ABOUT THE SPEAKER
Temple Grandin - Livestock handling designer, autism activist
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds.

Why you should listen

An expert on animal behavior, Temple Grandin has designed humane handling systems for half the cattle-processing facilities in the US, and consults with the meat industry to develop animal welfare guidelines. As PETA wrote when awarding her a 2004 Proggy: “Dr. Grandin's improvements to animal-handling systems found in slaughterhouses have decreased the amount of fear and pain that animals experience in their final hours, and she is widely considered the world's leading expert on the welfare of cattle and pigs.” In 2010, Time Magazine listed her as one of its most Important People of the Year. She is also a member of the American Academy of Arts and Sciences.

Grandin’s books about her interior life as an autistic person have increased the world's understanding of the condition with personal immediacy -- and with import, as rates of autism diagnosis rise. She is revered by animal rights groups and members of autistic community, perhaps because in both regards she is a voice for those who are sometimes challenged to make themselves heard. 

More profile about the speaker
Temple Grandin | Speaker | TED.com
TED2010

Temple Grandin: The world needs all kinds of minds

Temple Grandin: Die Welt braucht alle Arten des Denkens

Filmed:
5,588,848 views

Im Kindesalter als autistisch diagnostiziert, erklärt Temple Grandin ihre Denkweise, die sich besonders durch das "Denken in Bildern" auszeichnet und ihr erlaubt, vom gewöhnlichen Gehirn unerkannte Probleme zu lösen. Sie setzt sich für den Standpunkt ein, dass die Welt Menschen aus dem Spektrum des Autismus braucht: die visuellen Denker, die Musterdenker, die verbalen Denker, und alle Arten von schlauen, aber unbeholfenen Kindern.
- Livestock handling designer, autism activist
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds. Full bio

