ABOUT THE SPEAKER
Alison Gopnik - Child development psychologist
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do.

Why you should listen

What’s it really like to see through the eyes of a child? Are babies and young children just empty, irrational vessels to be formed into little adults, until they become the perfect images of ourselves? On the contrary, argues Alison Gopnik, professor of psychology and philosophy at the University of California at Berkeley.

The author of The Philosophical BabyThe Scientist in the Crib and other influential books on cognitive development, Gopnik presents evidence that babies and children are conscious of far more than we give them credit for, as they engage every sense and spend every waking moment discovering, filing away, analyzing and acting on information about how the world works. Gopnik’s work draws on psychological, neuroscientific, and philosophical developments in child development research to understand how the human mind learns, how and why we love, our ability to innovate, as well as giving us a deeper appreciation for the role of parenthood.

She says: "What's it like to be a baby? Being in love in Paris for the first time after you've had 3 double espressos."

More profile about the speaker
Alison Gopnik | Speaker | TED.com
TEDGlobal 2011

Alison Gopnik: What do babies think?

Άλισον Γκόπνικ: Τι σκέφτονται τα μωρά;

Filmed:
4,341,974 views

«Τα μωρά είναι το τμήμα έρευνας και ανάπτυξης του ανθρώπινου είδους», λέει η ψυχολόγος Άλισον Γκόπνικ. Η μελέτη της εξερευνά την εκλεπτυσμένη συλλογή πληροφοριών και τη λήψη αποφάσεων που κάνουν τα μωρά όταν παίζουν.
- Child development psychologist
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do. Full bio

