v posledních letech vyzdvihují
14:15
for the pastminulost fewpár yearsroky,
243
843738
1927
trojici velkých příběhů.
14:17
threetři bigvelký ideasnápady will have come
to your attentionPozor.
244
845665
2415
14:20
The first is that this is
the eraéra of the brainmozek.
245
848080
3436
První je příběh o tom,
že žijeme v éře mozku.
14:23
And indeedVskutku, there have been
staggeringohromující discoveriesobjevy in neuroscienceneurovědy:
246
851516
3669
V neurovědách došlo k převratným objevům:
lokalizace funkčně specifických
oblastí mozkové kůry,
14:27
localizinglokalizace functionallyfunkčně specializedspecializované
regionsregionů of cortexkůra,
247
855185
3436
14:30
turningotáčení mousemyš brainsmozky transparentprůhledný,
248
858621
2601
zprůhlednění mozku myši,
14:33
activatingaktivace neuronsneurony with lightsvětlo.
249
861222
3776
aktivace neuronů světlem.
14:36
A seconddruhý bigvelký ideaidea
250
864998
1996
Druhým velkým příběhem je,
14:38
is that this is the eraéra of bigvelký datadata
and machinestroj learningučení se,
251
866994
4104
že žijeme v éře velkých dat
a učících se strojů.
14:43
and machinestroj learningučení se promisessliby
to revolutionizerevoluci our understandingporozumění
252
871098
3141
Strojové učení může revolučně
změnit náš pohled
14:46
of everything from socialsociální networkssítě
to epidemiologyepidemiologie.
253
874239
4667
na vše od sociálních sítí
po epidemiologii.
A protože se zabývá
i interpretací vizuálních dat
14:50
And maybe, as it tacklescajky problemsproblémy
of scenescéna understandingporozumění
254
878906
2693
14:53
and naturalpřírodní languageJazyk processingzpracovává se,
255
881599
1993
či fungováním jazyka,
14:55
to tell us something
about humančlověk cognitionpoznání.
256
883592
3324
možná nám odhalí i něco o tom,
jak poznáváme svět.
14:59
And the finalfinále bigvelký ideaidea you'llBudete have heardslyšel
257
887756
1937
A poslední velký příběh je,
15:01
is that maybe it's a good ideaidea we're going
to know so much about brainsmozky
258
889693
3387
že je přínosné mozek zkoumat
a mít přístup k množství dat.
15:05
and have so much accesspřístup to bigvelký datadata,
259
893080
1917
15:06
because left to our ownvlastní deviceszařízení,
260
894997
2507
Bez vnější korekce totiž lidé
snadno podléhají klamům,
15:09
humanslidem are falliblenespolehlivé, we take shortcutszkratky,
261
897504
3831
uvažují zkratkovitě,
15:13
we errERR, we make mistakeschyby,
262
901335
3437
mýlí se,
chybují,
15:16
we're biasedzaujatý, and in innumerablenesčetné wayszpůsoby,
263
904772
3684
jsou předpojatí
a jejich poznatky o světě
jsou v mnoha ohledech scestné.
15:20
we get the worldsvět wrongšpatně.
264
908456
2969
15:24
I think these are all importantdůležité storiespříběhy,
265
912843
2949
Všechny ty příběhy slýcháme
a jsou důležité.
15:27
and they have a lot to tell us
about what it meansprostředek to be humančlověk,
266
915792
3785
Prozrazují nám spoustu
o naší přirozenosti.
15:31
but I want you to notePoznámka that todaydnes
I told you a very differentodlišný storypříběh.
267
919577
3529
Ale dnes jsem tu chtěla vyzdvihnout
úplně jiný příběh.
15:35
It's a storypříběh about mindsmysli and not brainsmozky,
268
923966
3807
Nemluvila jsem o mozku,
ale o lidské mysli.
15:39
and in particularkonkrétní, it's a storypříběh
about the kindsdruhy of computationsvýpočty
269
927773
3006
O tom, jak je lidská mysl jedinečná
a jak výkonně zpracovává informace.
15:42
that uniquelyjedinečně humančlověk mindsmysli can performprovést,
270
930779
2590
15:45
whichkterý involvezapojit richbohatý, structuredstrukturovaný knowledgeznalost
and the abilityschopnost to learnUčit se
271
933369
3944
Z nepatrného množství dat,
z pár příkladů,
15:49
from smallmalý amountsmnožství of datadata,
the evidencedůkaz of just a fewpár examplespříklady.
272
937313
5268
dokážeme vyvodit a osvojit si
celá kvanta ucelených poznatků.
