English-Video.net comment policy

The comment field is common to all languages

Let's write in your language and use "Google Translate" together

Please refer to informative community guidelines on TED.com

TED2015

Laura Schulz: The surprisingly logical minds of babies

Λόρα Σουλτς: Τα εκπληκτικά λογικά μυαλά των μωρών

Filmed
Views 1,632,838

Πώς τα μωρά μαθαίνουν τόσα πολλά από τόσα λίγα και τόσο γρήγορα; Σε μια διασκεδαστική ομιλία, γεμάτη με πειράματα, η γνωστική επιστήμων Λόρα Σουλτς μας δείχνει πώς τα μικρά παίρνουν αποφάσεις με μια εκπληκτικά έντονη αίσθηση της λογικής, πολύ πριν μπορέσουν να μιλήσουν.

- Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio

Ο Μαρκ Τουαίην έχει συνοψίσει
αυτό που θεωρώ
00:12
MarkMark TwainTWAIN summedαθροίσω up
what I take to be
ως ένα από τα θεμελιώδη προβλήματα
της γνωσιακής επιστήμης
00:14
one of the fundamentalθεμελιώδης problemsπροβλήματα
of cognitiveγνωστική scienceεπιστήμη
σε ένα απλό ευφυολόγημα.
00:18
with a singleμονόκλινο witticismευφυολόγημα.
Είπε, «Η επιστήμη έχει κάτι συναρπαστικό.
00:20
He said, "There's something
fascinatingγοητευτικός about scienceεπιστήμη.
Μας αποφέρει χονδρικώς
τόσο μεγάλα κέρδη σε εικασίες
00:23
One getsπαίρνει suchτέτοιος wholesaleΧονδρική πώληση
returnsεπιστρέφει of conjectureεικασία
από μια τόσο ευτελή επένδυση σε γεγονότα».
00:26
out of suchτέτοιος a triflingασήμαντα
investmentεπένδυση in factγεγονός."
(Γέλια)
00:29
(LaughterΤο γέλιο)
Ο Τουαίην φυσικά αστειευόταν
αλλά έχει δίκιο:
00:32
TwainTWAIN meantσήμαινε it as a jokeαστείο,
of courseσειρά μαθημάτων, but he's right:
Η επιστήμη έχει κάτι εκπληκτικό.
00:34
There's something
fascinatingγοητευτικός about scienceεπιστήμη.
Από λίγα οστά συμπεραίνουμε
την ύπαρξη δεινοσαύρων.
00:37
From a fewλίγοι bonesοστά, we inferσυμπεράνουμε
the existenceύπαρξη of dinosuarsdinosuars.
Από φασματικές γραμμές,
τη σύνθεση των νεφών.
00:42
From spectralΦασματική linesγραμμές,
the compositionσύνθεση of nebulaeνεφελώματα.
Από τη δροσόφιλα μύγα,
00:47
From fruitκαρπός fliesμύγες,
τους μηχανισμούς της κληρονομικότητας,
00:50
the mechanismsμηχανισμούς of heredityκληρονομικότητα,
και από εικόνες της ροής του αίματος
μέσα στον εγκέφαλο,
00:53
and from reconstructedανακατασκευάστηκε imagesεικόνες
of bloodαίμα flowingρεύση throughδιά μέσου the brainεγκέφαλος,
ή στην περίπτωσή μου,
από τη συμπεριφορά πολύ μικρών παιδιών,
00:57
or in my caseπερίπτωση, from the behaviorη ΣΥΜΠΕΡΙΦΟΡΑ
of very youngνεαρός childrenπαιδιά,
προσπαθούμε να πούμε κάτι
01:02
we try to say something about
the fundamentalθεμελιώδης mechanismsμηχανισμούς
σχετικά με τους θεμελιώδεις μηχανισμούς
της ανθρώπινης νόησης.
01:05
of humanο άνθρωπος cognitionγνωστική λειτουργία.
Ειδικότερα, στο εργαστήριό μου στο Τμήμα
Εγκεφάλου και Γνωσιακών Επιστημών του ΜΙΤ,
01:07
In particularιδιαιτερος, in my labεργαστήριο in the DepartmentΤμήμα
of BrainΕγκεφάλου and CognitiveΓνωστική SciencesΕπιστήμες at MITMIT,
πέρασα την τελευταία δεκαετία
προσπαθώντας να κατανοήσω το μυστήριο
01:12
I have spentξόδεψε the pastτο παρελθόν decadeδεκαετία
tryingπροσπαθεί to understandκαταλαβαίνουν the mysteryμυστήριο
του πώς τα παιδιά μαθαίνουν τόσα πολλά
από τόσο λίγα, και τόσο γρήγορα.