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

00:15
What is going on
0
0
2000
Τι συμβαίνει
00:17
in this baby'sτου μωρού mindμυαλό?
1
2000
2000
στο μυαλό αυτού του μωρού;
00:19
If you'dεσείς askedερωτηθείς people this 30 yearsχρόνια agoπριν,
2
4000
2000
Εάν το ρωτούσατε αυτό τριάντα χρόνια πριν,
00:21
mostπλέον people, includingσυμπεριλαμβανομένου psychologistsψυχολόγους,
3
6000
2000
οι περισσότεροι άνθρωποι, συμπεριλαμβανομένων και των ψυχολόγων,
00:23
would have said that this babyμωρό was irrationalπαράλογος,
4
8000
3000
θα σας έλεγαν πως αυτό το μωρό είναι παράλογο,
00:26
illogicalπαράλογο, egocentricεγωκεντρικός --
5
11000
2000
ανακόλουθο, εγωκεντρικό --
00:28
that he couldn'tδεν μπορούσε take the perspectiveπροοπτική of anotherαλλο personπρόσωπο
6
13000
2000
πως δεν θα μπορούσε ν' αντιληφθεί την οπτική ενός άλλου ατόμου
00:30
or understandκαταλαβαίνουν causeαιτία and effectαποτέλεσμα.
7
15000
2000
ή να καταλάβει την αιτία και το αποτέλεσμα.
00:32
In the last 20 yearsχρόνια,
8
17000
2000
Τα τελευταία 20 χρόνια,
00:34
developmentalαναπτυξιακή scienceεπιστήμη has completelyεντελώς overturnedανέτρεψε that pictureεικόνα.
9
19000
3000
η αναπτυξιακή επιστήμη ανέτρεψε ολοσχερώς αυτή την εικόνα.
00:37
So in some waysτρόπους,
10
22000
2000
Έτσι, κατά κάποιο τρόπο,
00:39
we think that this baby'sτου μωρού thinkingσκέψη
11
24000
2000
πιστεύουμε πως η σκέψη αυτού του μωρού
00:41
is like the thinkingσκέψη of the mostπλέον brilliantλαμπρός scientistsΕπιστήμονες.
12
26000
4000
είναι σαν τη σκέψη των πιο λαμπρών επιστημόνων.
00:45
Let me give you just one exampleπαράδειγμα of this.
13
30000
2000
Επιτρέψτε μου να σας δώσω ένα παράδειγμα.
00:47
One thing that this babyμωρό could be thinkingσκέψη about,
14
32000
3000
Ένα πράγμα που μπορεί να σκέφτεται αυτό το μωρό,
00:50
that could be going on in his mindμυαλό,
15
35000
2000
που μπορεί να συμβαίνει στο μυαλό του,
00:52
is tryingπροσπαθεί to figureεικόνα out
16
37000
2000
είναι η προσπάθεια κατανόησης
00:54
what's going on in the mindμυαλό of that other babyμωρό.
17
39000
3000
όσων συμβαίνουν στο μυαλό του άλλου μωρού.
00:57
After all, one of the things that's hardestπιο δύσκολο for all of us to do
18
42000
3000
Εξάλλου ένα από τα δυσκολότερα πράγματα για όλους μας
01:00
is to figureεικόνα out what other people are thinkingσκέψη and feelingσυναισθημα.
19
45000
3000
είναι η κατανόηση των σκέψεων και συναισθημάτων των άλλων ανθρώπων.
01:03
And maybe the hardestπιο δύσκολο thing of all
20
48000
2000
Και ίσως το δυσκολότερο απ' όλα
01:05
is to figureεικόνα out that what other people think and feel
21
50000
3000
είναι να καταλάβουμε πως αυτά που σκέφτονται και νιώθουν οι άλλοι
01:08
isn't actuallyπράγματι exactlyακριβώς like what we think and feel.
22
53000
2000
δεν είναι ακριβώς ίδια με αυτά που σκεπτόμαστε και νιώθουμε εμείς.
01:10
AnyoneΚάποιος who'sποιος είναι followedακολούθησε politicsπολιτική can testifyμαρτυρούν
23
55000
2000
Οποιοσδήποτε παρακολουθεί την πολιτική μπορεί να καταθέσει
01:12
to how hardσκληρά that is for some people to get.
24
57000
3000
πόσο δύσκολο είναι αυτό για κάποιους ανθρώπους.
01:15
We wanted to know
25
60000
2000
Θέλαμε να μάθουμε
01:17
if babiesμωρά and youngνεαρός childrenπαιδιά
26
62000
2000
αν τα μωρά και τα μικρά παιδιά
01:19
could understandκαταλαβαίνουν this really profoundβαθύς thing about other people.
27
64000
3000
μπορούν να καταλάβουν αυτό το πραγματικά σημαντικό στοιχείο για τους άλλους.
01:22
Now the questionερώτηση is: How could we askπαρακαλώ them?
28
67000
2000
Πώς θα μπορούσαμε να τα ρωτήσουμε;
01:24
BabiesΤα μωρά, after all, can't talk,
29
69000
2000
Τα μωρά δεν μπορούν να μιλήσουν,
01:26
and if you askπαρακαλώ a threeτρία year-oldετών
30
71000
2000
κι αν ρωτήσεις ένα τρίχρονο
01:28
to tell you what he thinksσκέφτεται,
31
73000
2000
να σου πει τι σκέπτεται,
01:30
what you'llθα το κάνετε get is a beautifulπανεμορφη streamρεύμα of consciousnessσυνείδηση monologueμονόλογος
32
75000
3000
αυτό που θ' ακούσεις είναι μια πανέμορφη ροή συνειδησιακού μονολόγου
01:33
about poniesπόνι and birthdaysτα γενέθλια and things like that.
33
78000
3000
για αλογάκια και γενέθλια κι άλλα τέτοια πράγματα.
01:36
So how do we actuallyπράγματι askπαρακαλώ them the questionερώτηση?
34
81000
3000
Πώς λοιπόν τους κάνουμε πραγματικά την ερώτηση;
01:39
Well it turnsστροφές out that the secretμυστικό was broccoliμπρόκολο.
35
84000
3000
Αποδεικνύεται ότι το μυστικό ήταν το μπρόκολο.
01:42
What we did -- BettyΜπέττυ RapacholiRapacholi, who was one of my studentsΦοιτητές, and I --
36
87000
4000
Αυτό που κάναμε - εγώ και η Μπέτι Ραπακόλι, που ήταν φοιτήτρια μου -
01:46
was actuallyπράγματι to give the babiesμωρά two bowlsκύπελλα of foodτροφή:
37
91000
3000
ήταν να δώσουμε στα μωρά δύο μπολ με φαγητό:
01:49
one bowlγαβάθα of rawακατέργαστος broccoliμπρόκολο
38
94000
2000
ένα μπολ με ωμό μπρόκολο
01:51
and one bowlγαβάθα of deliciousνόστιμα goldfishχρυσόψαρο crackersκράκερ.
39
96000
3000
κι ένα μπολ με λαχταριστά κράκερς σε σχήμα ψαριού.
01:54
Now all of the babiesμωρά, even in BerkleyBerkley,
40
99000
3000
Όλα τα μωρά, ακόμη και στο Μπέρκλεϊ,
01:57
like the crackersκράκερ and don't like the rawακατέργαστος broccoliμπρόκολο.
41
102000
3000
προτιμούν τα κράκερς από το ωμό μπρόκολο.
02:00
(LaughterΤο γέλιο)
42
105000
2000
(Γέλια)
02:02
But then what BettyΜπέττυ did
43
107000
2000
Έπειτα, αυτό που έκανε η Μπέτι
02:04
was to take a little tasteγεύση of foodτροφή from eachκαθε bowlγαβάθα.
44
109000
3000
ήταν να δοκιμάσει μια μικρή ποσότητα από κάθε μπολ.
02:07
And she would actενεργω as if she likedάρεσε it or she didn't.
45
112000
2000
Προσποιήθηκε ή ότι της άρεσε ή ότι δεν της άρεσε.
02:09
So halfΉμισυ the time, she actedενήργησε
46
114000
2000
Έτσι τις μισές φορές έκανε
02:11
as if she likedάρεσε the crackersκράκερ and didn't like the broccoliμπρόκολο --
47
116000
2000
πως της άρεσαν τα κράκερς και δεν της άρεσε το μπρόκολο -
02:13
just like a babyμωρό and any other saneυγιής personπρόσωπο.
48
118000
3000
όπως το μωρό και κάθε λογικός άνθρωπος.
02:16
But halfΉμισυ the time,
49
121000
2000
Αλλά τις άλλες μισές,
02:18
what she would do is take a little bitκομμάτι of the broccoliμπρόκολο
50
123000
2000
δοκίμαζε λίγο μπρόκολο
02:20
and go, "MmmmmMmmmm, broccoliμπρόκολο.
51
125000
3000
κι έκανε: «Μμμμ, μπρόκολο.
02:23
I tastedγεύση the broccoliμπρόκολο. MmmmmMmmmm."
52
128000
3000
Δοκίμασα το μπρόκολο. Μμμμμ.»
02:26
And then she would take a little bitκομμάτι of the crackersκράκερ,
53
131000
2000
Έπειτα δοκίμαζε τα κράκερς
02:28
and she'dυπόστεγο go, "EwwEww, yuckyuck, crackersκράκερ.
54
133000
4000
κι έλεγε: «Ίου, μπλιάξ, κράκερς.
02:32
I tastedγεύση the crackersκράκερ. EwwEww, yuckyuck."
55
137000
3000
Δοκίμασα τα κράκερς. Μπλιάξ.»
02:35
So she'dυπόστεγο actενεργω as if what she wanted
56
140000
2000
Έκανε σαν αυτό που ήθελε
02:37
was just the oppositeαπεναντι απο of what the babiesμωρά wanted.
57
142000
3000
να είναι αντίθετο απ' αυτό που ήθελαν τα μωρά.
02:40
We did this with 15 and 18 month-oldτο μήνας-παλαιό babiesμωρά.
58
145000
2000
Το κάναμε αυτό με μωρά 15 και 18 μηνών.
02:42
And then she would simplyαπλά put her handχέρι out and say,
59
147000
3000
Έπειτα έτεινε το χέρι της κι έλεγε:
02:45
"Can you give me some?"
60
150000
2000
«Μπορείς να μου δώσεις λίγο;»
02:47
So the questionερώτηση is: What would the babyμωρό give her,
61
152000
2000
Το ερώτημα είναι: Τι θα της δώσει το μωρό,
02:49
what they likedάρεσε or what she likedάρεσε?
62
154000
2000
αυτό που αρέσει σ' εκείνο, ή αυτό που άρεσε σ' αυτήν;
02:51
And the remarkableαξιοσημείωτος thing was that 18 month-oldτο μήνας-παλαιό babiesμωρά,
63
156000
3000
Το αξιοσημείωτο ήταν πως μωρά 18 μηνών,
02:54
just barelyμετά βίας walkingτο περπάτημα and talkingομιλία,
64
159000
2000
που μόλις που περπατούν και μιλούν,
02:56
would give her the crackersκράκερ if she likedάρεσε the crackersκράκερ,