Vyprávěla jsem vám příběh,
15:56
And fundamentallyzásadně, it's a storypříběh
about how startingzačínající as very smallmalý childrenděti
273
944301
4299
který vede od nejmenších dětí
poznávajících svět
16:00
and continuingpokračování out all the way
to the greatestnejvětší accomplishmentsúspěchy
274
948600
4180
až k těm největším úspěchům
celé naší kultury.
16:04
of our culturekultura,
275
952780
3843
16:08
we get the worldsvět right.
276
956623
1997
Naše poznatky o světě
tudíž nejsou scestné.
16:12
FolksLidi, humančlověk mindsmysli do not only learnUčit se
from smallmalý amountsmnožství of datadata.
277
960433
5267
A vězte, že získáváním poznatků
z hrstky dat
schopnosti lidské mysli nekončí.
Lidská mysl přichází
s novými myšlenkami.
16:18
HumanLidské mindsmysli think
of altogethercelkem newNový ideasnápady.
278
966285
2101
16:20
HumanLidské mindsmysli generategenerovat
researchvýzkum and discoveryobjev,
279
968746
3041
Lidská mysl stojí za vědeckým
výzkumem a za objevy.
16:23
and humančlověk mindsmysli generategenerovat
artumění and literatureliteratura and poetrypoezie and theaterdivadlo,
280
971787
5273
Lidská mysl stojí za uměním, literaturou,
poezií a dramatem.
16:29
and humančlověk mindsmysli take carepéče of other humanslidem:
281
977070
3760
A lidská mysl se stará o ostatní lidi:
16:32
our oldstarý, our youngmladý, our sicknemocný.
282
980830
3427
o nejstarší, o nejmenší, o nemocné,
16:36
We even healvyléčit them.
283
984517
2367
které dokonce uzdravujeme.
16:39
In the yearsroky to come, we're going
to see technologicaltechnologický innovationsinovace
284
987564
3103
V následujících letech zažijeme
technický pokrok,
16:42
beyondmimo anything I can even envisionpředstavit si,
285
990667
3797
který si ani neumím představit.
16:46
but we are very unlikelynepravděpodobné
286
994464
2150
Ale počítačů,
které by se svým výkonem
16:48
to see anything even approximatingsbližování
the computationalvýpočetní powerNapájení of a humančlověk childdítě
287
996614
5709
alespoň přiblížily našim dětem,
se já ani vy
16:54
in my lifetimeživot or in yoursvaše.
288
1002323
4298
patrně nedožijeme.
16:58
If we investinvestovat in these mostvětšina powerfulsilný
learnersstudující and theirjejich developmentrozvoj,
289
1006621
5047
Pokud investujeme do rozvoje
těch nejlepších studentů,
17:03
in babiesděti and childrenděti
290
1011668
2917
tedy do našich malých i velkých dětí,
ale i do jejich matek a otců,
17:06
and mothersmatek and fathersotců
291
1014585
1826
17:08
and caregiverspečovatelé and teachersučitelů
292
1016411
2699
vychovatelů a učitelů,
17:11
the wayszpůsoby we investinvestovat in our other
mostvětšina powerfulsilný and elegantelegantní formsformuláře
293
1019110
4170
pokud na ně vynaložíme tolik peněz
jako na vývoj a design
té nejvýkonnější techniky,
17:15
of technologytechnika, engineeringinženýrství and designdesign,
294
1023280
3218
17:18
we will not just be dreamingsní
of a better futurebudoucnost,
295
1026498
2939
už nebudeme o lepších zítřcích jen snít,
17:21
we will be planningplánování for one.
296
1029437
2127
ale budeme k nim mířit.
17:23
Thank you very much.
297
1031564
2345
Děkuji vám.
(Potlesk.)
17:25
(ApplausePotlesk)
298
1033909
3421
17:29
ChrisChris AndersonAnderson: LauraLaura, thank you.
I do actuallyvlastně have a questionotázka for you.
299
1037810
4426
Chris Anderson: Lauro, děkuji.
Než se začnu ptát, musím říct,
17:34
First of all, the researchvýzkum is insanešílený.
300
1042236
2359
že mi jde z toho hlava kolem.
17:36
I mean, who would designdesign
an experimentexperiment like that? (LaughterSmích)
301
1044595
3725
Jak někoho něco takového
vůbec napadne?
(Smích.)
17:41
I've seenviděno that a couplepár of timesčasy,
302
1049150
1790
Viděl jsem to už poněkolikáté
a pořád mi to přijde k nevíře.
17:42
and I still don't honestlyupřímně řečeno believe
that that can trulyopravdu be happeninghappening,
303
1050940
3222
17:46
but other people have doneHotovo
similarpodobný experimentsexperimenty; it checkskontroly out.