01:16
of how childrenπαιδιά learnμαθαίνω so much
from so little so quicklyγρήγορα.
01:20
Because, it turnsστροφές out that
the fascinatingγοητευτικός thing about scienceεπιστήμη
Καθώς αποδεικνύεται
ότι το συναρπαστικό με την επιστήμη
όπως επίσης και με τα παιδιά,
01:23
is alsoεπίσης a fascinatingγοητευτικός
thing about childrenπαιδιά,
για να παραφράσουμε ηπιότερα
τον Μαρκ Τουαίην,
01:27
whichοι οποίες, to put a gentlerπιο ήπια
spinγνέθω on MarkMark TwainTWAIN,
είναι ακριβώς η ικανότητά τους
να βγάζουν αφαιρετικά πλήθος συμπερασμάτων
01:29
is preciselyακριβώς theirδικα τους abilityικανότητα
to drawσχεδιάζω richπλούσιος, abstractαφηρημένη inferencesεξαγωγή συμπερασμάτων
με ταχύτητα και ακρίβεια,
από τυχαία και αταξινόμητα δεδομένα.
01:34
rapidlyταχέως and accuratelyμε ακρίβεια
from sparseαραιή, noisyθορυβώδης dataδεδομένα.
Θα σας δώσω μόνο δύο παραδείγματα σήμερα.
01:40
I'm going to give you
just two examplesπαραδείγματα todayσήμερα.
Το ένα αφορά ένα πρόβλημα γενίκευσης
01:42
One is about a problemπρόβλημα of generalizationγενίκευση,
και το άλλο αφορά ένα πρόβλημα
αιτιώδους συλλογισμού.
01:45
and the other is about a problemπρόβλημα
of causalαιτιώδης συνάφεια reasoningαιτιολογία.
Και παρόλο που θα μιλήσω
για δουλειά στο εργαστήριό μου,
01:47
And althoughαν και I'm going to talk
about work in my labεργαστήριο,
01:50
this work is inspiredεμπνευσμένος by
and indebtedυπόχρεοι to a fieldπεδίο.
αυτή η δουλειά εμπνέεται
και οφείλεται σε ολόκληρο κλάδο.
Χρωστώ ευγνωμοσύνη σε μέντορες,
συναδέλφους και συνεργάτες ανά τον κόσμο.
01:53
I'm gratefulευγνώμων to mentorsμέντορες, colleaguesΣυνάδελφοι,
and collaboratorsσυνεργάτες around the worldκόσμος.
Ας αρχίσω με το πρόβλημα της γενίκευσης.
01:59
Let me startαρχή with the problemπρόβλημα
of generalizationγενίκευση.
Η γενίκευση από μικρά δείγματα δεδομένων
είναι καθημερινή πρακτική της επιστήμης.
02:02
GeneralizingΓενίκευση from smallμικρό samplesδείγματα of dataδεδομένα
is the breadψωμί and butterβούτυρο of scienceεπιστήμη.
Από δημοσκόπηση
σε μικρό τμήμα του εκλογικού σώματος
02:06
We pollδημοσκόπηση a tinyμικροσκοπικός fractionκλάσμα of the electorateεκλογικό σώμα
02:09
and we predictπρολέγω the outcomeαποτέλεσμα
of nationalεθνικός electionsεκλογές.
προβλέπουμε το αποτέλεσμα
των εθνικών εκλογών.
Βλέπουμε πώς αποκρίνεται δείγμα ασθενών
σε μια θεραπεία σε κλινική δοκιμή,
02:12
We see how a handfulχούφτα of patientsασθενείς
respondsανταποκρίνεται to treatmentθεραπεία in a clinicalκλινικός trialδίκη,
και βγάζουμε τα φάρμακα στην εθνική αγορά.
02:16
and we bringνα φερεις drugsφάρμακα to a nationalεθνικός marketαγορά.
Αλλά αυτό έχει αποτέλεσμα μόνο με δείγμα
τυχαία επιλεγμένο από τον πληθυσμό.
02:19
But this only worksεργοστάσιο if our sampleδείγμα
is randomlyτυχαία drawnσυρθεί from the populationπληθυσμός.
Αν το δείγμα μας είναι επιλεγμένο
με κάποιο κριτήριο -
02:23
If our sampleδείγμα is cherry-pickedεπίλεκτους
in some way --
ας πούμε, μόνο εκλογείς
από αστικές περιοχές,
02:26
say, we pollδημοσκόπηση only urbanαστικός votersΟι ψηφοφόροι,
02:28
or say, in our clinicalκλινικός trialsδοκιμές
for treatmentsθεραπείες for heartκαρδιά diseaseασθένεια,
ή, στις κλινικές δοκιμές
για τη θεραπεία καρδιακών νόσων,