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

00:15
I think I'll startAnfang out and just talk a little bitBit about
0
0
2000
Zu Beginn möchte ich etwas darüber sprechen,
00:17
what exactlygenau autismAutismus is.
1
2000
2000
was Autismus genau ist.
00:19
AutismAutismus is a very biggroß continuumKontinuum
2
4000
3000
Autismus hat eine sehr große Bandbreite,
00:22
that goesgeht from very severeschwer -- the childKind remainsbleibt bestehen non-verbalnonverbal --
3
7000
3000
von sehr massiv --
das Kind entwickelt keine Sprache --
00:25
all the way up to brilliantGenial scientistsWissenschaftler and engineersIngenieure.
4
10000
3000
bis hin zu brillanten
Wissenschaftlern und Ingenieuren.
00:28
And I actuallytatsächlich feel at home here,
5
13000
2000
Und ich fühle mich hier wirklich zu Hause,
00:30
because there's a lot of autismAutismus geneticsGenetik here.
6
15000
2000
denn hier gibt es eine Menge
autistische Gene.
00:32
You wouldn'twürde nicht have any...
7
17000
2000
Sie hätten keine ...
00:34
(ApplauseApplaus)
8
19000
4000
(Applaus)
00:38
It's a continuumKontinuum of traitsZüge.
9
23000
2000
Autismus umfasst eine ganze
Bandbreite von Eigenschaften.
00:40
When does a nerdNerd turnWende into
10
25000
3000
Ab wann hat ein Nerd Asperger,
00:43
AspergerAsperger, whichwelche is just mildmild autismAutismus?
11
28000
2000
was einfach eine leichte Form
von Autismus ist.
00:45
I mean, EinsteinEinstein and MozartMozart
12
30000
3000
Ich meine, Einstein und Mozart
00:48
and TeslaTesla would all be probablywahrscheinlich diagnoseddiagnostiziert
13
33000
2000
und Tesla würden heutzutage
wahrscheinlich
00:50
as autisticautistisch spectrumSpektrum todayheute.
14
35000
2000
als autistisch diagnostiziert.
00:52
And one of the things that is really going to concernbetreffen me is
15
37000
3000
Und was mir sehr wichtig ist,
00:55
gettingbekommen these kidsKinder to be the onesEinsen that are going to inventerfinden
16
40000
3000
ist diese Kinder dazu zu bringen,
die Erfinder dieser
00:58
the nextNächster energyEnergie things,
17
43000
2000
neuen Energievisionen zu werden,
01:00
you know, that BillBill GatesGates talkedsprach about this morningMorgen.
18
45000
4000
über die Bill Gates heute morgen sprach.
01:04
OK. Now, if you want to understandverstehen
19
49000
2000
OK. Wenn Sie Autismus
01:06
autismAutismus, animalsTiere.
20
51000
2000
verstehen möchten, und Tiere, --
01:08
And I want to talk to you now about differentanders waysWege of thinkingDenken.
21
53000
2000
ich möchte Ihnen von verschiedenen
Arten zu Denken erzählen.
01:10
You have to get away from verbalverbal languageSprache.
22
55000
3000
Sie müssen sich von der Sprache
in Worten lösen.
01:13
I think in picturesBilder,
23
58000
2000
Ich denke in Bildern,
01:15
I don't think in languageSprache.
24
60000
3000
nicht in Sprache.
01:18
Now, the thing about the autisticautistisch mindVerstand
25
63000
2000
Typisch für den autistischen Geist ist
01:20
is it attendsbesucht to detailsDetails.
26
65000
3000
die Detailverliebtheit.
01:23
OK, this is a testTest where you eitherentweder have to
27
68000
2000
Das hier ist ein Test:
Man wählt entweder
01:25
pickwähle out the biggroß lettersBriefe, or pickwähle out the little lettersBriefe,
28
70000
2000
die großen oder die kleinen Buchstaben.
01:27
and the autisticautistisch mindVerstand picksTipps out the
29
72000
2000
Der autistische Geist wählt
01:29
little lettersBriefe more quicklyschnell.
30
74000
2000
die kleinen Buchstaben schneller aus,
01:31
And the thing is, the normalnormal brainGehirn ignoresignoriert the detailsDetails.
31
76000
4000
während das normale Gehirn
die Details ignoriert.
01:35
Well, if you're buildingGebäude a bridgeBrücke, detailsDetails are prettyziemlich importantwichtig
32
80000
2000
Nun, bei der Planung einer Brücke
sind Details ziemlich wichtig,
01:37
because it will fallfallen down if you ignoreignorieren the detailsDetails.
33
82000
3000
weil sie einstürzt,
wenn man die Details ignoriert.
01:40
And one of my biggroß concernsBedenken with a lot of policyPolitik things todayheute
34
85000
3000
Eines meiner großen Bedenken ist,
dass heutzutage
01:43
is things are gettingbekommen too abstractabstrakt.
35
88000
2000
Regeln und Grundsätze zu abstrakt werden.
01:45
People are gettingbekommen away from doing
36
90000
2000
Die Menschen hören auf mit
01:47
hands-onHands-on stuffSachen.
37
92000
2000
praktischen Beschäftigungen.
01:49
I'm really concernedbesorgt that a lot of the schoolsSchulen have takengenommen out
38
94000
2000
Es beunruhigt mich sehr,
dass viele Schulen
01:51
the hands-onHands-on classesKlassen,
39
96000
2000
die praktischen Kurse gestrichen haben,
01:53
because artKunst, and classesKlassen like that,
40
98000
2000
denn in Kunst und solchen Kursen
01:55
those are the classesKlassen where I excelledzeichnete sich.
41
100000
2000
habe ich mich selbst hervorgetan.
01:57
In my work with cattledas Vieh,
42
102000
2000
Nun, bei meiner Arbeit mit Rindern
01:59
I noticedbemerkt a lot of little things that mostdie meisten people don't noticebeachten
43
104000
3000
bemerkte ich viele Dinge,
die die Tiere störrisch werden lassen
02:02
would make the cattledas Vieh balkBalk. Like, for exampleBeispiel,
44
107000
2000
und von den meisten Menschen
nicht gesehen werden.
02:04
this flagFlagge wavingwinken, right in frontVorderseite of the veterinaryVeterinär facilityEinrichtung.
45
109000
3000
Wie eine wehende Flagge direkt
vor dem Tierarztgebäude.
02:07
This feedFutter yardHof was going to tearreißen down theirihr wholeganze veterinaryVeterinär facilityEinrichtung;
46
112000
3000
Dieses Unternehmen wollte sein
ganzes Tierarztgebäude abreißen,
02:10
all they needederforderlich to do was moveBewegung the flagFlagge.
47
115000
2000
aber sie mussten einfach nur
die Flagge versetzen.
02:12
RapidRasche movementBewegung, contrastKontrast.
48
117000
3000
Schnelle Bewegung, Kontrast.
02:15
In the earlyfrüh '70s when I startedhat angefangen, I got right down
49
120000
2000
Bei meinen Anfängen in den frühen 70ern
bin ich direkt hinunter
02:17
in the chutesRutschen to see what cattledas Vieh were seeingSehen.
50
122000
2000
in die Treibgänge, um zu sehen,
was die Rinder selbst sehen.
02:19
People thought that was crazyverrückt. A coatMantel on a fenceZaun would make them balkBalk,
51
124000
3000
Das war für viele verrückt. Eine Jacke
auf dem Zaun konnte sie beunruhigen.
02:22
shadowsSchatten would make them balkBalk, a hoseSchlauch on the floorStock ...
52
127000
3000
Schatten machten sie bockig,
und ein Schlauch auf dem Boden --
02:25
people weren'twaren nicht noticingbemerken these things --
53
130000
2000
niemand hat diese Dinge bemerkt --
02:27
a chainKette hanginghängend down --
54
132000
2000
eine herabhängende Kette,
02:29
and that's showngezeigt very, very nicelyschön in the movieFilm.
55
134000
2000
das wird im Spielfilm sehr schön dargestellt.
02:31
In factTatsache, I lovedliebte the movieFilm, how they
56
136000
2000
Freilich liebe ich den Film,
wie sie alle meine
02:33
duplicateddupliziert all my projectsProjekte. That's the geekGeek sideSeite.
57
138000
2000
Projekte nachgestellt haben.
Das ist mein innerer "Nerd".
02:35
My drawingsZeichnungen got to starStar in the movieFilm too.
58
140000
3000
Auch meine Zeichnungen
spielten eine Hauptrolle im Film.
02:38
And actuallytatsächlich it's callednamens "TempleTempel GrandinGrandin,"
59
143000
2000
Er heißt übrigens "Temple Grandin",
02:40
not "ThinkingDenken In PicturesBilder."
60
145000
2000
nicht "Denken in Bildern".
02:42
So, what is thinkingDenken in picturesBilder? It's literallybuchstäblich moviesFilme
61
147000
2000
Also, was ist Denken in Bildern?
Es sind buchstäblich
02:44
in your headKopf.
62
149000
2000
Filme im eigenen Kopf.
02:46
My mindVerstand worksWerke like GoogleGoogle for imagesBilder.
63
151000
2000
Mein Geist funktioniert wie Google für Bilder.
02:48
Now, when I was a youngjung kidKind I didn't know my thinkingDenken was differentanders.
64
153000
3000
Als kleines Kind wusste ich nicht,
dass ich anders denke.
02:51
I thought everybodyjeder thought in picturesBilder.
65
156000
2000
Ich dachte, jeder denkt in Bildern.
02:53
And then when I did my bookBuch, "ThinkingDenken In PicturesBilder,"
66
158000
2000
Als ich dann mein Buch
"Denken in Bildern" schrieb,
02:55
I startAnfang interviewinginterviewen people about how they think.
67
160000
3000
sprach ich mit Menschen darüber,
wie sie denken.
02:58
And I was shockedschockiert to find out that
68
163000
2000
Ich war bestürzt zu erfahren,
03:00
my thinkingDenken was quiteganz differentanders. Like if I say,