304
1054162
3158
Je to tedy kompletně ověřené
a malé děti jsou prostě geniální?
17:49
The babiesděti really are that geniusgénius.
305
1057320
1633
17:50
LSLS: You know, they look really impressiveimpozantní
in our experimentsexperimenty,
306
1058953
3007
LS: Musíte vzít v potaz,
že v běžném životě to mají
ještě těžší než v těch experimentech.
17:53
but think about what they
look like in realnemovitý life, right?
307
1061960
2652
Když je dítěti rok a půl,
tak umí sotva pár slov.
17:56
It startszačíná out as a babydítě.
308
1064612
1150
17:57
EighteenOsmnáct monthsměsíců laterpozději,
it's talkingmluvící to you,
309
1065762
2007
17:59
and babies'dětské a kojenecké first wordsslova aren'tnejsou just
things like ballskoule and duckskachny,
310
1067769
3041
A nejsou to slova jako
"míček" nebo "kachnička".
18:02
they're things like "all gonepryč,"
whichkterý referodkazovat to disappearancezmizení,
311
1070810
2881
Ale slova jako "není",
když něco zmizí,
nebo "bác", když něco spadne.
18:05
or "uh-ohUh-oh," whichkterý referodkazovat
to unintentionalneúmyslné actionsakce.
312
1073691
2283
Takže jejich schopnost učit se
prostě musí být ohromná.
18:07
It has to be that powerfulsilný.
313
1075974
1562
18:09
It has to be much more powerfulsilný
than anything I showedukázal you.
314
1077536
2775
Se čtyřletým dítětem už si můžete
povídat skoro o čemkoliv.
18:12
They're figuringztvárnění out the entirecelý worldsvět.
315
1080311
1974
18:14
A four-year-oldčtyřletý can talk to you
about almosttéměř anything.
316
1082285
3144
18:17
(ApplausePotlesk)
317
1085429
1601
(Potlesk.)
18:19
CACA: And if I understandrozumět you right,
the other keyklíč pointbod you're makingtvorba is,
318
1087030
3414
CA: Jak jste ve své přednášce poukázala,
18:22
we'vejsme been throughpřes these yearsroky
where there's all this talk
319
1090444
2754
poslední dobou se hodně mluví o tom,
18:25
of how quirkybizarní and buggybuggy our mindsmysli are,
320
1093198
1932
jak je naše mysl promořená chybami.
18:27
that behavioralbehaviorální economicsekonomika
and the wholeCelý theoriesteorie behindza that
321
1095130
2867
Podle behaviorální ekonomie
jednáme často iracionálně.
18:29
that we're not rationalRacionální agentsagentů.
322
1097997
1603
18:31
You're really sayingrčení that the biggervětší
storypříběh is how extraordinarymimořádný,
323
1099600
4216
Vy ale naopak zdůrazňujete,
že naše mysl je mimořádná
18:35
and there really is geniusgénius there
that is underappreciatedpodceňuje.
324
1103816
4944
a že vlastně nedoceňujeme,
jak je ve skutečnosti geniální.
18:40
LSLS: One of my favoriteoblíbený
quotescitáty in psychologypsychologie
325
1108760
2070
LS: Mám moc ráda jeden citát
od psychologa Solomana Asche:
18:42
comespřijde from the socialsociální
psychologistpsycholog SolomonŠalomoun AschAsch,
326
1110830
2290
18:45
and he said the fundamentalzákladní taskúkol
of psychologypsychologie is to removeodstranit
327
1113120
2807
"Bytostným úkolem psychologie je
strhávat z věcí roušku samozřejmosti."
18:47
the veilzávoj of self-evidenceself-evidence from things.
328
1115927
2626
18:50
There are ordersobjednávek of magnitudevelikosti
more decisionsrozhodnutí you make everykaždý day
329
1118553
4551
Abychom ve světě mohli fungovat,
zpracováváme denně
neskutečné množství dat.
18:55
that get the worldsvět right.
330
1123104
1347
18:56
You know about objectsobjekty
and theirjejich propertiesvlastnosti.
331
1124451
2132
Známe různé objekty
a jejich vlastnosti.
18:58
You know them when they're occludedoccluded.
You know them in the darktemný.
332
1126583
3029
Poznáme je třeba i po tmě.
Můžeme se procházet po bytě.
19:01
You can walkProcházka throughpřes roomspokoje.
333
1129612
1308
Umíme uhodnout, co si jiní lidé myslí.
Mluvíme s nimi.
19:02
You can figurepostava out what other people
are thinkingmyslící. You can talk to them.