να συμπεριλάβουμε μόνο άνδρες -
02:32
we includeπεριλαμβάνω only menάνδρες --
τα αποτελέσματα δεν θα είναι γενικεύσεις
για τον ευρύτερο πληθυσμό.
02:34
the resultsΑποτελέσματα mayενδέχεται not generalizeγενικεύω
to the broaderευρύτερη populationπληθυσμός.
Οι επιστήμονες νοιάζονται αν οι ενδείξεις
προέρχονται από τυχαίο δείγμα ή όχι,
02:38
So scientistsΕπιστήμονες careΦροντίδα whetherκατά πόσο evidenceαπόδειξη
is randomlyτυχαία sampledδειγματοληψία or not,
02:42
but what does that have to do with babiesμωρά?
αλλά τι σχέση έχει αυτό με τα μωρά;
Τα μωρά χρειάζεται να γενικεύουν
από μικρά δείγματα δεδομένων συνεχώς.
02:44
Well, babiesμωρά have to generalizeγενικεύω
from smallμικρό samplesδείγματα of dataδεδομένα all the time.
Βλέπουν μερικά λαστιχένια παπάκια
και μαθαίνουν ότι επιπλέουν,
02:49
They see a fewλίγοι rubberκαουτσούκ ducksπάπιες
and learnμαθαίνω that they floatΦλοτέρ,
ή μερικές μπάλες
και μαθαίνουν ότι αναπηδούν.
02:52
or a fewλίγοι ballsαρχίδια and learnμαθαίνω that they bounceαναπήδηση.
Και εξελίσσουν προσδοκίες
σχετικά με τα παπάκια και τις μπάλες
02:55
And they developαναπτύσσω expectationsπροσδοκίες
about ducksπάπιες and ballsαρχίδια
που θα επεκτείνουν σε παπάκια και μπάλες
02:58
that they're going to extendεπεκτείνω
to rubberκαουτσούκ ducksπάπιες and ballsαρχίδια
για το υπόλοιπο της ζωής τους.
03:01
for the restυπόλοιπο of theirδικα τους livesζωή.
Και το είδος των γενικεύσεων που κάνουν
τα μωρά για τα παπάκια και τις μπάλες
03:03
And the kindsείδη of generalizationsγενικεύσεις
babiesμωρά have to make about ducksπάπιες and ballsαρχίδια
το κάνουν για σχεδόν τα πάντα:
03:07
they have to make about almostσχεδόν everything:
για τα παπούτσια, τα πλοία, το βουλοκέρι,
τα λάχανα και τους βασιλιάδες.
03:09
shoesπαπούτσια and shipsπλοία and sealingσφράγιση waxκερί
and cabbagesλάχανα and kingsβασιλιάδες.
Νοιάζονται λοιπόν τα παιδιά
εάν οι ελάχιστες ενδείξεις που βλέπουν
03:14
So do babiesμωρά careΦροντίδα whetherκατά πόσο
the tinyμικροσκοπικός bitκομμάτι of evidenceαπόδειξη they see
03:17
is plausiblyαληθοφανώς representativeεκπρόσωπος
of a largerμεγαλύτερος populationπληθυσμός?
είναι εμφανώς αντιπροσωπευτικά
ενός ευρύτερου πλήθους;
Ας το ανακαλύψουμε.
03:21
Let's find out.
Θα σας δείξω δύο ταινίες,
03:23
I'm going to showπροβολή you two moviesκινηματογράφος,
μία από κάθε περίπτωση ενός πειράματος,
03:25
one from eachκαθε of two conditionsσυνθήκες
of an experimentπείραμα,
και επειδή θα δείτε μόνο δύο ταινίες,
03:27
and because you're going to see
just two moviesκινηματογράφος,
θα δείτε μόνο δύο μωρά,
03:30
you're going to see just two babiesμωρά,
και κάθε ζευγάρι μωρών διαφέρει
από άλλα με αμέτρητους τρόπους.
03:32
and any two babiesμωρά differδιαφέρω from eachκαθε other
in innumerableαναρίθμητες waysτρόπους.
Φυσικά όμως αυτά εδώ τα μωρά
εκπροσωπούν ομάδες μωρών,
03:36
But these babiesμωρά, of courseσειρά μαθημάτων,
here standστάση in for groupsομάδες of babiesμωρά,
και οι διαφορές που θα δείτε
03:39
and the differencesδιαφορές you're going to see
αντιπροσωπεύουν μέσες διαφορές ομάδας
στη συμπεριφορά των μωρών ανά κατάσταση.
03:41
representεκπροσωπώ averageμέση τιμή groupομάδα differencesδιαφορές