69
165000
2000
dass mein Denken ziemlich anders war.
Wenn ich sage:
03:02
"Think about a churchKirche steepleKirchturm"
70
167000
2000
"Denken Sie an eine Kirchturmspitze",
03:04
mostdie meisten people get this sortSortieren of generalizedgeneralisierte genericgenerisch one.
71
169000
2000
dann denken die meisten
an die verallgemeinerte Form.
03:06
Now, maybe that's not truewahr in this roomZimmer,
72
171000
2000
Vielleicht stimmt das nicht in diesem Saal,
03:08
but it's going to be truewahr in a lot of differentanders placessetzt.
73
173000
4000
aber es stimmt an den meisten Orten.
03:12
I see only specificspezifisch picturesBilder.
74
177000
2000
Ich sehe nur spezifische Bilder.
03:14
They flashBlitz up into my memoryErinnerung, just like GoogleGoogle for picturesBilder.
75
179000
4000
Sie blitzen in meinem Gedächtnis auf,
einfach wie Google für Bilder.
03:18
And in the movieFilm, they'veSie haben got a great sceneSzene in there
76
183000
2000
Im Film gibt es eine großartige Szene,
03:20
where the wordWort "shoeSchuh" is said, and a wholeganze bunchBündel of '50s and '60s shoesSchuhe
77
185000
4000
wo jemand "Schuh" sagt und
sofort tauchen in meiner Vorstellung
03:24
popPop into my imaginationPhantasie.
78
189000
2000
ein Haufen Schuhe
aus den 50ern und 60ern auf.
03:26
OK, there is my childhoodKindheit churchKirche,
79
191000
2000
OK, hier ist die Kirche meiner Kindheit.
03:28
that's specificspezifisch. There's some more, FortFort CollinsCollins.
80
193000
3000
Das ist spezifisch.
Hier sind einige mehr, Fort Collins.
03:31
OK, how about famousberühmt onesEinsen?
81
196000
2000
Und jetzt die bekannten.
03:33
And they just kindArt of come up, kindArt of like this.
82
198000
3000
Sie leuchten einfach nur auf, ungefähr so.
03:36
Just really quicklyschnell, like GoogleGoogle for picturesBilder.
83
201000
3000
Nur sehr schnell, wie Google für Bilder.
03:39
And they come up one at a time,
84
204000
2000
Sie leuchten einzeln auf.
03:41
and then I think, "OK, well maybe we can have it snowSchnee,
85
206000
2000
Dann denke ich:
"Vielleicht könnten wir noch Schnee
03:43
or we can have a thunderstormGewitter,"
86
208000
2000
oder ein Gewitter hinzufügen",
03:45
and I can holdhalt it there and turnWende them into videosVideos.
87
210000
3000
und ich kann es festhalten
und in Filme verwandeln.
03:48
Now, visualvisuell thinkingDenken was a tremendousenorm assetAktiva
88
213000
3000
Visuelles Denken war ein gewaltiger Vorteil
03:51
in my work designingEntwerfen cattle-handlingRinder-handling facilitiesAnlagen.
89
216000
3000
in meiner Arbeit, dem Entwurf
von Rinderzuchtanlagen.
03:54
And I've workedhat funktioniert really hardhart on improvingVerbesserung
90
219000
2000
Ich habe wirklich hart
an einer Verbesserung gearbeitet,
03:56
how cattledas Vieh are treatedbehandelt at the slaughterSchlachtung plantPflanze.
91
221000
2000
wie Rinder in Schlachtanlagen
behandelt werden.
03:58
I'm not going to go into any guckygucky slaughterSchlachtung slidesFolien.
92
223000
3000
Ich werde hier keine Schlachtbilder zeigen.
04:01
I've got that stuffSachen up on YouTubeYouTube if you want to look at it.
93
226000
2000
Die habe ich auf Youtube,
wenn Sie sie sehen möchten.
04:03
But, one of the things that I was ablefähig to do in my designEntwurf work
94
228000
4000
Bei meinen Entwürfen konnte ich mir
04:07
is I could actuallytatsächlich testTest runLauf
95
232000
2000
einen Anlagenteil vorstellen
04:09
a pieceStück of equipmentAusrüstung in my mindVerstand,
96
234000
2000
und in meinen Gedanken testen,
04:11
just like a virtualvirtuell realityWirklichkeit computerComputer systemSystem.
97
236000
3000
wie ein Computersystem für Virtuelle Realität.
04:14
And this is an aerialLuftbild viewAussicht
98
239000
2000
Dies ist ein Luftbild eines Nachbaus
04:16
of a recreationErholung of one of my projectsProjekte that was used in the movieFilm.
99
241000
3000
eines meiner Projekte,
der im Film verwendet wurde.
04:19
That was like just so superSuper coolcool.
100
244000
2000
Das war einfach abgefahren.
04:21
And there were a lot of kindArt of AspergerAsperger typesTypen
101
246000
2000
Und es gab viele Leute mit Asperger
04:23
and autismAutismus typesTypen workingArbeiten out there on the movieFilm setSet too.
102
248000
3000
und Autismus,
die mit am Filmset gearbeitet haben.
04:26
(LaughterLachen)
103
251000
2000
(Lachen)
04:28
But one of the things that really worriesSorgen me
104
253000
2000
Aber eine Sache, die mir Sorgen bereitet, ist,
04:30
is: Where'sWo ist the youngerjünger versionVersion of those kidsKinder going todayheute?
105
255000
4000
was mit den jüngeren
dieser Kinder heute geschieht.
04:34
They're not endingEnde up in SiliconSilizium ValleyTal, where they belonggehören.
106
259000
3000
Sie werden nicht im Silicon Valley landen,
wo sie hingehören.
04:37
(LaughterLachen)
107
262000
3000
(Lachen)
04:40
(ApplauseApplaus)
108
265000
5000
(Applaus)
04:45
Now, one of the things I learnedgelernt very earlyfrüh on because I wasn'twar nicht that socialSozial,
109
270000
3000
Was ich früh lernte,
weil ich nicht so gesellig war,
04:48
is I had to sellverkaufen my work, and not myselfmich selber.
110
273000
4000
ist meine Arbeit zu verkaufen
und nicht mich selbst.
04:52
And the way I soldverkauft livestockVieh jobsArbeitsplätze
111
277000
2000
Und meine Verkaufstaktik war,
04:54
is I showedzeigte off my drawingsZeichnungen, I showedzeigte off picturesBilder of things.
112
279000
3000
dass ich meine Zeichnungen
und Bilder von Dingen zeigte.
04:57
AnotherEin weiterer thing that helpedhalf me as a little kidKind
113
282000
2000
Außerdem half mir,
dass einem in den 50ern,
04:59
is, boyJunge, in the '50s, you were taughtgelehrt mannersManieren.
114
284000
2000
in meiner Kindheit,
Manieren beigebracht wurden,
05:01
You were taughtgelehrt you can't pullziehen the merchandiseWaren off the shelvesRegale
115
286000
2000
dass du keine Ware aus dem Regal
05:03
in the storeGeschäft and throwwerfen it around.
116
288000
2000
im Laden ziehen und herumwerfen kannst.
05:05
Now, when kidsKinder get to be in thirddritte or fourthvierte gradeKlasse,
117
290000
3000
Wenn Kinder in die dritte
oder vierte Klasse kommen,
05:08
you mightMacht see that this kid'sKind going to be a visualvisuell thinkerDenker,
118
293000
3000
könnte man sehen, dass ein Kind,
das in Perspektive malt,
05:11
drawingZeichnung in perspectivePerspektive. Now, I want to
119
296000
2000
ein visueller Denker wird. Ich möchte
05:13
emphasizebetonen that not everyjeden autisticautistisch kidKind
120
298000
2000
betonen, dass nicht jedes autistische Kind
05:15
is going to be a visualvisuell thinkerDenker.
121
300000
2000
ein visueller Denker wird.
05:17
Now, I had this brainGehirn scanScan doneerledigt severalmehrere yearsJahre agovor,
122
302000
4000
Vor einigen Jahr
wurde bei mir ein Gehirnscan gemacht
05:21
and I used to jokeWitz around about havingmit a
123
306000
2000
und ich scherzte über meine gigantische
05:23
giganticgigantische InternetInternet trunkKofferraum lineLinie
124
308000
2000
Internethauptleitung, die bis tief
05:25
going deeptief into my visualvisuell cortexKortex.
125
310000
2000
in meinen visuellen Cortex geht.
05:27
This is tensorTensor imagingImaging.
126
312000
2000
Das ist ein Tensorbild.
05:29
And my great biggroß internetInternet trunkKofferraum lineLinie
127
314000
2000
Und meine große Internethauptleitung ist
05:31
is twicezweimal as biggroß as the control'sdes Steuerelements.
128
316000
2000
doppelt so groß wie die der Kontrollperson.
05:33
The redrot linesLinien there are me,
129
318000
2000
Die roten Linien gehören zu mir,
05:35
and the blueblau linesLinien are the sexSex and age-matchedAlter abgestimmt controlsteuern.
130
320000
4000
und die blauen zur Kontrollperson
gleichen Geschlechts und Alters.
05:39
And there I got a giganticgigantische one,
131
324000
2000
Ich habe hier eine riesige,
05:41
and the controlsteuern over there, the blueblau one,
132
326000
2000
und die Kontrollperson dort in blau
05:43
has got a really smallklein one.
133
328000
4000
hat eine wirklich kleine.
05:47
And some of the researchForschung now is showingzeigt
134
332000
2000
Einige Studien haben gezeigt,
dass Menschen
05:49
is that people on the spectrumSpektrum actuallytatsächlich think with primaryprimär visualvisuell cortexKortex.
135
334000
4000
im autistischen Spektrum tatsächlich
mit dem primären visuellen Cortex denken.
05:53
Now, the thing is, the visualvisuell thinker'sder Denker just one kindArt of mindVerstand.
136
338000
3000
Der visuelle Denker repräsentiert aber