334
1130920
3532
Pohybujeme se prostorem.
Máme koncept čísel.
19:06
You can navigatenavigovat spaceprostor.
You know about numbersčísla.
335
1134452
2230
Víme, jak co funguje.
Máme morálku.
19:08
You know causalkauzální relationshipsvztahy.
You know about moralmorální reasoninguvažování.
336
1136682
3022
Všechno to nevědomě zpracováváme,
abychom mohli ve světě fungovat.
19:11
You do this effortlesslybez námahy,
so we don't see it,
337
1139704
2356
19:14
but that is how we get the worldsvět right,
and it's a remarkablepozoruhodný
338
1142060
2912
Je to neuvěřitelný, skoro
nepředstavitelný výkon.
19:16
and very difficult-to-understandobtížné pochopit
accomplishmentdosažení.
339
1144972
2318
CA: Řekl bych, že by s vámi
někteří diváci asi nesouhlasili,
19:19
CACA: I suspecttušit there are people
in the audiencepublikum who have
340
1147290
2628
19:21
this viewPohled of acceleratingzrychluje
technologicaltechnologický powerNapájení
341
1149918
2238
že se nedožijeme počítačů,
které by uměly totéž co tříleté děti.
19:24
who mightmohl disputeřešení sporů your statementprohlášení
that never in our lifetimesživotnost
342
1152156
2958
19:27
will a computerpočítač do what
a three-year-oldtříletého childdítě can do,
343
1155114
2618
Ale asi je bez debat,
19:29
but what's clearPrůhledná is that in any scenarioscénář,
344
1157732
3248
že se stroje v každém případě
19:32
our machinesstrojů have so much to learnUčit se
from our toddlersbatolata.
345
1160980
3770
mají od batolat ještě hodně co učit.
19:38
LSLS: I think so. You'llYou'll have some
machinestroj learningučení se folkslidé up here.
346
1166230
3216
LS: Asi je fakt, že tu jsou
i fandové strojového učení.
19:41
I mean, you should never betsázka
againstproti babiesděti or chimpanzeesšimpanzi
347
1169446
4203
A já věřím, že není
na místě být proti dětem
ani šimpanzům ani technice.
19:45
or technologytechnika as a matterhmota of practicepraxe,
348
1173649
3645
Aspoň ne jen tak ze zásady.
19:49
but it's not just
a differencerozdíl in quantitymnožství,
349
1177294
4528
Ale tady jde o zásadní rozdíl,
který není jen kvantitativní.
19:53
it's a differencerozdíl in kinddruh.
350
1181822
1764
19:55
We have incrediblyneuvěřitelně powerfulsilný computerspočítačů,
351
1183586
2160
Máme neuvěřitelně výkonné počítače
19:57
and they do do amazinglyúžasně
sophisticatedsofistikovaný things,
352
1185746
2391
schopné ohromně důmyslných výpočtů,
20:00
oftenčasto with very bigvelký amountsmnožství of datadata.
353
1188137
3204
často s obrovským množstvím dat.
20:03
HumanLidské mindsmysli do, I think,
something quitedocela differentodlišný,
354
1191341
2607
Ale lidská mysl funguje jinak.
20:05
and I think it's the structuredstrukturovaný,
hierarchicalhierarchické naturePříroda of humančlověk knowledgeznalost
355
1193948
3895
Lidé své znalosti třídí
a hierachicky uspořádávají,
20:09
that remainszbytky a realnemovitý challengevýzva.
356
1197843
2032
což je pro počítač stále výzva.
20:11
CACA: LauraLaura SchulzSchulz, wonderfulBáječné
foodjídlo for thought. Thank you so much.
357
1199875
3061
CA: To byla vydatná porce myšlenek
od Laury Schulz. Děkujeme.
20:14
LSLS: Thank you.
(ApplausePotlesk)
358
1202936
2922
LS: Děkuji.
(Potlesk.)
Translated by Honza Prokes
Reviewed by Ivan Prokůpek

▲Back to top

ABOUT THE SPEAKER
Laura Schulz - Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn.

Why you should listen

MIT Early Childhood Cognition Lab lead investigator Laura Schulz studies learning in early childhood. Her research bridges computational models of cognitive development and behavioral studies in order to understand the origins of inquiry and discovery.

Working in play labs, children’s museums, and a recently-launched citizen science website, Schultz is reshaping how we view young children’s perceptions of the world around them. Some of the surprising results of her research: before the age of four, children expect hidden causes when events happen probabilistically, use simple experiments to distinguish causal hypotheses, and trade off learning from instruction and exploration.

More profile about the speaker
Laura Schulz | Speaker | TED.com