65
161000
3000
της έδιναν τα κράκερς, αν της άρεσαν τα κράκερς,
02:59
but they would give her the broccoliμπρόκολο if she likedάρεσε the broccoliμπρόκολο.
66
164000
3000
αλλά της έδιναν το μπρόκολο, αν αυτό ήταν που της άρεσε.
03:02
On the other handχέρι,
67
167000
2000
Από την άλλη,
03:04
15 month-oldsμήνα-olds would stareκοιτάζω at her for a long time
68
169000
2000
τα μωρά 15 μηνών, την κοιτούσαν για πολλή ώρα
03:06
if she actedενήργησε as if she likedάρεσε the broccoliμπρόκολο,
69
171000
2000
αν έκανε πως της άρεσε το μπρόκολο,
03:08
like they couldn'tδεν μπορούσε figureεικόνα this out.
70
173000
3000
σαν να μην μπορούσαν να καταλάβουν.
03:11
But then after they staredκοίταξε for a long time,
71
176000
2000
Αφού την κοιτούσαν για αρκετή ώρα,
03:13
they would just give her the crackersκράκερ,
72
178000
2000
της έδιναν τα κράκερς,
03:15
what they thought everybodyόλοι mustπρέπει like.
73
180000
2000
αυτό που πίστευαν πως θα έπρεπε ν' αρέσει σε όλους.
03:17
So there are two really remarkableαξιοσημείωτος things about this.
74
182000
3000
Υπάρχουν λοιπόν δύο αξιοπρόσεκτες παρατηρήσεις σχετικά μ' αυτό.
03:20
The first one is that these little 18 month-oldτο μήνας-παλαιό babiesμωρά
75
185000
3000
Η πρώτη είναι πως μωράκια 18 μηνών
03:23
have alreadyήδη discoveredανακαλύφθηκε
76
188000
2000
έχουν ήδη ανακαλύψει
03:25
this really profoundβαθύς factγεγονός about humanο άνθρωπος natureφύση,
77
190000
2000
αυτό το σημαντικό γεγονός για την ανθρώπινη φύση,
03:27
that we don't always want the sameίδιο thing.
78
192000
2000
πως δεν θέλουμε πάντα τα ίδια πράγματα.
03:29
And what's more, they feltένιωσα that they should actuallyπράγματι do things
79
194000
2000
Κι επιπλέον, ένιωσαν πως πρέπει να κάνουν πράγματα
03:31
to help other people get what they wanted.
80
196000
3000
για να βοηθήσουν άλλους ανθρώπους να πάρουν αυτό που θέλουν.
03:34
Even more remarkablyσημαντικά thoughαν και,
81
199000
2000
Ακόμη πιο εντυπωσιακό όμως,
03:36
the factγεγονός that 15 month-oldsμήνα-olds didn't do this
82
201000
3000
είναι το γεγονός ότι τα μωρά 15 μηνών δεν έκαναν το ίδιο,
03:39
suggestsπροτείνει that these 18 month-oldsμήνα-olds had learnedέμαθα
83
204000
3000
πράγμα που υποδηλώνει πως τα μωρά 18 μηνών έχουν μάθει
03:42
this deepβαθύς, profoundβαθύς factγεγονός about humanο άνθρωπος natureφύση
84
207000
3000
αυτό το βαθύ και σημαντικό στοιχείο της ανθρώπινης φύσης
03:45
in the threeτρία monthsμήνες from when they were 15 monthsμήνες oldπαλαιός.
85
210000
3000
μέσα στους 3 μήνες που μεσολάβησαν από τότε που ήσαν 15 μηνών.
03:48
So childrenπαιδιά bothκαι τα δυο know more and learnμαθαίνω more
86
213000
2000
Άρα τα παιδιά και ξέρουν και μαθαίνουν περισσότερα
03:50
than we ever would have thought.
87
215000
2000
απ' όσα ποτέ θα φανταζόμασταν.
03:52
And this is just one of hundredsεκατοντάδες and hundredsεκατοντάδες of studiesσπουδές over the last 20 yearsχρόνια
88
217000
4000
Κι είναι μόνο μια από τις εκατοντάδες μελέτες των τελευταίων 20 ετών
03:56
that's actuallyπράγματι demonstratedαποδεδειγμένη it.
89
221000
2000
που το έδειξαν πραγματικά.
03:58
The questionερώτηση you mightθα μπορούσε askπαρακαλώ thoughαν και is:
90
223000
2000
Η ερώτηση που πρέπει να κάνετε όμως είναι:
04:00
Why do childrenπαιδιά learnμαθαίνω so much?
91
225000
3000
Γιατί τα παιδιά μαθαίνουν τόσα πολλά;
04:03
And how is it possibleδυνατόν for them to learnμαθαίνω so much
92
228000
2000
Και πως είναι εφικτό να μαθαίνουν τόσα πολλά
04:05
in suchτέτοιος a shortμικρός time?
93
230000
2000
σε τόσο μικρό χρονικό διάστημα;
04:07
I mean, after all, if you look at babiesμωρά superficiallyεπιφανειακά,
94
232000
2000
Θέλω να πω, αν δείτε τα μωρά επιπόλαια,
04:09
they seemφαίνομαι prettyαρκετά uselessάχρηστος.
95
234000
2000
μοιάζουν σχεδόν άχρηστα.
04:11
And actuallyπράγματι in manyΠολλά waysτρόπους, they're worseχειρότερος than uselessάχρηστος,
96
236000
3000
Μάλιστα σε πολλές περιπτώσεις, είναι χειρότερα κι από άχρηστα,
04:14
because we have to put so much time and energyενέργεια
97
239000
2000
επειδή χρειάζεται να διαθέτουμε τόσο χρόνο κι ενέργεια
04:16
into just keepingτήρηση them aliveζωντανός.
98
241000
2000
για να τα διατηρούμε στη ζωή.
04:18
But if we turnστροφή to evolutionεξέλιξη
99
243000
2000
Αν όμως στραφούμε στην εξέλιξη
04:20
for an answerαπάντηση to this puzzleπαζλ
100
245000
2000
για μια απάντηση στο ερώτημα
04:22
of why we spendδαπανήσει so much time
101
247000
2000
«γιατί καταναλώνουμε τόσο χρόνο
04:24
takingλήψη careΦροντίδα of uselessάχρηστος babiesμωρά,
102
249000
3000
για να φροντίζουμε άχρηστα μωρά»,
04:27
it turnsστροφές out that there's actuallyπράγματι an answerαπάντηση.
103
252000
3000
φαίνεται πως υπάρχει τελικά απάντηση.
04:30
If we look acrossαπέναντι manyΠολλά, manyΠολλά differentδιαφορετικός speciesείδος of animalsτων ζώων,
104
255000
3000
Αν κοιτάξουμε σε πολλά διαφορετικά είδη ζώων,
04:33
not just us primatesπρωτεύοντα,
105
258000
2000
όχι μόνο στα πρωτεύοντα θηλαστικά,
04:35
but alsoεπίσης includingσυμπεριλαμβανομένου other mammalsθηλαστικά, birdsπουλιά,
106
260000
2000
αλλά συμπεριλαμβάνοντας κι άλλα θηλαστικά, πουλιά,
04:37
even marsupialsμαρσιποφόρα
107
262000
2000
ακόμη και μαρσιποφόρα
04:39
like kangaroosκαγκουρό and wombatswombats,
108
264000
2000
όπως τα καγκουρό και οι φασκωλόμυες,
04:41
it turnsστροφές out that there's a relationshipσχέση
109
266000
2000
φαίνεται πως υπάρχει σχέση
04:43
betweenμεταξύ how long a childhoodΠαιδική ηλικία a speciesείδος has
110
268000
4000
μεταξύ της διάρκειας της παιδικής ηλικίας ενός είδους
04:47
and how bigμεγάλο theirδικα τους brainsμυαλά are comparedσε συγκριση to theirδικα τους bodiesσώματα
111
272000
4000
και του μεγέθους του εγκεφάλου του σε σύγκριση με το σώμα του
04:51
and how smartέξυπνος and flexibleεύκαμπτος they are.
112
276000
2000
και πόσο έξυπνο κι ευέλικτο είναι.
04:53
And sortείδος of the posterbirdsposterbirds for this ideaιδέα are the birdsπουλιά up there.
113
278000
3000
Χαρακτηριστικά γι' αυτήν την ιδέα, είναι τα πουλιά εκεί πάνω.
04:56
On one sideπλευρά
114
281000
2000
Στη μια πλευρά
04:58
is a NewΝέα CaledonianCaledonian crowκοράκι.
115
283000
2000
είναι η κουρούνα της Νέας Καληδονίας.
05:00
And crowsκοράκια and other corvidaeCorvidae, ravensκοράκια, rooksRooks and so forthΕμπρός,
116
285000
3000
Οι κουρούνες κι άλλα κορακοειδή, οι κόρακες, τα χαβαρόνια κτλ,
05:03
are incrediblyαπίστευτα smartέξυπνος birdsπουλιά.
117
288000
2000
είναι εξαιρετικά έξυπνα πουλιά.
05:05
They're as smartέξυπνος as chimpanzeesχιμπατζήδες in some respectsσέβη.
118
290000
3000
Είναι εξίσου έξυπνα με τους χιμπατζήδες σε κάποια σημεία.
05:08
And this is a birdπουλί on the coverκάλυμμα of scienceεπιστήμη
119
293000
2000
Βλέπουμε ένα πουλί στο εξώφυλλο του Science,
05:10
who'sποιος είναι learnedέμαθα how to use a toolεργαλείο to get foodτροφή.
120
295000
3000
που έμαθε πώς να χρησιμοποιεί ένα εργαλείο για να βρίσκει τροφή.
05:13
On the other handχέρι,
121
298000
2000
Από την άλλη πλευρά,
05:15
we have our friendφίλος the domesticοικιακός chickenκοτόπουλο.
122
300000
2000
έχουμε τη φίλη μας την οικόσιτη όρνιθα.
05:17
And chickensκοτόπουλα and ducksπάπιες and geeseχήνες and turkeysγαλοπούλες
123
302000
3000
Οι κότες, οι πάπιες, οι χήνες και οι γαλοπούλες
05:20
are basicallyβασικα as dumbχαζός as dumpsχωματερές.
124
305000
2000
είναι βασικά πιο χαζές κι απ' τα κούτσουρα.
05:22
So they're very, very good at peckingράμφισμα for grainσιτηρά,
125
307000
3000
Είναι πολύ-πολύ καλές στο ράμφισμα των σιτηρών,
05:25
and they're not much good at doing anything elseαλλού.
126
310000
3000
και δεν είναι καλές σε οτιδήποτε άλλο.
05:28
Well it turnsστροφές out that the babiesμωρά,
127
313000
2000
Φαίνεται πως τα μωρά
05:30
the NewΝέα CaledonianCaledonian crowκοράκι babiesμωρά, are fledglingsνεοσσοί.
128
315000
2000
της κουρούνας της Νέας Καληδονίας, ως νεοσσοί
05:32
They dependεξαρτώμαι on theirδικα τους momsmoms