nur eine Spielart von Verstand.
05:56
You see, the autisticautistisch mindVerstand tendsneigt to be a specialistSpezialist mindVerstand --
137
341000
3000
Der autistische Geist
neigt zu Spezialisierung.
05:59
good at one thing, badschlecht at something elsesonst.
138
344000
4000
Gut in einer Sache,
schlecht in einer anderen.
06:03
And where I was badschlecht was algebraAlgebra. And I was never alloweddürfen
139
348000
2000
Meine Schwäche war Algebra.
Und ich durfte daher niemals
06:05
to take geometryGeometrie or trigTrig.
140
350000
2000
Geometrie oder Trigonometrie belegen.
06:07
GiganticGigantische mistakeFehler: I'm findingErgebnis a lot of kidsKinder who need to skipüberspringen algebraAlgebra,
141
352000
3000
Ein riesiger Fehler. Viele Kinder,
die Algebra auslassen müssen,
06:10
go right to geometryGeometrie and trigTrig.
142
355000
2000
gehen sofort zu Geometrie
und Trigonometrie über.
06:12
Now, anotherein anderer kindArt of mindVerstand is the patternMuster thinkerDenker.
143
357000
3000
Nun, ein anderer Typ von Verstand
ist der Musterdenker.
06:15
More abstractabstrakt. These are your engineersIngenieure,
144
360000
2000
Abstrakter. Sie sind Ingenieure/innen
06:17
your computerComputer programmersProgrammierer.
145
362000
2000
und Computerprogrammierer/innen.
06:19
Now, this is patternMuster thinkingDenken. That prayingbeten mantisMantis
146
364000
2000
Das hier ist Musterdenken.
Diese Gottesanbeterin
06:21
is madegemacht from a singleSingle sheetBlatt of paperPapier- --
147
366000
2000
ist aus einem einzelnen Blatt Papier gefaltet,
06:23
no scotchScotch tapeBand, no cutsSchnitte.
148
368000
2000
kein Tesafilm, keine Schnitte.
06:25
And there in the backgroundHintergrund is the patternMuster for foldingFaltung it.
149
370000
3000
Und im Hintergrund ist das Falt-Muster.
06:28
Here are the typesTypen of thinkingDenken:
150
373000
2000
Das hier sind die Arten zu Denken,
06:30
photo-realisticfotorealistische visualvisuell thinkersDenker, like me;
151
375000
3000
photorealistische visuelle Denker, wie ich,
06:33
patternMuster thinkersDenker, musicMusik- and mathMathe mindsKöpfe.
152
378000
4000
Musterdenker, der Musik- und Matheverstand.
06:37
Some of these oftentimesoft have problemsProbleme with readingLesen.
153
382000
2000
Einige davon haben Probleme mit dem Lesen.
06:39
You alsoebenfalls will see these kindArt of problemsProbleme
154
384000
2000
Diese Art Probleme findet man auch bei
06:41
with kidsKinder that are dyslexicLegastheniker.
155
386000
3000
Kindern mit Lese-/Rechtschreibschwäche.
06:44
You'llDu wirst see these differentanders kindsArten of mindsKöpfe.
156
389000
2000
Alles verschiedene Arten zu Denken.
06:46
And then there's a verbalverbal mindVerstand, they know everyjeden factTatsache about everything.
157
391000
3000
Und dann gibt es noch den verbale Denker.
Er kennt jeden Fakt über alles.
06:49
Now, anotherein anderer thing is the sensorysensorisch issuesProbleme.
158
394000
2000
Eine andere Sache sind
die sensorischen Probleme.
06:51
I was really concernedbesorgt about havingmit to weartragen this gadgetGadget on my faceGesicht.
159
396000
4000
Ich war sehr beunruhigt, dieses Gerät
über meinem Gesicht zu tragen.
06:55
And I camekam in halfHälfte an hourStunde beforehandvorher
160
400000
3000
Daher kam ich eine halbe Stunde früher,
06:58
so I could have it put on and kindArt of get used to it,
161
403000
2000
damit es schon angelegt
werden konnte zur Gewöhnung.
07:00
and they got it bentgebogen so it's not hittingschlagen my chinKinn.
162
405000
3000
Auch wurde es verbogen,
damit es mein Kinn nicht berührt.
07:03
But sensorysensorisch is an issueProblem. Some kidsKinder are botheredgestört by fluorescentfluoreszierende lightsBeleuchtung;
163
408000
3000
Aber Sinneswahrnehmung ist ein Problem.
Manche Kinder stört fluoreszierendes Licht.
07:06
othersAndere have problemsProbleme with soundklingen sensitivityEmpfindlichkeit.
164
411000
3000
Andere haben Probleme
mit Geräuschempfindlichkeit.
07:09
You know, it's going to be variableVariable.
165
414000
3000
Es ist ganz unterschiedlich.
07:12
Now, visualvisuell thinkingDenken gavegab me a wholeganze lot of insightEinblick
166
417000
4000
Visuelles Denken gab mir
einen tiefen Einblick
07:16
into the animalTier mindVerstand.
167
421000
2000
in den tierischen Verstand.
07:18
Because think about it: An animalTier is a sensory-basedsensorische-basierte thinkerDenker,
168
423000
3000
Denn ein Tier ist ein sinnesgesteuerter Denker,
07:21
not verbalverbal -- thinksdenkt in picturesBilder,
169
426000
4000
nicht verbal. Es denkt in Bildern.
07:25
thinksdenkt in soundsGeräusche, thinksdenkt in smellsriecht.
170
430000
3000
Es denkt in Geräuschen, denkt in Gerüchen.
07:28
Think about how much informationInformation there is there on the locallokal fireFeuer hydrantHydrant.
171
433000
3000
Denken Sie mal nach, wie viele Informationen
es am örtlichen Feuerhydranten gibt.
07:31
He knowsweiß who'swer ist been there, when they were there.
172
436000
3000
Er weiß, wer da war
und wann sie da waren,
07:34
Are they friendFreund or foeFeind? Is there anybodyirgendjemand he can go mateMate with?
173
439000
3000
ob sie Freunde oder Freunde sind,
ob es jemanden zur Paarung gibt.
07:37
There's a tonTonne of informationInformation on that fireFeuer hydrantHydrant.
174
442000
3000
Da ist eine Unmenge Information
an diesem Hydranten.
07:40
It's all very detailedAusführliche informationInformation,
175
445000
4000
Alles sehr detaillierte Informationen.
07:44
and, looking at these kindArt of detailsDetails
176
449000
2000
Auf diese Details zu achten,
07:46
gavegab me a lot of insightEinblick into animalsTiere.
177
451000
2000
gab mir einen großen Einblick in Tiere.
07:48
Now, the animalTier mindVerstand, and alsoebenfalls my mindVerstand,
178
453000
4000
Der tierische Verstand, und auch meiner,
07:52
putslegt sensory-basedsensorische-basierte informationInformation
179
457000
2000
teilt sinnesbasierte Informationen
07:54
into categoriesKategorien.
180
459000
2000
in Kategorien ein.
07:56
Man on a horsePferd
181
461000
2000
Ein Mann auf einem Pferd
07:58
and a man on the groundBoden --
182
463000
2000
und ein Mann auf dem Boden
08:00
that is viewedangesehen as two totallytotal differentanders things.
183
465000
2000
werden als zwei total
verschiedene Dinge gesehen.
08:02
You could have a horsePferd that's been abusedmissbraucht by a riderFahrer.
184
467000
3000
Ein Pferd, das von einem Reiter
misshandelt wurde,
08:05
They'llSie werden be absolutelyunbedingt fine with the veterinarianTierarzt
185
470000
2000
kommt sehr gut mit dem Tierarzt zurecht
08:07
and with the horseshoerHufschmied, but you can't rideReiten him.
186
472000
3000
und mit dem Hufschmied,
aber man kann es nicht reiten.
08:10
You have anotherein anderer horsePferd, where maybe the horseshoerHufschmied beatschlagen him up
187
475000
3000
Ein anderes Pferd, das vielleicht
vom Hufschmied geschlagen wurde,
08:13
and he'llHölle be terriblefurchtbar for anything on the groundBoden,
188
478000
2000
fürchtet sich vor allem,
was am Boden passiert,
08:15
with the veterinarianTierarzt, but a personPerson can rideReiten him.
189
480000
3000
vor dem Tierarzt,
aber man kann es reiten.
08:18
CattleRinder are the samegleich way.
190
483000
2000
Rinder sind genauso.
08:20
Man on a horsePferd,
191
485000
2000
Ein Mann auf einem Pferd,
08:22
a man on footFuß -- they're two differentanders things.
192
487000
2000
ein Mann zu Fuß,
zwei verschiedene Sachen.
08:24
You see, it's a differentanders pictureBild.
193
489000
2000
Es ist ein anderes Bild.
08:26
See, I want you to think about just how specificspezifisch this is.
194
491000
3000
Überleben Sie mal,
wie spezifisch das ist.
08:29
Now, this abilityFähigkeit to put informationInformation into categoriesKategorien,
195
494000
4000
Diese Fähigkeit,
Informationen zu kategorisieren,
08:33
I find a lot of people are not very good at this.
196
498000
3000
ist etwas, worin viele Leute
nicht sehr gut sind.
08:36
When I'm out troubleshootingFehlerbehebung equipmentAusrüstung
197
501000
2000
Wenn ich draußen auf Fehlersuche bin
08:38
or problemsProbleme with something in a plantPflanze,
198
503000
2000
oder es Probleme in der Fabrik gibt,
08:40
they don't seemscheinen to be ablefähig to figureZahl out, "Do I have a trainingAusbildung people issueProblem?
199
505000
4000
können sie anscheinend nicht feststellen,
ob sie ein Ausbildungsproblem haben
08:44
Or do I have something wrongfalsch with the equipmentAusrüstung?"
200
509000
2000
oder etwas mit der Ausrüstung nicht stimmt.
08:46
In other wordsWörter, categorizekategorisieren equipmentAusrüstung problemProblem
201
511000
2000
Mit anderen Worten,
ein Problem mit der Ausrüstung
08:48
from a people problemProblem.
202
513000
2000
von einem Mitarbeiterproblem
zu unterscheiden.
08:50
I find a lot of people have difficultySchwierigkeit doing that.
203
515000
3000
Viele Menschen
haben damit Schwierigkeiten.
08:53
Now, let's say I figureZahl out it's an equipmentAusrüstung problemProblem.
204
518000
3000
Angenommen, ich stelle jetzt
ein Problem der Ausrüstung fest.
08:56
Is it a minorgeringer problemProblem, with something simpleeinfach I can fixFix?
205
521000
2000
Ist das Problem klein und
kann einfach behoben werden?
08:58
Or is the wholeganze designEntwurf of the systemSystem wrongfalsch?
206
523000
3000
Oder stimmt der gesamte
Entwurf des Systems nicht?
09:01
People have a hardhart time figuringaufstellend that out.
207
526000
3000
Menschen fällt es schwer,
das herauszufinden.
09:04
Let's just look at something like, you know,
208
529000
2000
Betrachten wir nun beispielsweise,
09:06
solvingLösung problemsProbleme with makingHerstellung airlinesFluggesellschaften safersicherer.
209
531000
2000
wie man die Luftfahrt sicherer machen kann.
09:08
Yeah, I'm a million-mileMillionen-Meile flierFlieger.
210
533000
2000
Ja, ich bin Vielfliegerin und
09:10
I do lots and lots of flyingfliegend,
211
535000
2000
fliege sehr, sehr viel.
09:12
and if I was at the FAAFAA,
212
537000
3000
Wäre ich bei der Luftfahrtbehörde,
09:15
what would I be doing a lot of directdirekt observationÜberwachung of?
213
540000
4000
was würde ich dann oft
vor meiner Nase haben?
09:19
It would be theirihr airplaneFlugzeug tailsSchwänze.
214
544000
2000
Es wären die Flugzeughecks.
09:21
You know, fivefünf fataltödlich wrecksWracks in the last 20 yearsJahre,
215
546000
3000
Bei fünf Abstürzen in den letzten 20 Jahren
09:24
the tailSchwanz eitherentweder camekam off or steeringLenkung stuffSachen insideinnen the tailSchwanz brokepleite
216
549000
4000
ist entweder das Heck abgebrochen
oder es gingen darin irgendwie
09:28
in some way.
217
553000
2000
Steuerungskomponenten kaputt.
09:30
It's tailsSchwänze, purerein and simpleeinfach.
218
555000
2000
Es sind die Hecks, ganz einfach.
09:32
And when the pilotsPiloten walkgehen around the planeEbene, guessvermuten what? They can't see
219
557000
2000
Und wenn die Piloten das Flugzeug inspizieren,
09:34
that stuffSachen insideinnen the tailSchwanz.
220
559000
2000
dann sehen sie nie das Innenleben des Hecks.
09:36
You know, now as I think about that,
221
561000
2000
Wenn ich darüber nachdenke,
09:38
I'm pullingziehen up all of that specificspezifisch informationInformation.
222
563000
3000
gehe ich von konkreten Informationen aus.
09:41
It's specificspezifisch. See, my thinking'sdes Denkens bottom-upProst.
223
566000
3000
Es ist konkret.
Ich denke von unten nach oben.
09:44
I take all the little piecesStücke and I put the piecesStücke togetherzusammen like a puzzlePuzzle.
224
569000
4000
Ich nehme all die kleinen Stücke
und setze sie wie ein Puzzle zusammen.
09:48
Now, here is a horsePferd that was deathlyHeiligtümer afraidAngst
225
573000
2000
Hier ist ein Pferd, das Todesangst
09:50
of blackschwarz cowboyCowboy hatsHüte.
226
575000
2000
vor schwarzen Cowboy-Hüten hatte.
09:52
He'dEr würde been abusedmissbraucht by somebodyjemand with a blackschwarz cowboyCowboy hatHut.
227
577000
2000
Es war von jemandem mit
einem solchen Hut missbraucht worden.
09:54
WhiteWeiß cowboyCowboy hatsHüte, that was absolutelyunbedingt fine.
228
579000
3000
Weiße Cowboy-Hüte
machten ihm nichts aus.
09:57
Now, the thing is, the worldWelt is going to need
229
582000
3000
In der Welt werden in Zukunft
10:00
all of the differentanders kindsArten of mindsKöpfe
230
585000
2000
alle die verschiedenen Arten von Denkern
10:02
to work togetherzusammen.
231
587000
2000
zusammenarbeiten müssen.
10:04
We'veWir haben got to work on developingEntwicklung all these differentanders kindsArten of mindsKöpfe.
232
589000
3000
Wir müssen an der Entwicklung
aller Arten von Verstand arbeiten.
10:07
And one of the things that is drivingFahren me really crazyverrückt,
233
592000
3000
Wenn ich umherreise
und Autismustreffen besuche,
10:10
as I travelReise around and I do autismAutismus meetingsSitzungen,
234
595000
2000
machen mich vor allem die vielen
10:12
is I'm seeingSehen a lot of smartsmart, geekygeeky, nerdyNerdy kidsKinder,
235
597000
3000
jugendlichen klugen Nerds
und Computerfreaks verrückt,
10:15
and they just aren'tsind nicht very socialSozial,
236
600000
3000
die einfach nicht sehr sozial sind,
10:18
and nobody'sniemandes workingArbeiten on developingEntwicklung theirihr interestinteressieren
237
603000
2000
denn niemand arbeitet daran,
ihr Interesse an Gebieten wie
10:20
in something like scienceWissenschaft.
238
605000
2000
den Naturwissenschaften zu entwickeln.
10:22
And this bringsbringt up the wholeganze thing of my scienceWissenschaft teacherLehrer.
239
607000
3000
Dies bringt mich jetzt
zu meinem Naturwissenschaftslehrer.
10:25
My scienceWissenschaft teacherLehrer is showngezeigt absolutelyunbedingt beautifullyschön in the movieFilm.
240
610000
3000
Im Film wird mein Lehrer
absolut schön dargestellt.
10:28
I was a goofballgoofball studentSchüler. When I was in highhoch schoolSchule
241
613000
2000
Als Schülerin war ich eine Spinnerin.
10:30
I just didn't carePflege at all about studyingstudieren,
242
615000
3000
In der Highschool hatte ich mich
nicht für das Lernen interessiert,
10:33
untilbis I had MrHerr. Carlock'sDie erste scienceWissenschaft classKlasse.
243
618000
3000
bis ich in die Naturwissenschaftsklasse
von Herrn Carlock kam,
10:36
He was now DrDr. CarlockVereinigte in the movieFilm.
244
621000
3000
der im Film Dr. Carlock heißt.
10:39
And he got me challengedherausgefordert
245
624000
3000
Er hat mich herausgefordert,
10:42
to figureZahl out an opticaloptische illusionIllusion roomZimmer.
246
627000
3000
eine optische Raumillusion zu verstehen.
10:45
This bringsbringt up the wholeganze thing of you've got to showShow kidsKinder
247
630000
2000
Das bringt mich zu dem Thema,
dass man Kindern
10:47
interestinginteressant stuffSachen.
248
632000
2000
interessante Dinge zeigen muss.
10:49
You know, one of the things that I think maybe TEDTED oughtsollen to do
249
634000
3000
Etwas, was TED meiner Meinung nach
machen sollte, ist,
10:52
is tell all the schoolsSchulen about all the great lecturesVorträge that are on TEDTED,
250
637000
3000
alle Schulen über all
die großartigen Vorträge zu informieren.
10:55
and there's all kindsArten of great stuffSachen on the InternetInternet
251
640000
2000
Verschiedenste tolle Sachen im Internet
10:57
to get these kidsKinder turnedgedreht on.
252
642000
2000
können diese Kinder motivieren.
10:59
Because I'm seeingSehen a lot of these geekygeeky nerdyNerdy kidsKinder,
253
644000
3000
Denn ich sehe so viele dieser
jungen Nerds und Computerfreaks,
11:02
and the teachersLehrer out in the MidwestMidwest, and the other partsTeile of the countryLand,
254
647000
3000
und die Lehrer im mittleren Westen
und anderen Landesteilen
11:05
when you get away from these techTech areasBereiche,
255
650000
2000
außerhalb der Technologieregionen
11:07
they don't know what to do with these kidsKinder.
256
652000
2000
wissen mit diesen Kindern nichts anzufangen.
11:09
And they're not going down the right pathPfad.
257
654000
2000
Sie schlagen nicht den richtigen Weg ein.
11:11
The thing is, you can make a mindVerstand
258
656000
2000
Der Verstand kann nämlich entweder mehr
11:13
to be more of a thinkingDenken and cognitivekognitiv mindVerstand,
259
658000
3000
zu einem denkenden,
erkennenden Verstand werden,
11:16
or your mindVerstand can be wiredverdrahtet to be more socialSozial.
260
661000
3000
oder mehr zu einem sozial verdrahteten.
11:19
And what some of the researchForschung now has showngezeigt in autismAutismus
261
664000
2000
Die aktuelle Forschung hat jetzt gezeigt,
dass es bei Autismus
11:21
is there maykann by extraextra wiringVerdrahtung back here,
262
666000
2000
eine extra Verdrahtung
hier hinten geben kann,
11:23
in the really brilliantGenial mindVerstand, and we loseverlieren a fewwenige socialSozial circuitsSchaltungen here.
263
668000
3000
im brillanten Geist, und der soziale Bereich
hat dafür weniger Schaltkreise.
11:26
It's kindArt of a trade-offTrade-off betweenzwischen thinkingDenken and socialSozial.
264
671000
4000
Es ist wie ein Tauschgeschäft
zwischen Denken und Sozialem.
11:30
And then you can get into the pointPunkt where it's so severeschwer