129
317000
2000
εξαρτώνται από τη μητέρα τους
05:34
to dropπτώση wormsτα σκουλήκια in theirδικα τους little openΆνοιξε mouthsστόματα
130
319000
3000
να ρίξει σκουληκάκια στα μικρά ανοιχτά στόματά τους
05:37
for as long as two yearsχρόνια,
131
322000
2000
για περίοδο δυο ετών,
05:39
whichοι οποίες is a really long time in the life of a birdπουλί.
132
324000
2000
που είναι πολύ μεγάλο διάστημα στη ζωή ενός πουλιού.
05:41
WhereasΛαμβάνοντας υπόψη ότι the chickensκοτόπουλα are actuallyπράγματι matureώριμος / η
133
326000
2000
Οι κότες αντίθετα ωριμάζουν
05:43
withinστα πλαίσια a coupleζευγάρι of monthsμήνες.
134
328000
2000
μέσα σε δύο μήνες.
05:45
So childhoodΠαιδική ηλικία is the reasonλόγος
135
330000
3000
Είναι λοιπόν η παιδική ηλικία ο λόγος
05:48
why the crowsκοράκια endτέλος up on the coverκάλυμμα of ScienceΕπιστήμη
136
333000
2000
που οι κουρούνες καταλήγουν στο εξώφυλλο του Science
05:50
and the chickensκοτόπουλα endτέλος up in the soupσούπα potδοχείο.
137
335000
2000
ενώ οι κότες καταλήγουν στην κατσαρόλα.
05:52
There's something about that long childhoodΠαιδική ηλικία
138
337000
3000
Υπάρχει κάτι σ' αυτήν την παρατεταμένη παιδική ηλικία
05:55
that seemsφαίνεται to be connectedσυνδεδεμένος
139
340000
2000
που φαίνεται να συνδέεται
05:57
to knowledgeη γνώση and learningμάθηση.
140
342000
2000
με τη γνώση και τη μάθηση.
05:59
Well what kindείδος of explanationεξήγηση could we have for this?
141
344000
3000
Τι είδους εξήγηση μπορούμε να δώσουμε σ' αυτό;
06:02
Well some animalsτων ζώων, like the chickenκοτόπουλο,
142
347000
3000
Μερικά ζώα, όπως τα κοτόπουλα,
06:05
seemφαίνομαι to be beautifullyόμορφα suitedκατάλληλη
143
350000
2000
μοιάζουν να είναι φτιαγμένα
06:07
to doing just one thing very well.
144
352000
2000
για να κάνουν καλά μόνο ένα πράγμα.
06:09
So they seemφαίνομαι to be beautifullyόμορφα suitedκατάλληλη
145
354000
3000
Προορίζονται λοιπόν
06:12
to peckingράμφισμα grainσιτηρά in one environmentπεριβάλλον.
146
357000
2000
για ράμφισμα σπόρων σ' ένα περιβάλλον.
06:14
Other creaturesπλάσματα, like the crowsκοράκια,
147
359000
2000
Άλλα πλάσματα, όπως οι κουρούνες,
06:16
aren'tδεν είναι very good at doing anything in particularιδιαιτερος,
148
361000
2000
δεν κάνουν καλά κάτι συγκεκριμένο,
06:18
but they're extremelyεπακρώς good
149
363000
2000
αλλά μαθαίνουν εξαιρετικά καλά
06:20
at learningμάθηση about lawsτου νόμου of differentδιαφορετικός environmentsπεριβάλλοντος.
150
365000
2000
τους νόμους διαφορετικών περιβαλλόντων.
06:22
And of courseσειρά μαθημάτων, we humanο άνθρωπος beingsόντα
151
367000
2000
Φυσικά κι εμείς οι άνθρωποι
06:24
are way out on the endτέλος of the distributionδιανομή like the crowsκοράκια.
152
369000
3000
βρισκόμαστε στο άκρο της κατανομής, όπως οι κουρούνες.
06:27
We have biggerμεγαλύτερος brainsμυαλά relativeσυγγενής to our bodiesσώματα
153
372000
2000
Έχουμε μεγαλύτερους εγκεφάλους, σε σχέση με το σώμα μας,
06:29
by farμακριά than any other animalζώο.
154
374000
2000
μακράν από οποιοδήποτε άλλο ζώο.
06:31
We're smarterεξυπνότερα, we're more flexibleεύκαμπτος,
155
376000
2000
Είμαστε πιο έξυπνοι, πιο ευέλικτοι,
06:33
we can learnμαθαίνω more,
156
378000
2000
μπορούμε να μάθουμε περισσότερα,
06:35
we surviveεπιζώ in more differentδιαφορετικός environmentsπεριβάλλοντος,
157
380000
2000
επιβιώνουμε σε πιο πολλά διαφορετικά περιβάλλοντα,
06:37
we migratedμετεγκατάσταση to coverκάλυμμα the worldκόσμος and even go to outerεξωτερικός spaceχώρος.
158
382000
3000
και μεταναστεύσαμε για να καλύψουμε τον κόσμο ακόμη και το διάστημα.
06:40
And our babiesμωρά and childrenπαιδιά are dependentεξαρτώμενος on us
159
385000
3000
Τα μωρά μας και τα παιδιά μας εξαρτώνται από εμάς
06:43
for much longerμακρύτερα than the babiesμωρά of any other speciesείδος.
160
388000
3000
περισσότερο καιρό από τα μωρά των άλλων ειδών.
06:46
My sonυιός is 23.
161
391000
2000
Ο γιος μου είναι 23.
06:48
(LaughterΤο γέλιο)
162
393000
2000
(Γέλια)
06:50
And at leastελάχιστα untilμέχρις ότου they're 23,
163
395000
2000
Τουλάχιστον μέχρι τα 23 τους,
06:52
we're still poppingανατριχιάζοντας those wormsτα σκουλήκια
164
397000
2000
συνεχίζουμε να ρίχνουμε τα σκουλικάκια
06:54
into those little openΆνοιξε mouthsστόματα.
165
399000
3000
μέσα σ' εκείνα τα μικρά ανοιχτά στόματα.
06:57
All right, why would we see this correlationσυσχέτιση?
166
402000
3000
Εντάξει, γιατί όμως κάνουμε αυτόν το συσχετισμό;
07:00
Well an ideaιδέα is that that strategyστρατηγική, that learningμάθηση strategyστρατηγική,
167
405000
4000
Μια εκδοχή είναι πως αυτή η στρατηγική εκμάθησης,
07:04
is an extremelyεπακρώς powerfulισχυρός, great strategyστρατηγική for gettingνα πάρει on in the worldκόσμος,
168
409000
3000
είναι εξαιρετικά ισχυρή για να τα βγάζεις πέρα στον κόσμο,
07:07
but it has one bigμεγάλο disadvantageμειονέκτημα.
169
412000
2000
αλλά έχει ένα μεγάλο μειονέκτημα.
07:09
And that one bigμεγάλο disadvantageμειονέκτημα
170
414000
2000
Αυτό το μεγάλο μειονέκτημα
07:11
is that, untilμέχρις ότου you actuallyπράγματι do all that learningμάθηση,
171
416000
3000
είναι πως ώσπου να τα μάθεις όλ' αυτά,
07:14
you're going to be helplessαβοήθητοι.
172
419000
2000
θα είσαι αβοήθητος.
07:16
So you don't want to have the mastodonμαστόδοντας chargingφόρτισης at you
173
421000
3000
Δεν θέλεις να έχεις τον μαστόδοντα να σε φερμάρει
07:19
and be sayingρητό to yourselfσύ ο ίδιος,
174
424000
2000
κι εσύ να σκέφτεσαι:
07:21
"A slingshotΔιχαλωτή σφενδόνη or maybe a spearδόρυ mightθα μπορούσε work. WhichΟποία would actuallyπράγματι be better?"
175
426000
4000
«Μια σφεντόνα ή ίσως ένα δόρυ να λειτουργούσε. Ποιο θα ήταν καλύτερο;»
07:25
You want to know all that
176
430000
2000
Θέλετε να τα γνωρίζετε όλ' αυτά
07:27
before the mastodonsμαστόδοντα actuallyπράγματι showπροβολή up.
177
432000
2000
πριν εμφανιστεί ο μαστόδοντας.
07:29
And the way the evolutionsεξελίξεις seemsφαίνεται to have solvedλυθεί that problemπρόβλημα
178
434000
3000
Και ο τρόπος που η εξέλιξη φαίνεται να έλυσε αυτό το πρόβλημα
07:32
is with a kindείδος of divisionδιαίρεση of laborεργασία.
179
437000
2000
είναι ο καταμερισμός της εργασίας.
07:34
So the ideaιδέα is that we have this earlyνωρίς periodπερίοδος when we're completelyεντελώς protectedπροστατεύονται.
180
439000
3000
Η κεντρική ιδέα είναι πως έχουμε μια πρώιμη περίοδο όπου είμαστε απόλυτα προστατευμένοι.
07:37
We don't have to do anything. All we have to do is learnμαθαίνω.
181
442000
3000
Δεν χρειάζεται να κάνουμε τίποτα, μόνο να μαθαίνουμε.
07:40
And then as adultsενήλικες,
182
445000
2000
Έπειτα, ως ενήλικες,
07:42
we can take all those things that we learnedέμαθα when we were babiesμωρά and childrenπαιδιά
183
447000
3000
μπορούμε να πάρουμε όλ' αυτά τα πράγματα που μάθαμε όταν ήμασταν μωρά και παιδιά
07:45
and actuallyπράγματι put them to work to do things out there in the worldκόσμος.
184
450000
3000
και να τα βάλουμε να λειτουργήσουν για να κάνουμε πράγματα εκεί έξω στον κόσμο.
07:48
So one way of thinkingσκέψη about it
185
453000
2000
Ένας τρόπος να το δει κανείς,
07:50
is that babiesμωρά and youngνεαρός childrenπαιδιά
186
455000
2000
είναι πως τα μωρά και τα μικρά παιδιά
07:52
are like the researchέρευνα and developmentανάπτυξη divisionδιαίρεση of the humanο άνθρωπος speciesείδος.
187
457000
3000
είναι το τμήμα έρευνας και ανάπτυξης του ανθρώπινου είδους.
07:55
So they're the protectedπροστατεύονται blueμπλε skyουρανός guys
188
460000
3000
είναι οι προστατευμένοι ανέμελοι τύποι
07:58
who just have to go out and learnμαθαίνω and have good ideasιδέες,
189
463000
2000
που χρειάζεται μόνο να μαθαίνουν και να έχουν καλές ιδέες,
08:00
and we're productionπαραγωγή and marketingεμπορία.
190
465000
2000
κι εμείς είμαστε η παραγωγή και το μάρκετινγκ.
08:02
We have to take all those ideasιδέες
191
467000
2000
Χρειάζεται να πάρουμε όλες αυτές τις ιδέες
08:04
that we learnedέμαθα when we were childrenπαιδιά
192
469000
2000
που μάθαμε όταν ήμασταν παιδιά
08:06
and actuallyπράγματι put them to use.
193
471000
2000
και να τις χρησιμοποιήσουμε.
08:08
AnotherΈνα άλλο way of thinkingσκέψη about it
194
473000
2000
Ένας άλλος τρόπος σκέψης
08:10
is insteadαντι αυτου of thinkingσκέψη of babiesμωρά and childrenπαιδιά
195
475000
2000
είναι αντί ν' αντιμετωπίζουμε τα μωρά και τα παιδιά
08:12
as beingνα εισαι like defectiveελαττωματικό grownupsενήλικες,
196
477000
2000
σαν ελαττωματικούς ενήλικες,
08:14
we should think about them
197
479000
2000
πρέπει να τ' αντιλαμβανόμαστε
08:16
as beingνα εισαι a differentδιαφορετικός developmentalαναπτυξιακή stageστάδιο of the sameίδιο speciesείδος --
198
481000
2000
ως ένα διαφορετικό αναπτυξιακό στάδιο του ίδιου είδους --
08:18
kindείδος of like caterpillarsκάμπιες and butterfliesΠεταλούδες --
199
483000
3000
όπως περίπου συμβαίνει με τις κάμπιες και τις πεταλούδες --
08:21
exceptεκτός that they're actuallyπράγματι the brilliantλαμπρός butterfliesΠεταλούδες
200
486000
2000
μόνο που εκείνα είναι οι έξυπνες πεταλούδες
08:23
who are flittingflitting around the gardenκήπος and exploringεξερευνώντας,
201
488000
3000
που ίπτανται μέσα στον κήπο κι εξερευνούν,
08:26
and we're the caterpillarsκάμπιες
202
491000
2000
ενώ εμείς είμαστε οι κάμπιες
08:28
who are inchingστριμώχνονται alongκατά μήκος our narrowστενός, grownupgrownup, adultενήλικας pathμονοπάτι.
203
493000
3000
που στριμώχνονται στο στενό ενήλικο μονοπάτι τους.
08:31
If this is trueαληθής, if these babiesμωρά are designedσχεδιασμένο to learnμαθαίνω --
204
496000
3000
Αν αυτό είναι αλήθεια, αν αυτά τα μωρά είναι φτιαγμένα για να μαθαίνουν --
08:34
and this evolutionaryεξελικτική storyιστορία would say childrenπαιδιά are for learningμάθηση,
205
499000
3000
κι η ιστορία της εξέλιξης έλεγε πως τα παιδιά είναι για να μαθαίνουν -
08:37
that's what they're for --
206
502000
2000
πως υπάρχουν γι' αυτό --
08:39
we mightθα μπορούσε expectαναμένω
207
504000
2000
θα μπορούσαμε να περιμένουμε
08:41
that they would have really powerfulισχυρός learningμάθηση mechanismsμηχανισμούς.
208
506000
2000
πως θα είχαν πολύ ισχυρούς μηχανισμούς εκμάθησης.
08:43
And in factγεγονός, the baby'sτου μωρού brainεγκέφαλος
209
508000
3000
Πράγματι, ο εγκέφαλος των μωρών
08:46
seemsφαίνεται to be the mostπλέον powerfulισχυρός learningμάθηση computerυπολογιστή
210
511000
2000
φαίνεται να είναι ο πιο ισχυρός μαθησιακός υπολογιστής
08:48
on the planetπλανήτης.
211
513000
2000
στον πλανήτη.
08:50
But realπραγματικός computersΥπολογιστές are actuallyπράγματι gettingνα πάρει to be a lot better.
212
515000
3000
Όμως οι πραγματικοί υπολογιστές γίνονται πολύ καλύτεροι.
08:53
And there's been a revolutionεπανάσταση
213
518000
2000
Πρόσφατα, υπήρξε μια επανάσταση
08:55
in our understandingκατανόηση of machineμηχανή learningμάθηση recentlyπρόσφατα.
214
520000
2000
στην κατανόηση της μηχανικής εκμάθησης.
08:57
And it all dependsΕξαρτάται on the ideasιδέες of this guy,
215
522000
3000
Όλα προέρχονται από τις ιδέες αυτού του ανθρώπου,
09:00
the ReverendΟ αιδεσιμότατος ThomasΘΩΜΑΣ BayesBayes,
216
525000
2000
του Αιδεσιμότατου Τόμας Μπέις,
09:02
who was a statisticianστατιστικολόγος and mathematicianμαθηματικός in the 18thth centuryαιώνας.
217
527000
3000
που ήταν στατιστικολόγος και μαθηματικός του 18ου αιώνα.
09:05
And essentiallyουσιαστικά what BayesBayes did
218
530000
3000
Στην ουσία, αυτό που έκανε ο Μπέις
09:08
was to provideπρομηθεύω a mathematicalμαθηματικός way
219
533000
2000
ήταν να παρέχει έναν μαθηματικό τρόπο
09:10
usingχρησιμοποιώντας probabilityπιθανότητα theoryθεωρία
220
535000
2000
χρησιμοποιώντας τη θεωρία των πιθανοτήτων
09:12
to characterizeχαρακτηρίζουν, describeπεριγράφω,
221
537000
2000
για να χαρακτηρίσει και να περιγράψει,
09:14
the way that scientistsΕπιστήμονες find out about the worldκόσμος.
222
539000
2000
τον τρόπο που οι επιστήμονες ερευνούν τον κόσμο.
09:16
So what scientistsΕπιστήμονες do
223
541000
2000
Αυτό που κάνουν οι επιστήμονες
09:18
is they have a hypothesisυπόθεση that they think mightθα μπορούσε be likelyπιθανός to startαρχή with.
224
543000
3000
είναι να έχουν μια υπόθεση που νομίζουν ότι μπορεί ν' αποτελέσει σημείο εκκίνησης.
09:21
They go out and testδοκιμή it againstκατά the evidenceαπόδειξη.
225
546000
2000
Έπειτα τη δοκιμάζουν βάσει αποδείξεων.
09:23
The evidenceαπόδειξη makesκάνει them changeαλλαγή that hypothesisυπόθεση.
226
548000
2000
Οι αποδείξεις τούς κάνουν ν' αλλάξουν την υπόθεση.
09:25
Then they testδοκιμή that newνέος hypothesisυπόθεση
227
550000
2000
Έπειτα δοκιμάζουν τη νέα υπόθεση.
09:27
and so on and so forthΕμπρός.
228
552000
2000
Και ούτω καθεξής.
09:29
And what BayesBayes showedέδειξε was a mathematicalμαθηματικός way that you could do that.
229
554000
3000
Αυτό που έδειξε ο Μπέϊς, ήταν ένας μαθηματικός τρόπος που θα μπορούσε να γίνει αυτό.
09:32
And that mathematicsμαθηματικά is at the coreπυρήνας
230
557000
2000
Αυτά τα μαθηματικά είναι στον πυρήνα
09:34
of the bestκαλύτερος machineμηχανή learningμάθηση programsπρογράμματα that we have now.
231
559000
2000
των καλύτερων προγραμμάτων μηχανικής εκμάθησης που έχουμε τώρα.
09:36
And some 10 yearsχρόνια agoπριν,
232
561000
2000
Δέκα χρόνια πριν,
09:38
I suggestedπρότεινε that babiesμωρά mightθα μπορούσε be doing the sameίδιο thing.
233
563000
4000
πρότεινα ότι τα μωρά μπορεί να κάνουν το ίδιο πράγμα.
09:42
So if you want to know what's going on
234
567000
2000
Αν λοιπόν θέλετε να μάθετε τι γίνεται
09:44
underneathκάτω από those beautifulπανεμορφη brownκαφέ eyesμάτια,
235
569000
2000
πίσω απ' αυτά τα όμορφα καστανά μάτια,
09:46
I think it actuallyπράγματι looksφαίνεται something like this.
236
571000
2000
νομίζω πως είναι κάπως έτσι.
09:48
This is ReverendΟ αιδεσιμότατος Bayes'sΤου Bayes notebookΣημειωματάριο.
237
573000
2000
Πρόκειται για το σημειωματάριο του Αιδεσιμότατου Μπέις.
09:50
So I think those babiesμωρά are actuallyπράγματι makingκατασκευή complicatedπερίπλοκος calculationsυπολογισμούς
238
575000
3000
Πιστεύω λοιπόν πως αυτά τα μωρά κάνουν περίπλοκους υπολογισμούς
09:53
with conditionalυπό όρους probabilitiesπιθανότητες that they're revisingΑναθεώρηση
239
578000
3000
με όρους πιθανοτήτων τους οποίους αναθεωρούν
09:56
to figureεικόνα out how the worldκόσμος worksεργοστάσιο.
240
581000
2000
για να καταλάβουν πώς λειτουργεί ο κόσμος.
09:58
All right, now that mightθα μπορούσε seemφαίνομαι like an even tallerπιο ΨΗΛΟΣ orderΣειρά to actuallyπράγματι demonstrateαποδείξει.
241
583000
4000
Αυτό μπορεί να φαίνεται ακόμη δυσκολότερο να παρουσιαστεί.
10:02
Because after all, if you askπαρακαλώ even grownupsενήλικες about statisticsστατιστική,
242
587000
2000
Άλλωστε, ακόμη κι ενήλικες να ρωτήσεις για στατιστικά,
10:04
they look extremelyεπακρώς stupidηλίθιος.
243
589000
2000
μοιάζουν εξαιρετικά κουτοί.
10:06
How could it be that childrenπαιδιά are doing statisticsστατιστική?
244
591000
3000
Πώς γίνεται τα παιδιά να κάνουν στατιστική;
10:09
So to testδοκιμή this we used a machineμηχανή that we have
245
594000
2000
Για να το δοκιμάσουμε αυτό χρησιμοποιήσαμε μια μηχανή
10:11
calledπου ονομάζεται the BlicketBlicket DetectorΑνιχνευτής.
246
596000
2000
που λέγεται Ανιχνευτής Μπλίκετ.
10:13
This is a boxκουτί that lightsφώτα up and playsπαίζει musicΜΟΥΣΙΚΗ
247
598000
2000
Είναι ένα κουτί που ανάβει λαμπάκια και παίζει μουσική
10:15
when you put some things on it and not othersοι υπολοιποι.
248
600000
3000
όταν τοποθετήσεις πάνω του κάποια πράγματα αντί για κάποια άλλα.
10:18
And usingχρησιμοποιώντας this very simpleαπλός machineμηχανή,
249
603000
2000
Χρησιμοποιώντας αυτήν την απλή μηχανή,
10:20
my labεργαστήριο and othersοι υπολοιποι have doneΈγινε dozensντουζίνες of studiesσπουδές
250
605000
2000
το εργαστήριό μου κι άλλα εργαστήρια, έχουμε κάνει δεκάδες μελέτες
10:22
showingεπίδειξη just how good babiesμωρά are
251
607000
2000