265
675000
2000
Dadurch kann es so weit kommen,
11:32
you're going to have a personPerson that's going to be non-verbalnonverbal.
266
677000
3000
dass eine Person nie Sprache entwickelt.
11:35
In the normalnormal humanMensch mindVerstand
267
680000
2000
Im normalen menschlichen Geist überdeckt
11:37
languageSprache coversdeckt ab up the visualvisuell thinkingDenken we shareAktie with animalsTiere.
268
682000
3000
die Sprache das visuelle Denken,
das wir mit den Tieren gemeinsam haben.
11:40
This is the work of DrDr. BruceBruce MillerMiller.
269
685000
3000
Dies ist eine Arbeit von Dr. Bruce Miller,
11:43
And he studiedstudiert Alzheimer'sAlzheimer Krankheit patientsPatienten
270
688000
3000
der Alzheimer-Patienten mit Demenz
11:46
that had frontalfrontal temporalzeitliche lobeLappen dementiaDemenz.
271
691000
2000
im Frontal- und Schläfenlappen
untersucht hat.
11:48
And the dementiaDemenz ate out the languageSprache partsTeile of the brainGehirn,
272
693000
3000
Diese Demenz hat das Sprachzentrum
des Gehirns beschädigt
11:51
and then this artworkKunstwerk camekam out of somebodyjemand who used to installInstallieren stereosStereoanlagen in carsAutos.
273
696000
5000
und diese Kunst hier wurde von jemandem
geschaffen, der Autoradios eingebaut hat.
11:56
Now, VanVan GoghGogh doesn't know anything about physicsPhysik,
274
701000
4000
Nun, van Gogh weiß nichts über Physik,
12:00
but I think it's very interestinginteressant
275
705000
2000
aber ich denke, es ist sehr interessant,
12:02
that there was some work doneerledigt to showShow that
276
707000
2000
dass -- wie einige Untersuchungen zeigten --
12:04
this eddyWirbel patternMuster in this paintingMalerei
277
709000
2000
die Wirbelmuster in diesem Bild
12:06
followedgefolgt a statisticalstatistisch modelModell- of turbulenceTurbulenz,
278
711000
3000
einem statistischen Turbulenzmodell folgen.
12:09
whichwelche bringsbringt up the wholeganze interestinginteressant ideaIdee
279
714000
2000
Dies führt zu der interessanten Idee,
12:11
of maybe some of this mathematicalmathematisch patternsMuster
280
716000
2000
dass vielleicht einige
dieser mathematischen Gesetze
12:13
is in our ownbesitzen headKopf.
281
718000
2000
in unserem eigenen Kopf sitzen.
12:15
And the WolframWolfram stuffSachen -- I was takingunter
282
720000
2000
Außerdem diese interessanten Dinge
über Wolfram.
12:17
notesNotizen and I was writingSchreiben down all the
283
722000
2000
Die habe ich gesammelt und dafür
12:19
searchSuche wordsWörter I could use,
284
724000
2000
Suchwörter notiert,
12:21
because I think that's going to go on in my autismAutismus lecturesVorträge.
285
726000
4000
denn ich will es in meine Vorträge
über Autismus einbringen.
12:25
We'veWir haben got to showShow these kidsKinder interestinginteressant stuffSachen.
286
730000
2000
Wir müssen diesen Kindern
interessante Dinge zeigen,
12:27
And they'veSie haben takengenommen out the autoshopAutoshop classKlasse
287
732000
2000
und es wurden die Werkstattkurse
12:29
and the draftingAbfassung classKlasse and the artKunst classKlasse.
288
734000
2000
und die Zeichen-
und Kunstkurse gestrichen.
12:31
I mean artKunst was my bestBeste subjectFach in schoolSchule.
289
736000
3000
Verstehen Sie, Kunst war
mein bestes Schulfach.
12:34
We'veWir haben got to think about all these differentanders kindsArten of mindsKöpfe,
290
739000
2000
Wir müssen über all diese unterschiedlichen
Typen von Verstand nachdenken.
12:36
and we'vewir haben got to absolutelyunbedingt work with these kindArt of mindsKöpfe,
291
741000
3000
Und wir müssen definitiv mit ihnen arbeiten,
12:39
because we absolutelyunbedingt are going to need
292
744000
3000
denn wir werden diese Leute
12:42
these kindArt of people in the futureZukunft.
293
747000
3000
in der Zukunft absolut brauchen.
12:45
And let's talk about jobsArbeitsplätze.
294
750000
2000
Reden wir über Jobs.
12:47
OK, my scienceWissenschaft teacherLehrer got me studyingstudieren
295
752000
2000
Mein Naturwissenschaftslehrer
hat mich zum Lernen motiviert,
12:49
because I was a goofballgoofball that didn't want to studyStudie.
296
754000
3000
denn ich war lernunwillig.
12:52
But you know what? I was gettingbekommen work experienceErfahrung.
297
757000
2000
Außerdem hatte ich auch
Arbeitserfahrung gesammelt.
12:54
I'm seeingSehen too manyviele of these smartsmart kidsKinder who haven'thabe nicht learnedgelernt basicBasic things,
298
759000
2000
So viele dieser schlauen Kinder
haben grundlegende Dinge nicht gelernt,
12:56
like how to be on time.
299
761000
2000
wie beispielsweise pünktlich zu sein.
12:58
I was taughtgelehrt that when I was eightacht yearsJahre oldalt.
300
763000
2000
Mir wurde das im Alter
von 8 Jahren beigebracht.
13:00
You know, how to have tableTabelle mannersManieren at granny'sOmas SundaySonntag partyParty.
301
765000
3000
Wie auch die Tischmanieren
bei Omas Sonntagsfeier;
13:03
I was taughtgelehrt that when I was very, very youngjung.
302
768000
3000
die wurden mir beigebracht,
als ich sehr, sehr jung war.
13:06
And when I was 13, I had a jobJob at a dressmaker'sDamenschneiderin shopGeschäft
303
771000
3000
Mit 13 Jahren hatte ich
eine Stelle in als Näherin
13:09
sewingNähen clothesKleider.
304
774000
2000
in einem Kleidergeschäft.
13:11
I did internshipsPraktika in collegeHochschule,
305
776000
3000
Ich machte Praktika während der Uni.
13:14
I was buildingGebäude things,
306
779000
3000
Dabei baute ich Dinge und
13:17
and I alsoebenfalls had to learnlernen how to do assignmentsZuordnungen.
307
782000
3000
lernte auch, wie man Aufgaben erledigt.
13:20
You know, all I wanted to do was drawzeichnen picturesBilder of horsesPferde when I was little.
308
785000
4000
Als ich klein war, wollte ich
nichts anderes tun, als Pferde zu malen.
13:24
My motherMutter said, "Well let's do a pictureBild of something elsesonst."
309
789000
2000
Meine Mutter sagte: "Mal doch mal
ein Bild von etwas anderem."
13:26
They'veSie haben got to learnlernen how to do something elsesonst.
310
791000
2000
Sie müssen lernen,
etwas anderes zu machen.
13:28
Let's say the kidKind is fixatedfixiert on LegosLegos.
311
793000
2000
Angenommen das Kind ist auf Lego fixiert,
13:30
Let's get him workingArbeiten on buildingGebäude differentanders things.
312
795000
3000
dann sollte man es ermutigen,
andere Dinge zu bauen.
13:33
The thing about the autisticautistisch mindVerstand
313
798000
2000
Das Charakteristische
am autistischen Verstand
13:35
is it tendsneigt to be fixatedfixiert.
314
800000
2000
ist seine Tendenz zur Fixierung.
13:37
Like if a kidKind lovesliebt racecarsRennwagen,
315
802000
2000
Wenn ein Kind Rennautos mag,
13:39
let's use racecarsRennwagen for mathMathe.
316
804000
2000
dann benutzt man Rennautos für Mathe:
13:41
Let's figureZahl out how long it takes a racecarRennwagen to go a certainsicher distanceEntfernung.
317
806000
3000
Rechnen wir aus, wie lange ein Rennauto
für eine gegebene Strecke braucht.
13:44
In other wordsWörter, use that fixationFixierung
318
809000
4000
Mit anderen Worten, die Fixierung nutzen,
13:48
in orderAuftrag to motivatemotivieren that kidKind, that's one of the things we need to do.
319
813000
3000
um das Kind zu motivieren.
Das ist ein wichtiger Ansatz.
13:51
I really get fedgefüttert up when they, you know, the teachersLehrer,
320
816000
3000
Ich habe es wirklich satt,
dass die Lehrer,
13:54
especiallyinsbesondere when you get away from this partTeil of the countryLand,
321
819000
3000
vor allem in anderen Landesteilen,
nicht wissen,
13:57
they don't know what to do with these smartsmart kidsKinder.
322
822000
2000
wie mit diesen schlauen Kindern umzugehen ist.
13:59
It just drivesfährt me crazyverrückt.
323
824000
2000
Es ärgert mich sehr.
14:01
What can visualvisuell thinkersDenker do when they growgrößer werden up?
324
826000
2000
Was können erwachsene
visuelle Denker beruflich machen?
14:03
They can do graphicGrafik designEntwurf, all kindsArten of stuffSachen with computersComputer,
325
828000
3000
Grafikdesign, allerlei mit Computern,
14:06
photographyFotografie, industrialindustriell designEntwurf.
326
831000
5000
Fotographie, Industriedesign.
14:11
The patternMuster thinkersDenker, they're the onesEinsen that are going to be
327
836000
2000
Die Musterdenker werden zu
14:13
your mathematiciansMathematiker, your softwareSoftware engineersIngenieure,
328
838000
3000
Mathematikern,
Softwareingenieuren,
14:16
your computerComputer programmersProgrammierer, all of those kindsArten of jobsArbeitsplätze.
329
841000
4000
Programmierern, alle diese Berufe.
14:20