παρουσιάζοντας πόσο καλά είναι τα μωρά
10:24
at learningμάθηση about the worldκόσμος.
252
609000
2000
στο να μαθαίνουν για τον κόσμο.
10:26
Let me mentionαναφέρω just one
253
611000
2000
Επιτρέψτε μου ν' αναφέρω μόνο μια
10:28
that we did with TumarTumar KushnerKushner, my studentμαθητης σχολειου.
254
613000
2000
που κάναμε με τον μαθητή μου Τουμάρ Κούσνερ.
10:30
If I showedέδειξε you this detectorανιχνευτής,
255
615000
2000
Εάν σας έδειχνα αυτόν τον ανιχνευτή,
10:32
you would be likelyπιθανός to think to beginαρχίζουν with
256
617000
2000
πιθανότατα στην αρχή να σκεπτόσασταν
10:34
that the way to make the detectorανιχνευτής go
257
619000
2000
πως για να τον λειτουργήσετε
10:36
would be to put a blockΟΙΚΟΔΟΜΙΚΟ ΤΕΤΡΑΓΩΝΟ on topμπλουζα of the detectorανιχνευτής.
258
621000
3000
πρέπει να βάλετε ένα τουβλάκι στην κορυφή του.
10:39
But actuallyπράγματι, this detectorανιχνευτής
259
624000
2000
Στην πραγματικότητα αυτός ο ανιχνευτής
10:41
worksεργοστάσιο in a bitκομμάτι of a strangeπαράξενος way.
260
626000
2000
λειτουργεί με κάπως περίεργο τρόπο.
10:43
Because if you waveκύμα a blockΟΙΚΟΔΟΜΙΚΟ ΤΕΤΡΑΓΩΝΟ over the topμπλουζα of the detectorανιχνευτής,
261
628000
3000
Εάν κουνήσετε ένα τουβλάκι από πάνω του,
10:46
something you wouldn'tδεν θα ήταν ever think of to beginαρχίζουν with,
262
631000
3000
κάτι που δεν θα σκεφτόσασταν αρχικά,
10:49
the detectorανιχνευτής will actuallyπράγματι activateΕνεργοποίηση two out of threeτρία timesφορές.
263
634000
3000
ο ανιχνευτής θα ενεργοποιείτο δύο στις τρεις φορές.
10:52
WhereasΛαμβάνοντας υπόψη ότι, if you do the likelyπιθανός thing, put the blockΟΙΚΟΔΟΜΙΚΟ ΤΕΤΡΑΓΩΝΟ on the detectorανιχνευτής,
264
637000
3000
Ενώ, εάν κάνατε το προφανές, να βάλετε ένα τουβλάκι πάνω στον ανιχνευτή,
10:55
it will only activateΕνεργοποίηση two out of sixέξι timesφορές.
265
640000
4000
θα ενεργοποιείτο μόνο, δύο στις έξι φορές.
10:59
So the unlikelyαπίθανος hypothesisυπόθεση
266
644000
2000
Έτσι η απίθανη υπόθεση
11:01
actuallyπράγματι has strongerισχυρότερη evidenceαπόδειξη.
267
646000
2000
έχει ισχυρότερες αποδείξεις.
11:03
It looksφαίνεται as if the wavingκυματίζοντας
268
648000
2000
Φαίνεται πως το κούνημα
11:05
is a more effectiveαποτελεσματικός strategyστρατηγική than the other strategyστρατηγική.
269
650000
2000
είναι πιο αποτελεσματική στρατηγική, από την άλλη.
11:07
So we did just this; we gaveέδωσε fourτέσσερα year-oldsέτος-olds this patternπρότυπο of evidenceαπόδειξη,
270
652000
3000
Κάναμε λοιπόν ακριβώς αυτό· δώσαμε σε ένα τετράχρονο αυτό το μοτίβο αποδείξεων,
11:10
and we just askedερωτηθείς them to make it go.
271
655000
2000
και του ζητήσαμε απλά να το ενεργοποιήσει.
11:12
And sure enoughαρκετά, the fourτέσσερα year-oldsέτος-olds used the evidenceαπόδειξη
272
657000
3000
Είναι βέβαιο πως τα τετράχρονα χρησιμοποίησαν το στοιχείο του
11:15
to waveκύμα the objectαντικείμενο on topμπλουζα of the detectorανιχνευτής.
273
660000
3000
κουνήματος του αντικειμένου πάνω από τον ανιχνευτή.
11:18
Now there are two things that are really interestingενδιαφέρων about this.
274
663000
3000
Υπάρχουν δύο πράγματα που είναι ενδιαφέροντα γι' αυτό.
11:21
The first one is, again, rememberθυμάμαι, these are fourτέσσερα year-oldsέτος-olds.
275
666000
3000
Το πρώτο είναι, θυμηθείτε ξανά, αυτά είναι τετράχρονα.
11:24
They're just learningμάθηση how to countμετρώ.
276
669000
2000
Μόλις έχουν μάθει πώς να μετρούν.
11:26
But unconsciouslyασυνείδητα,
277
671000
2000
Αλλά υποσυνείδητα,
11:28
they're doing these quiteαρκετά complicatedπερίπλοκος calculationsυπολογισμούς
278
673000
2000
κάνουν αυτούς τους περίπλοκους υπολογισμούς
11:30
that will give them a conditionalυπό όρους probabilityπιθανότητα measureμετρήσει.
279
675000
3000
που θα τους δώσουν το υπό όρους μέτρο των πιθανοτήτων.
11:33
And the other interestingενδιαφέρων thing
280
678000
2000
Το άλλο ενδιαφέρον στοιχείο
11:35
is that they're usingχρησιμοποιώντας that evidenceαπόδειξη
281
680000
2000
είναι πως χρησιμοποιούν τις αποδείξεις
11:37
to get to an ideaιδέα, get to a hypothesisυπόθεση about the worldκόσμος,
282
682000
3000
για να πάρουν μια ιδέα, για να φτάσουν σε μια υπόθεση για τον κόσμο,
11:40
that seemsφαίνεται very unlikelyαπίθανος to beginαρχίζουν with.
283
685000
3000
που μοιάζει στην αρχή σχεδόν απίθανη.
11:43
And in studiesσπουδές we'veέχουμε just been doing in my labεργαστήριο, similarπαρόμοιος studiesσπουδές,
284
688000
3000
Σε παρόμοιες μελέτες που κάναμε πρόσφατα στο εργαστήριό μου,
11:46
we'veέχουμε showπροβολή that fourτέσσερα year-oldsέτος-olds are actuallyπράγματι better
285
691000
2000
δείξαμε πως τα τετράχρονα είναι καλύτερα
11:48
at findingεύρεση out an unlikelyαπίθανος hypothesisυπόθεση
286
693000
3000
στο να βρίσκουν απίθανες υποθέσεις
11:51
than adultsενήλικες are when we give them exactlyακριβώς the sameίδιο taskέργο.
287
696000
3000
απ' ό,τι οι ενήλικες, όταν τους δίνουμε ακριβώς την ίδια δοκιμασία.
11:54
So in these circumstancesπεριστάσεις,
288
699000
2000
Σε αυτές τις συνθήκες,
11:56
the childrenπαιδιά are usingχρησιμοποιώντας statisticsστατιστική to find out about the worldκόσμος,
289
701000
3000
τα παιδιά χρησιμοποιούν τη στατιστική για να μάθουν τον κόσμο,
11:59
but after all, scientistsΕπιστήμονες alsoεπίσης do experimentsπειράματα,
290
704000
3000
όμως κι οι επιστήμονες κάνουν πειράματα,
12:02
and we wanted to see if childrenπαιδιά are doing experimentsπειράματα.
291
707000
3000
και θέλαμε να δούμε αν και τα παιδιά πειραματίζονται.
12:05
When childrenπαιδιά do experimentsπειράματα we call it "gettingνα πάρει into everything"
292
710000
3000
Όταν τα παιδιά κάνουν πειράματα λέμε πως «είναι μέσα σ' όλα»
12:08
or elseαλλού "playingπαιχνίδι."
293
713000
2000
ή αλλιώς πως «παίζουν».
12:10
And there's been a bunchδέσμη of interestingενδιαφέρων studiesσπουδές recentlyπρόσφατα
294
715000
3000
Έγιναν πρόσφατα αρκετές ενδιαφέρουσες μελέτες
12:13
that have shownαπεικονίζεται this playingπαιχνίδι around
295
718000
3000
που έδειξαν πως αυτό το παιχνίδι
12:16
is really a kindείδος of experimentalπειραματικός researchέρευνα programπρόγραμμα.
296
721000
2000
είναι στην πραγματικότητα ένα είδος πειραματικού ερευνητικού προγράμματος.
12:18
Here'sΕδώ είναι one from CristineCristine Legare'sΤου Legare labεργαστήριο.
297
723000
3000
Εδώ έχουμε μια απ' το εργαστήριο της Κριστίν Λε Γκαρ.
12:21
What CristineCristine did was use our BlicketBlicket DetectorsΑνιχνευτές.
298
726000
3000
Η Κριστίν χρησιμοποίησε τον Ανιχνευτή Μπλίκερ.
12:24
And what she did was showπροβολή childrenπαιδιά
299
729000
2000
Έδειξε στα παιδιά
12:26
that yellowκίτρινος onesαυτές madeέκανε it go and redτο κόκκινο onesαυτές didn't,
300
731000
2000
πως τα κίτρινα το ενεργοποιούσαν, ενώ τα κόκκινα όχι,
12:28
and then she showedέδειξε them an anomalyανωμαλία.
301
733000
3000
κι έπειτα τους έδειξε μια ανωμαλία.
12:31
And what you'llθα το κάνετε see
302
736000
2000
Αυτό που θα δείτε
12:33
is that this little boyαγόρι will go throughδιά μέσου fiveπέντε hypothesesυποθέσεις
303
738000
3000
είναι πως αυτό το μικρό αγόρι θα περάσει από πέντε υποθέσεις
12:36
in the spaceχώρος of two minutesλεπτά.
304
741000
3000
σε διάστημα δύο λεπτών.
12:39
(VideoΒίντεο) BoyΑγόρι: How about this?
305
744000
3000
[Βίντεο]Αγόρι: Μήπως έτσι;
12:43
SameΊδια as the other sideπλευρά.
306
748000
3000
Όπως στην άλλη πλευρά.
12:46
AlisonAlison GopnikGopnik: Okay, so his first hypothesisυπόθεση has just been falsifiedψευδεπίγραφα.
307
751000
4000
Άλισον Γκόπνικ: Η πρώτη του υπόθεση μόλις διαψεύστηκε.
12:55
(LaughterΤο γέλιο)
308
760000
2000
(Γέλια)
12:57
BoyΑγόρι: This one lightedφωτιζόμενο up, and this one nothing.
309
762000
3000
Αγόρι: Αυτό άναψε, αλλά το άλλο, τίποτα.
13:00
AGAG: Okay, he's got his experimentalπειραματικός notebookΣημειωματάριο out.
310
765000
3000
Α.Γκ.: Χρησιμοποιεί τώρα το πειραματικό του σημειωματάριο.
13:06
BoyΑγόρι: What's makingκατασκευή this lightφως up.
311
771000