And then you've got the wordWort mindsKöpfe. They make great journalistsJournalisten,
330
845000
3000
Und die Sprachbegabten
werden gute Journalisten
14:23
and they alsoebenfalls make really, really good stageStufe actorsSchauspieler.
331
848000
3000
oder wirklich gute Theaterschauspieler.
14:26
Because the thing about beingSein autisticautistisch is,
332
851000
2000
Wichtig für Autisten ist es,
14:28
I had to learnlernen socialSozial skillsFähigkeiten like beingSein in a playspielen.
333
853000
3000
dass sie einfach irgendwie
Sozialkompetenzen erwerben müssen --
14:31
It's just kindArt of -- you just have to learnlernen it.
334
856000
3000
ich musste sie erlernen,
wie in einem Theaterstück.
14:34
And we need to be workingArbeiten with these studentsStudenten.
335
859000
3000
Wir müssen diesen Schülern dabei helfen.
14:37
And this bringsbringt up mentorsMentoren.
336
862000
2000
Und damit kommen wir zu den Mentoren.
14:39
You know, my scienceWissenschaft teacherLehrer was not an accreditedakkreditierte teacherLehrer.
337
864000
3000
Mein Naturwissenschaftslehrer
war kein ausgebildeter Lehrer,
14:42
He was a NASANASA spacePlatz scientistWissenschaftler.
338
867000
2000
sondern ein Wissenschaftler der NASA.
14:44
Now, some statesZustände now are gettingbekommen it to where
339
869000
2000
Einige Staaten beginnen damit,
14:46
if you have a degreeGrad in biologyBiologie, or a degreeGrad in chemistryChemie,
340
871000
2000
Biologie- oder
Chemieabsolventen zu erlauben,
14:48
you can come into the schoolSchule and teachlehren biologyBiologie or chemistryChemie.
341
873000
3000
an Schulen zu unterrichten.
14:51
We need to be doing that.
342
876000
2000
Und das sollten wir tun.
14:53
Because what I'm observingbeobachtend is
343
878000
2000
Denn ich beobachte,
14:55
the good teachersLehrer, for a lot of these kidsKinder,
344
880000
2000
dass an den Community-Colleges
viele gute Lehrer
14:57
are out in the communityGemeinschaft collegesHochschulen,
345
882000
2000
für viele dieser Kinder zu finden sind.
14:59
but we need to be gettingbekommen some of these good teachersLehrer into the highhoch schoolsSchulen.
346
884000
3000
Davon müssen wir einige
in die High Schools holen.
15:02
AnotherEin weiterer thing that can be very, very, very successfulerfolgreich is
347
887000
3000
Eine weitere sehr
aussichtsreiche Idee ist es,
15:05
there is a lot of people that maykann have retiredim Ruhestand
348
890000
3000
die Kinder von einigen
der vielen pensionierten
15:08
from workingArbeiten in the softwareSoftware industryIndustrie, and they can teachlehren your kidKind.
349
893000
3000
Computerspezialisten
unterrichten zu lassen.
15:11
And it doesn't matterAngelegenheit if what they teachlehren them is oldalt,
350
896000
3000
Es spielt keine Rolle, ob das,
was sie unterrichten, alt ist,
15:14
because what you're doing is you're lightingBeleuchtung the sparkFunke.
351
899000
3000
denn es geht darum,
Begeisterung zu entfachen.
15:17
You're gettingbekommen that kidKind turnedgedreht on.
352
902000
3000
Das Kind wird motiviert.
15:20
And you get him turnedgedreht on, then he'llHölle learnlernen all the newneu stuffSachen.
353
905000
3000
Und ist es motiviert,
lernt es auch die neuen Dinge.
15:23
MentorsMentoren are just essentialwesentlich.
354
908000
2000
Mentoren sind einfach unumgänglich.
15:25
I cannotnicht können emphasizebetonen enoughgenug
355
910000
2000
Ich kann nicht genug betonen,
15:27
what my scienceWissenschaft teacherLehrer did for me.
356
912000
3000
was mein Lehrer für mich getan hat.
15:30
And we'vewir haben got to mentorMentor them, hiremieten them.
357
915000
3000
Wir müssen ihnen
mit Rat beistehen, sie einstellen.
15:33
And if you bringbringen them in for internshipsPraktika in your companiesFirmen,
358
918000
2000
Wenn man sie für
ein Firmenpraktikum aufnimmt,
15:35
the thing about the autismAutismus, Asperger-yAsperger-y kindArt of mindVerstand,
359
920000
3000
vor allem die mit Asperger,
15:38
you've got to give them a specificspezifisch taskAufgabe. Don't just say, "DesignDesign newneu softwareSoftware."
360
923000
3000
dann brauchen sie konkrete Aufgaben.
Sagen Sie nicht "Entwickle neue Software."
15:41
You've got to tell them something a lot more specificspezifisch:
361
926000
2000
Sie müssen sehr viel
präzisere Anweisungen geben, wie:
15:43
"Well, we're designingEntwerfen a softwareSoftware for a phoneTelefon
362
928000
3000
"Wir entwickeln eine Telefonsoftware,
15:46
and it has to do some specificspezifisch thing.
363
931000
2000
die einige spezifische Sachen macht
15:48
And it can only use so much memoryErinnerung."
364
933000
2000
und nur so viel Speicher nutzen kann."
15:50
That's the kindArt of specificitySpezifität you need.
365
935000
2000
Diese Detailliertheit braucht man.
15:52
Well, that's the endEnde of my talk.
366
937000
2000
Nun sind wir am Ende meines Vortrags.
15:54
And I just want to thank everybodyjeder for comingKommen.
367
939000
2000
Ich möchte mich bei allen
fürs Kommen bedanken.
15:56
It was great to be here.
368
941000
2000
Es war großartig, hier zu sein.
15:58
(ApplauseApplaus)
369
943000
12000
(Applaus)
16:10
Oh, you've got a questionFrage for me? OK.
370
955000
3000
Eine Frage an mich? OK.
16:13
(ApplauseApplaus)
371
958000
1000
(Applaus)
16:14
ChrisChris AndersonAnderson: Thank you so much for that.
372
959000
4000
Chris Anderson: Vielen Dank.
16:18
You know, you onceEinmal wroteschrieb, I like this quoteZitat,
373
963000
2000
Einmal haben Sie geschrieben:
16:20
"If by some magicMagie, autismAutismus had been
374
965000
2000
"Wäre der Autismus auf wundersame Weise
16:22
eradicatedausgerottet from the faceGesicht of the EarthErde,
375
967000
3000
auf der Erde ausgelöscht worden,
16:25
then menMänner would still be socializingGeselligkeit in frontVorderseite of a woodHolz fireFeuer
376
970000
3000
dann würden die Menschen immer noch
16:28
at the entranceEingang to a caveHöhle."
377
973000
2000
an einem Feuer vor dem Höhleneingang
zusammensitzen."
16:30
TempleTempel GrandinGrandin: Because who do you think madegemacht the first stoneStein spearsSpeere?
378
975000
2000
Temple Grandin:
Denn wer stellte die ersten Speere her?
16:32
The AspergerAsperger guy. And if you were to get ridloswerden of all the autismAutismus geneticsGenetik
379
977000
3000
Ein Typ mit Asperger. Würden wir
all die autistischen Gene verlieren,
16:35
there would be no more SiliconSilizium ValleyTal,
380
980000
2000
gäbe es kein Silicon Valley mehr
16:37
and the energyEnergie crisisKrise would not be solvedgelöst.
381
982000
2000
und das Energieproblem würde nicht gelöst.
16:39
(ApplauseApplaus)
382
984000
3000
(Applaus)
16:42
CACA: So, I want to askFragen you a couplePaar other questionsFragen,
383
987000
2000
CA: Ich have noch ein paar andere Fragen.
16:44
and if any of these feel inappropriateunangemessen,
384
989000
2000
Und wenn eine von denen unangebracht ist,
16:46
it's okay just to say, "NextNächste questionFrage."
385
991000
2000
dann sagen Sie nur: "Nächste Frage."
16:48
But if there is someonejemand here
386
993000
2000
Falls hier jemand da ist
16:50
who has an autisticautistisch childKind,
387
995000
2000
mit einem autistischen Kind
16:52
or knowsweiß an autisticautistisch childKind
388
997000
2000
oder der eins kennt,
16:54
and feelsfühlt sich kindArt of cutschneiden off from them,
389
999000
3000
und fühlt, dass sie ihm fremd sind,
16:57
what adviceRat would you give them?
390
1002000
2000
welchen Rat würde Sie ihm geben?
16:59
TGTG: Well, first of all, you've got to look at ageAlter.
391
1004000
2000
TG: Zuerst einmal sollte man
das Alter berücksichtigen.
17:01
If you have a two, threedrei or fourvier yearJahr oldalt
392
1006000
2000
Bei einem zwei, drei oder
vier Jahre altem Kind
17:03
you know, no speechRede, no socialSozial interactionInteraktion,
393
1008000
2000
ohne Sprache und soziale Interaktion
17:05
I can't emphasizebetonen enoughgenug:
394
1010000
2000
kann ich nicht genug betonen:
17:07
Don't wait, you need at leastam wenigsten 20 hoursStd. a weekWoche of one-to-oneeins zu eins teachingLehren.
395
1012000
4000
Warten Sie nicht. Sie brauchen mindestens
20 Wochenstunden Einzelunterricht.
17:11
You know, the thing is, autismAutismus comeskommt in differentanders degreesGrad.
396
1016000
3000
Autismus kann unterschiedlich
stark ausgeprägt sein.
17:14
There's going to be about halfHälfte the people on the spectrumSpektrum
397
1019000
2000
Die Hälfte der Menschen mit Autismus
17:16
that are not going to learnlernen to talk, and they're not going to be workingArbeiten
398
1021000
2000
wird nie lernen zu sprechen und zu arbeiten.