4000
Αγόρι: Τι το κάνει αυτό ν' ανάβει;
13:11
(LaughterΤο γέλιο)
312
776000
9000
(Γέλια)
13:20
I don't know.
313
785000
2000
Δεν ξέρω.
13:22
AGAG: EveryΚάθε scientistεπιστήμονας will recognizeαναγνωρίζω that expressionέκφραση of despairαπελπισία.
314
787000
4000
Α.Γκ.: Κάθε επιστήμονας θ' αναγνωρίσει αυτήν την έκφραση απελπισίας.
13:26
(LaughterΤο γέλιο)
315
791000
3000
(Γέλια)
13:29
BoyΑγόρι: Oh, it's because this needsανάγκες to be like this,
316
794000
6000
Αγόρι: Α, είναι επειδή αυτό πρέπει να είναι έτσι,
13:35
and this needsανάγκες to be like this.
317
800000
2000
κι αυτό πρέπει να είναι έτσι.
13:37
AGAG: Okay, hypothesisυπόθεση two.
318
802000
3000
Α.Γκ.:Δεύτερη υπόθεση.
13:40
BoyΑγόρι: That's why.
319
805000
2000
Αγόρι: Να γιατί.
13:42
Oh.
320
807000
2000
Ωω.
13:44
(LaughterΤο γέλιο)
321
809000
5000
(Γέλια)
13:49
AGAG: Now this is his nextεπόμενος ideaιδέα.
322
814000
2000
Α.Γκ.: Αυτή είναι η επόμενη ιδέα του.
13:51
He told the experimenterπειραματιστής to do this,
323
816000
2000
Είπε στην ερευνήτρια να το κάνει αυτό,
13:53
to try puttingβάζοντας it out ontoεπάνω σε the other locationτοποθεσία.
324
818000
4000
να προσπαθήσει να βάλει το ένα στη θέση του άλλου.
13:57
Not workingεργαζόμενος eitherείτε.
325
822000
2000
Δεν λειτουργεί ούτε αυτό.
14:02
BoyΑγόρι: Oh, because the lightφως goesπηγαίνει only to here,
326
827000
4000
Αγόρι: Α, επειδή το φως είναι μόνο εδώ,
14:06
not here.
327
831000
3000
κι όχι εδώ.
14:09
Oh, the bottomκάτω μέρος of this boxκουτί
328
834000
3000
Α, ο πάτος αυτού του κουτιού
14:12
has electricityηλεκτρική ενέργεια in here,
329
837000
2000
έχει ηλεκτρισμό εδώ μέσα,
14:14
but this doesn't have electricityηλεκτρική ενέργεια.
330
839000
2000
ενώ αυτό δεν έχει ηλεκτρισμό.
14:16
AGAG: Okay, that's a fourthτέταρτος hypothesisυπόθεση.
331
841000
2000
Α.Γκ.: Αυτή είναι η τέταρτη υπόθεση.
14:18
BoyΑγόρι: It's lightingφωτισμός up.
332
843000
2000
Αγόρι: Άναψε.
14:20
So when you put fourτέσσερα.
333
845000
5000
Άρα πρέπει να βάλεις τέσσερα.
14:26
So you put fourτέσσερα on this one to make it lightφως up
334
851000
3000
Βάζεις τέσσερα σ' αυτό για να το κάνεις ν' ανάψει
14:29
and two on this one to make it lightφως up.
335
854000
2000
και δύο σ' αυτό για να το κάνεις ν' ανάψει.
14:31
AGAG: Okay,there's his fifthπέμπτος hypothesisυπόθεση.
336
856000
2000
Α.Γκ.: Να και η πέμπτη του υπόθεση.
14:33
Now that is a particularlyιδιαίτερα --
337
858000
3000
Αυτό είναι ένα ιδιαίτερα -
14:36
that is a particularlyιδιαίτερα adorableαξιολάτρευτο and articulateαρθρώσει little boyαγόρι,
338
861000
3000
αξιολάτρευτο και κατανοητό μικρό αγόρι,
14:39
but what CristineCristine discoveredανακαλύφθηκε is this is actuallyπράγματι quiteαρκετά typicalτυπικός.
339
864000
3000
αλλά αυτό που ανακάλυψε η Κριστίν είναι αρκετά συνηθισμένο.
14:42
If you look at the way childrenπαιδιά playπαίζω, when you askπαρακαλώ them to explainεξηγώ something,
340
867000
3000
Αν δείτε τον τρόπο που παίζουν τα παιδιά, όταν τα ρωτάς να εξηγήσουν κάτι,
14:45
what they really do is do a seriesσειρά of experimentsπειράματα.
341
870000
3000
αυτό που κάνουν είναι μια σειρά πειραμάτων.
14:48
This is actuallyπράγματι prettyαρκετά typicalτυπικός of fourτέσσερα year-oldsέτος-olds.
342
873000
3000
Αυτό είναι αρκετά συνηθισμένο στα τετράχρονα.
14:51
Well, what's it like to be this kindείδος of creatureπλάσμα?
343
876000
3000
Πώς είναι λοιπόν να είσαι ένα τέτοιο πλάσμα;
14:54
What's it like to be one of these brilliantλαμπρός butterfliesΠεταλούδες
344
879000
3000
Πώς είναι να είσαι μια απ' αυτές τις έξυπνες πεταλούδες
14:57
who can testδοκιμή fiveπέντε hypothesesυποθέσεις in two minutesλεπτά?
345
882000
3000
που μπορούν να δοκιμάσουν πέντε υποθέσεις μέσα σε δύο λεπτά;
15:00
Well, if you go back to those psychologistsψυχολόγους and philosophersφιλόσοφοι,
346
885000
3000
Αν γυρίσουμε στους ψυχολόγους και τους φιλόσοφους,
15:03
a lot of them have said
347
888000
2000
πολλοί απ' αυτούς έχουν πει
15:05
that babiesμωρά and youngνεαρός childrenπαιδιά were barelyμετά βίας consciousσυνειδητός
348
890000
2000
πως τα μωρά και τα μικρά παιδιά έχουν ελάχιστη επίγνωση,
15:07
if they were consciousσυνειδητός at all.
349
892000
2000
αν έχουν καθόλου.
15:09
And I think just the oppositeαπεναντι απο is trueαληθής.
350
894000
2000
Πιστεύω πως ισχύει το ακριβώς αντίθετο.
15:11
I think babiesμωρά and childrenπαιδιά are actuallyπράγματι more consciousσυνειδητός than we are as adultsενήλικες.
351
896000
3000
Πιστεύω πως τα μωρά και τα παιδιά έχουν περισσότερη επίγνωση από εμάς τους ενήλικες.
15:14
Now here'sεδώ είναι what we know about how adultενήλικας consciousnessσυνείδηση worksεργοστάσιο.
352
899000
3000
Να τι ξέρουμε για τη λειτουργία της επίγνωσης στους ενήλικες:
15:17
And adults'ΕΝΗΛΙΚΩΝ attentionπροσοχή and consciousnessσυνείδηση
353
902000
2000
Η προσοχή και η επίγνωση των ενηλίκων
15:19
look kindείδος of like a spotlightπροσκήνιο.
354
904000
2000
είναι σαν τον προβολέα.
15:21
So what happensσυμβαίνει for adultsενήλικες
355
906000
2000
Αυτό που συμβαίνει με τους ενήλικες
15:23
is we decideαποφασίζω that something'sμερικά πράγματα relevantσχετικό or importantσπουδαίος,
356
908000
2000
είναι ότι αποφασίζουμε πως κάτι είναι σχετικό ή σημαντικό
15:25
we should payπληρωμή attentionπροσοχή to it.
357
910000
2000
και πως πρέπει να του δώσουμε προσοχή.
15:27
Our consciousnessσυνείδηση of that thing that we're attendingπαρακολούθηση to
358
912000
2000
Η επίγνωσή μας για το αντικείμενο που προσέχουμε
15:29
becomesγίνεται extremelyεπακρώς brightΛΑΜΠΡΌΣ and vividζωντανό,
359
914000
3000
γίνεται εξαιρετικά φωτεινή και ζωντανή,
15:32
and everything elseαλλού sortείδος of goesπηγαίνει darkσκοτάδι.
360
917000
2000
και οτιδήποτε άλλο, σκοτεινιάζει κατά κάποιο τρόπο.
15:34
And we even know something about the way the brainεγκέφαλος does this.
361
919000
3000
Γνωρίζουμε μερικά πράγματα για τον τρόπο που ο εγκέφαλος το κάνει αυτό.
15:37
So what happensσυμβαίνει when we payπληρωμή attentionπροσοχή
362
922000
2000
Αυτό που συμβαίνει όταν προσέχουμε
15:39
is that the prefrontalπρομετωπιαίο cortexφλοιός, the sortείδος of executiveεκτελεστικός partμέρος of our brainsμυαλά,
363
924000
3000
είναι πως ο προμετωπιαίος φλοιός, το εκτελεστικό κομμάτι του εγκεφάλου μας,
15:42
sendsστέλνει a signalσήμα
364
927000
2000
στέλνει ένα σήμα
15:44
that makesκάνει a little partμέρος of our brainεγκέφαλος much more flexibleεύκαμπτος,
365
929000
2000
που κάνει ένα μικρό κομμάτι του εγκεφάλου μας, πολύ πιο ευέλικτο,
15:46
more plasticπλαστική ύλη, better at learningμάθηση,
366
931000
2000
πιο εύπλαστο, καλύτερο στην εκμάθηση,
15:48
and shutsτερματίζεται η λειτουργία down activityδραστηριότητα
367
933000
2000
και κλείνει τη δραστηριότητα
15:50
in all the restυπόλοιπο of our brainsμυαλά.
368
935000
2000
σε όλον τον υπόλοιπο εγκέφαλο.
15:52
So we have a very focusedεστιασμένη, purpose-drivenμε γνώμονα τον σκοπό kindείδος of attentionπροσοχή.
369
937000
4000
Έτσι έχουμε μια εστιασμένη προσοχή που κατευθύνεται από το σκοπό.
15:56
If we look at babiesμωρά and youngνεαρός childrenπαιδιά,
370
941000
2000
Αν κοιτάξουμε τα μωρά και τα μικρά παιδιά,
15:58
we see something very differentδιαφορετικός.
371
943000
2000
βλέπουμε κάτι πολύ διαφορετικό.
16:00
I think babiesμωρά and youngνεαρός childrenπαιδιά
372
945000
2000
Νομίζω πως τα μωρά και τα μικρά παιδιά,
16:02
seemφαίνομαι to have more of a lanternΦανάρι of consciousnessσυνείδηση
373
947000
2000
φαίνεται να έχουν μάλλον ένα φανάρι επίγνωσης
16:04
than a spotlightπροσκήνιο of consciousnessσυνείδηση.
374
949000
2000
παρά έναν προβολέα.
16:06
So babiesμωρά and youngνεαρός childrenπαιδιά are very badκακό
375
951000
3000
Τα μωρά και μικρά παιδιά δεν καταφέρνουν
16:09
at narrowingστένωση down to just one thing.
376
954000
3000
να εστιάσουν σ' ένα πράγμα.
16:12
But they're very good at takingλήψη in lots of informationπληροφορίες
377
957000
3000
Αλλά είναι πολύ καλά στην αφομοίωση πολλών πληροφοριών
16:15
from lots of differentδιαφορετικός sourcesπηγές at onceμια φορά.
378
960000
2000
από πολλές διαφορετικές πηγές ταυτόχρονα.
16:17
And if you actuallyπράγματι look in theirδικα τους brainsμυαλά,
379
962000
2000
Αν κοιτάξετε μέσα στον εγκέφαλό τους,
16:19
you see that they're floodedπλημμύρισαν with these neurotransmittersΟι νευροδιαβιβαστές
380
964000
3000
θα δείτε πως πλημμυρίζει απ' αυτούς τους νευροδιαβιβαστές
16:22
that are really good at inducingεπαγωγής learningμάθηση and plasticityπλαστικότητα,
381
967000
2000
που είναι πολύ καλοί στην πρόκληση μάθησης και ευελιξίας,
16:24
and the inhibitoryανασταλτική partsεξαρτήματα haven'tδεν έχουν come on yetΑκόμη.
382
969000
3000
και τα ανασταλτικά μέρη δεν έχουν ενεργοποιηθεί ακόμα.
16:27
So when we say that babiesμωρά and youngνεαρός childrenπαιδιά
383
972000
2000
Όταν λοιπόν λέμε πως τα μωρά και τα μικρά παιδιά
16:29
are badκακό at payingδικαιούχος attentionπροσοχή,
384
974000
2000
δεν ξέρουν να προσέχουν,
16:31
what we really mean is that they're badκακό at not payingδικαιούχος attentionπροσοχή.
385
976000
4000
αυτό που εννοούμε είναι πως δεν ξέρουν πώς να μην προσέχουν.
16:35
So they're badκακό at gettingνα πάρει ridαπαλλάσσω
386
980000
2000
Δεν μπορούν ν' απαλλαγούν
16:37
of all the interestingενδιαφέρων things that could tell them something
387
982000
2000
απ' όλα τα ενδιαφέροντα πράγματα που θα τους έλεγαν κάτι
16:39
and just looking at the thing that's importantσπουδαίος.
388
984000
2000
και να εστιάσουν σε αυτά που είναι σημαντικά.
16:41
That's the kindείδος of attentionπροσοχή, the kindείδος of consciousnessσυνείδηση,
389
986000
3000
Αυτό είναι το είδος της προσοχής, το είδος της επίγνωσης,
16:44
that we mightθα μπορούσε expectαναμένω
390
989000
2000
που θα μπορούσαμε να περιμένουμε
16:46
from those butterfliesΠεταλούδες who are designedσχεδιασμένο to learnμαθαίνω.
391
991000
2000
απ' αυτές τις πεταλούδες που σχεδιάστηκαν για να μαθαίνουν.
16:48
Well if we want to think about a way
392
993000
2000
Αν θέλουμε να σκεφτούμε κάποιον τρόπο
16:50
of gettingνα πάρει a tasteγεύση of that kindείδος of babyμωρό consciousnessσυνείδηση as adultsενήλικες,
393
995000
4000
για να πάρουμε μια γεύση αυτής της μωρουδιακής επίγνωσης ως ενήλικες,
16:54
I think the bestκαλύτερος thing is think about casesπεριπτώσεις
394
999000
2000
νομίζω το καλύτερο είναι να σκεφτούμε περιπτώσεις
16:56
where we're put in a newνέος situationκατάσταση that we'veέχουμε never been in before --
395
1001000
3000
όπου βρεθήκαμε σε νέες καταστάσεις τις οποίες δεν είχαμε αντιμετωπίσει στο παρελθόν --
16:59
when we fallπτώση in love with someoneκάποιος newνέος,
396
1004000
2000
όταν ερωτευόμαστε ένα νέο πρόσωπο,
17:01
or when we're in a newνέος cityπόλη for the first time.
397
1006000
3000
ή όταν είμαστε σε μια νέα πόλη για πρώτη φορά.
17:04
And what happensσυμβαίνει then is not that our consciousnessσυνείδηση contractsσυμβάσεις,
398
1009000
2000
Τότε, αυτό που συμβαίνει, δεν είναι πως η επίγνωσή μας συστέλλεται,
17:06
it expandsεπεκτείνεται,
399
1011000
2000
αλλά διαστέλλεται,
17:08
so that those threeτρία daysημέρες in ParisΠαρίσι
400
1013000
2000
έτσι ώστε εκείνες οι τρεις μέρες στο Παρίσι
17:10
seemφαίνομαι to be more fullγεμάτος of consciousnessσυνείδηση and experienceεμπειρία
401
1015000
2000
να μοιάζουν πιο πλήρεις επίγνωσης και εμπειριών
17:12
than all the monthsμήνες of beingνα εισαι
402
1017000
2000
απ' όλους τους μήνες που είμαστε
17:14
a walkingτο περπάτημα, talkingομιλία, facultyσχολή meeting-attendingσυνάντηση-φοιτούν zombieζόμπι back home.
403
1019000
4000
κινούμενα και ομιλούντα ζόμπι, πίσω στο σπίτι.
17:18
And by the way, that coffeeκαφές,
404
1023000
2000
Παρεμπιπτόντως, εκείνος ο καφές,
17:20
that wonderfulεκπληκτικός coffeeκαφές you've been drinkingπίνω downstairsστον κατω οροφο,
405
1025000
2000
εκείνος ο υπέροχος καφές που πίνετε στο ισόγειο,
17:22
actuallyπράγματι mimicsμιμείται the effectαποτέλεσμα
406
1027000
2000
μιμείται το αποτέλεσμα
17:24
of those babyμωρό neurotransmittersΟι νευροδιαβιβαστές.
407
1029000
2000
των μωρουδιακών νευροδιαβιβαστών.
17:26
So what's it like to be a babyμωρό?
408
1031000
2000
Πώς είναι λοιπόν να είσαι μωρό;
17:28
It's like beingνα εισαι in love
409
1033000
2000
Είναι σαν να είσαι ερωτευμένος,
17:30
in ParisΠαρίσι for the first time
410
1035000
2000
στο Παρίσι, για πρώτη φορά,
17:32
after you've had threeτρία double-espressosδιπλό-εσπρέσο.
411
1037000
2000
αφού έχεις πιει τρεις διπλούς εσπρέσο.
17:34
(LaughterΤο γέλιο)
412
1039000
3000
(Γέλια)
17:37
That's a fantasticφανταστικός way to be,
413
1042000
2000
Είναι υπέροχο να είσαι έτσι,
17:39
but it does tendτείνω to leaveάδεια you wakingαφύπνιση up cryingκλάμα at threeτρία o'clockώρα in the morningπρωί.
414
1044000
4000
αλλά έχει την τάση να σε κάνει να ξυπνάς κλαίγοντας στις 3 το πρωί.
17:43
(LaughterΤο γέλιο)
415
1048000
3000
(Γέλια)
17:46
Now it's good to be a grownupgrownup.
416
1051000
2000
Είναι καλό να είσαι ενήλικας.
17:48
I don't want to say too much about how wonderfulεκπληκτικός babiesμωρά are.
417
1053000
2000
Δεν θέλω να πω πολλά για το πόσο υπέροχα είναι τα μωρά.
17:50
It's good to be a grownupgrownup.
418
1055000
2000
Είναι ωραίο να είσαι ενήλικας.
17:52
We can do things like tieγραβάτα our shoelacesκορδόνια and crossσταυρός the streetδρόμος by ourselvesεμείς οι ίδιοι.
419
1057000
3000
Μπορούμε να κάνουμε πράγματα όπως να δένουμε τα κορδόνια μας και να περνάμε μόνοι μας το δρόμο.
17:55
And it makesκάνει senseέννοια that we put a lot of effortπροσπάθεια
420
1060000
2000
Και είναι λογικό που προσπαθούμε τόσο πολύ
17:57
into makingκατασκευή babiesμωρά think like adultsενήλικες do.
421
1062000
4000
να κάνουμε τα μωρά να σκεφτούν όπως οι ενήλικες.
18:01
But if what we want is to be like those butterfliesΠεταλούδες,
422
1066000
3000
Αλλά αν αυτό που θέλουμε, είναι να είμαστε σαν εκείνες τις πεταλούδες,
18:04
to have open-mindednessευρύτητα, openΆνοιξε learningμάθηση,
423
1069000
3000
να έχουμε ανοιχτό πνεύμα κι όρεξη για μάθηση,
18:07
imaginationφαντασία, creativityδημιουργικότητα, innovationκαινοτομία,
424
1072000
2000
φαντασία, δημιουργικότητα, καινοτομία,
18:09
maybe at leastελάχιστα some of the time
425
1074000
2000
ίσως κάποιες φορές να πρέπει
18:11
we should be gettingνα πάρει the adultsενήλικες
426
1076000
2000
να κάνουμε τους ενήλικες
18:13
to startαρχή thinkingσκέψη more like childrenπαιδιά.
427
1078000
2000
ν' αρχίσουν να σκέπτονται σαν τα παιδιά.
18:15
(ApplauseΧειροκροτήματα)
428
1080000
8000
(Χειρόκρότημα)

▲Back to top

ABOUT THE SPEAKER
Alison Gopnik - Child development psychologist
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do.

Why you should listen

What’s it really like to see through the eyes of a child? Are babies and young children just empty, irrational vessels to be formed into little adults, until they become the perfect images of ourselves? On the contrary, argues Alison Gopnik, professor of psychology and philosophy at the University of California at Berkeley.

The author of The Philosophical BabyThe Scientist in the Crib and other influential books on cognitive development, Gopnik presents evidence that babies and children are conscious of far more than we give them credit for, as they engage every sense and spend every waking moment discovering, filing away, analyzing and acting on information about how the world works. Gopnik’s work draws on psychological, neuroscientific, and philosophical developments in child development research to understand how the human mind learns, how and why we love, our ability to innovate, as well as giving us a deeper appreciation for the role of parenthood.

She says: "What's it like to be a baby? Being in love in Paris for the first time after you've had 3 double espressos."

More profile about the speaker
Alison Gopnik | Speaker | TED.com