17:18
SiliconSilizium ValleyTal, that would not be a reasonablevernünftig thing for them to do.
399
1023000
3000
Silicon Valley ist kein vernünftiger Platz für sie.
17:21
But then you get the smartsmart, geekygeeky kidsKinder
400
1026000
2000
Aber dann gibt es diese schlauen
und unbeholfenen Kinder
17:23
that have a touchberühren of autismAutismus,
401
1028000
2000
mit nur ein bisschen Autismus.
17:25
and that's where you've got to get them turnedgedreht on
402
1030000
2000
Die muss man begeistern, indem
17:27
with doing interestinginteressant things.
403
1032000
2000
man interessante Dinge mit ihnen macht.
17:29
I got socialSozial interactionInteraktion throughdurch sharedgeteilt interestinteressieren.
404
1034000
3000
Ich hatte soziale Interaktion
durch gemeinsame Interessen.
17:32
I rodeRitt horsesPferde with other kidsKinder, I madegemacht modelModell- rocketsRaketen with other kidsKinder,
405
1037000
4000
Ich ritt mit anderen Kindern.
Ich baute Raketen mit anderen Kindern,
17:36
did electronicsElektronik labLabor with other kidsKinder,
406
1041000
2000
machte Elektronikversuche
mit anderen Kindern.
17:38
and in the '60s, it was gluingkleben mirrorsSpiegel
407
1043000
2000
In den 60ern klebten wir
Spiegel auf eine Gummimembran
17:40
ontoauf zu a rubberGummi membraneMembran on a speakerRedner to make a lightLicht showShow.
408
1045000
3000
vor einem Lautsprecher,
um eine Lichtshow zu machen.
17:43
That was like, we consideredberücksichtigt that superSuper coolcool.
409
1048000
3000
Für uns war das damals supercool.
17:46
CACA: Is it unrealisticunrealistische for them
410
1051000
2000
CA: Es erscheint diesen Eltern unrealistisch,
17:48
to hopeHoffnung or think that that childKind
411
1053000
2000
zu glauben, dass das Kind sie liebt,
17:50
lovesliebt them, as some mightMacht, as mostdie meisten, wishWunsch?
412
1055000
3000
wie die meisten es sich wünschen.
17:53
TGTG: Well let me tell you, that childKind will be loyalloyal,
413
1058000
2000
TG: Ich sage Ihnen was:
Das Kind wird loyal sein.
17:55
and if your houseHaus is burningVerbrennung down, they're going to get you out of it.
414
1060000
2000
Wenn Ihr Haus abbrennt,
wird es Sie da herausholen.
17:57
CACA: WowWow. So, mostdie meisten people, if you askFragen them
415
1062000
3000
CA: Wow. Wenn man Leute fragt, wofür sie
18:00
what are they mostdie meisten passionateleidenschaftlich about, they'dSie würden say things like,
416
1065000
2000
am meisten Leidenschaft haben,
antworten die meisten:
18:02
"My kidsKinder" or "My loverLiebhaber."
417
1067000
3000
"Meine Kinder" oder "Mein Schatz".
18:05
What are you mostdie meisten passionateleidenschaftlich about?
418
1070000
3000
Wofür brennt Ihre Leidenschaft?
18:08
TGTG: I'm passionateleidenschaftlich about that the things I do
419
1073000
2000
TG: Ich habe Leidenschaft dafür,
dass die Dinge,
18:10
are going to make the worldWelt a better placeOrt.
420
1075000
2000
die ich mache, die Welt verbessern.
18:12
When I have a motherMutter of an autisticautistisch childKind say,
421
1077000
2000
Wenn die Mutter
eines autistischen Kindes mir sagt:
18:14
"My kidKind wentging to collegeHochschule because of your bookBuch,
422
1079000
2000
"Mein Kind ist aufs College gegangen
wegen Ihrer Bücher,
18:16
or one of your lecturesVorträge," that makesmacht me happyglücklich.
423
1081000
2000
oder Vorträge",
dann macht mich das glücklich.
18:18
You know, the slaughterSchlachtung plantsPflanzen, I've workedhat funktioniert with them
424
1083000
3000
Die Schlachthöfe in den 80ern,
wo ich arbeitete,
18:21
in the '80s; they were absolutelyunbedingt awfulfurchtbar.
425
1086000
2000
waren absolut furchtbar.
18:23
I developedentwickelt a really simpleeinfach scoringScoring systemSystem for slaughterSchlachtung plantsPflanzen
426
1088000
4000
Ich habe ein einfaches Bewertungssystem
für Schlachthöfe entwickelt,
18:27
where you just measuremessen outcomesErgebnisse: How manyviele cattledas Vieh fellfiel down?
427
1092000
2000
das nur Resultate berücksichtigt:
Wie viele Rinder sind gestürzt,
18:29
How manyviele cattledas Vieh got pokedstocherte with the prodderAntreiber?
428
1094000
2000
wie viele Rinder wurden
mit Treibstöcken geschlagen,
18:31
How manyviele cattledas Vieh are mooingMuhen theirihr headsKöpfe off?
429
1096000
2000
wie viele Rinder muhten sich heiser?
18:33
And it's very, very simpleeinfach.
430
1098000
2000
Es ist sehr, sehr einfach.
18:35
You directlydirekt observebeobachten a fewwenige simpleeinfach things.
431
1100000
2000
Man beobachtet einige
wenige, einfache Dinge direkt.
18:37
It's workedhat funktioniert really well. I get satisfactionBefriedigung out of
432
1102000
2000
Es hat sehr gut funktioniert.
Ich bin zufrieden,
18:39
seeingSehen stuffSachen that makesmacht realecht changeVeränderung
433
1104000
3000
Dinge zu sehen,
die die Welt wirklich verändern.
18:42
in the realecht worldWelt. We need a lot more of that,
434
1107000
2000
Wir brauchen davon eine Menge mehr
18:44
and a lot lessWeniger abstractabstrakt stuffSachen.
435
1109000
2000
und eine Menge weniger abstrakter Dinge.
18:46
(ApplauseApplaus)
436
1111000
7000
(Applaus)
18:53
CACA: When we were talkingim Gespräch on the phoneTelefon, one of the things you said that
437
1118000
2000
CA: Als wir telefoniert haben,
gab es eine Sache,
18:55
really astonishederstaunt me was you said one thing
438
1120000
2000
die mich besonders erstaunt hat.
Sie sagten,
18:57
you were passionateleidenschaftlich about was serverServer farmsFarmen. Tell me about that.
439
1122000
4000
Sie seien begeistert von Rechenzentren.
Erzählen Sie mal davon.
19:01
TGTG: Well the reasonGrund why I got really excitedaufgeregt when I readlesen about that,
440
1126000
3000
TG: Der Grund, warum ich mich
sehr dafür begeistere, ist,
19:04
it containsenthält knowledgeWissen.
441
1129000
3000
dass sie Wissen enthalten.
19:07
It's librariesBibliotheken.
442
1132000
2000
Es sind Büchereien.
19:09
And to me, knowledgeWissen is something
443
1134000
2000
Und für mich ist Wissen etwas,
19:11
that is extremelyäußerst valuablewertvoll. So, maybe, over 10 yearsJahre agovor
444
1136000
2000
das extrem wertvoll ist.
Vor ungefähr 10 Jahren
19:13
now our libraryBibliothek got floodedüberschwemmt.
445
1138000
2000
wurde unsere Bücherei überflutet --
19:15
And this is before the InternetInternet got really biggroß.
446
1140000
2000
bevor das Internet so bedeutend wurde --
19:17
And I was really upsetverärgert about all the booksBücher beingSein wreckedzerstört,
447
1142000
2000
und ich war sehr traurig
über all die zerstörten Bücher,
19:19
because it was knowledgeWissen beingSein destroyedkaputt gemacht.
448
1144000
2000
denn das Wissen war zerstört worden.
19:21
And serverServer farmsFarmen, or dataDaten centersZentren
449
1146000
2000
Rechenzentren sind
19:23
are great librariesBibliotheken of knowledgeWissen.
450
1148000
3000
große Bibliotheken von Wissen.
19:26
CACA: TempleTempel, can I just say it's an absoluteAbsolute delightFreude to have you at TEDTED.
451
1151000
3000
CA: Temple, es war eine absolute Freude,
Sie bei TED gehabt zu haben.
19:29
TGTG: Well thank you so much. Thank you.
452
1154000
3000
TG: Danke sehr. Vielen Dank.
19:32
(ApplauseApplaus)
453
1157000
6000
(Applaus)
Translated by Gregor Fabry
Reviewed by Sabrina Gründlinger

▲Back to top

ABOUT THE SPEAKER
Temple Grandin - Livestock handling designer, autism activist
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds.

Why you should listen

An expert on animal behavior, Temple Grandin has designed humane handling systems for half the cattle-processing facilities in the US, and consults with the meat industry to develop animal welfare guidelines. As PETA wrote when awarding her a 2004 Proggy: “Dr. Grandin's improvements to animal-handling systems found in slaughterhouses have decreased the amount of fear and pain that animals experience in their final hours, and she is widely considered the world's leading expert on the welfare of cattle and pigs.” In 2010, Time Magazine listed her as one of its most Important People of the Year. She is also a member of the American Academy of Arts and Sciences.

Grandin’s books about her interior life as an autistic person have increased the world's understanding of the condition with personal immediacy -- and with import, as rates of autism diagnosis rise. She is revered by animal rights groups and members of autistic community, perhaps because in both regards she is a voice for those who are sometimes challenged to make themselves heard. 

More profile about the speaker
Temple Grandin | Speaker | TED.com