in babies'Μωρουδιακά behaviorη ΣΥΜΠΕΡΙΦΟΡΑ acrossαπέναντι conditionsσυνθήκες.
Σε κάθε ταινία θα δείτε ένα μωρό να κάνει
03:47
In eachκαθε movieταινία, you're going to see
a babyμωρό doing maybe
ακριβώς ό,τι θα περιμένατε
να κάνει κάθε μωρό,
03:49
just exactlyακριβώς what you mightθα μπορούσε
expectαναμένω a babyμωρό to do,
και είναι δύσκολο να κάνουμε τα μωρά
πιο μαγευτικά απ' όσο ήδη είναι.
03:53
and we can hardlyμετά βίας make babiesμωρά
more magicalμαγικός than they alreadyήδη are.
Αλλά στο μυαλό μου το μαγευτικό,
03:58
But to my mindμυαλό the magicalμαγικός thing,
και αυτό που θέλω να προσέξετε,
04:00
and what I want you to payπληρωμή attentionπροσοχή to,
είναι η αντίθεση ανάμεσα
στις δύο αυτές περιπτώσεις,
04:02
is the contrastαντίθεση betweenμεταξύ
these two conditionsσυνθήκες,
επειδή η μόνη διαφορά
μεταξύ αυτών των δύο ταινιών
04:05
because the only thing
that differsδιαφέρει betweenμεταξύ these two moviesκινηματογράφος
είναι οι στατιστικές ενδείξεις
που θα εντοπίσουν τα μωρά.
04:08
is the statisticalστατιστικός evidenceαπόδειξη
the babiesμωρά are going to observeπαρατηρούν.
Θα δείξουμε στα μωρά ένα κουτί
με μπλε και κίτρινα μπαλάκια,
04:13
We're going to showπροβολή babiesμωρά
a boxκουτί of blueμπλε and yellowκίτρινος ballsαρχίδια,
κι η τότε μεταπτυχιακή φοιτήτρια, και νυν
συνάδελφος στο Στάνφορντ, Γιόγουαν Γκουάν,
04:16
and my then-graduateτότε-απόφοιτος studentμαθητης σχολειου,
now colleagueσυνάδελφος at StanfordΠανεπιστήμιο του Στάνφορντ, HyowonHyowon GweonGweon,
θα πάρει με τη σειρά
τρία μπλε μπαλάκια από το κουτί
04:21
is going to pullΤραβήξτε threeτρία blueμπλε ballsαρχίδια
in a rowσειρά out of this boxκουτί,
και καθώς θα τα παίρνει, θα τα ζουλάει,
04:24
and when she pullsτραβάει those ballsαρχίδια out,
she's going to squeezeσφίξιμο them,
και τα μπαλάκια θα τσιρίζουν.
04:27
and the ballsαρχίδια are going to squeakτρίξιμο.
Κι αν είστε μωρό,
αυτό είναι σαν ομιλία στο TED.
04:29
And if you're a babyμωρό,
that's like a TEDTED Talk.
Δεν υπάρχει καλύτερο από αυτό.
04:32
It doesn't get better than that.
(Γέλια)
04:34
(LaughterΤο γέλιο)
Αλλά σημαντικό είναι πως είναι πανεύκολο
να τραβήξετε τρία μπλε μπαλάκια στη σειρά
04:38
But the importantσπουδαίος pointσημείο is it's really
easyεύκολος to pullΤραβήξτε threeτρία blueμπλε ballsαρχίδια in a rowσειρά
από ένα κουτί με κυρίως μπλε μπαλάκια.
04:42
out of a boxκουτί of mostlyως επί το πλείστον blueμπλε ballsαρχίδια.
Θα το κάνατε και με τα μάτια κλειστά.
04:44
You could do that with your eyesμάτια closedκλειστό.
Είναι ένα δεόντως τυχαίο δείγμα
από αυτό το πλήθος.
04:46
It's plausiblyαληθοφανώς a randomτυχαίος sampleδείγμα
from this populationπληθυσμός.
Και αν βάζεις το χέρι στο κουτί
και τυχαία βγάζεις πράγματα που τσιρίζουν,
04:49
And if you can reachφθάνω into a boxκουτί at randomτυχαίος
and pullΤραβήξτε out things that squeakτρίξιμο,
τότε μάλλον όλα μέσα στο κουτί τσιρίζουν.
04:53
then maybe everything in the boxκουτί squeaksτσιμπήματα.
Έτσι τα μωρά θα περιμένουν
να τσιρίζουν και τα κίτρινα μπαλάκια.
04:56
So maybe babiesμωρά should expectαναμένω
those yellowκίτρινος ballsαρχίδια to squeakτρίξιμο as well.
Τα κίτρινα μπαλάκια όμως
έχουν ένα ξυλάκι στην άκρη,
05:00
Now, those yellowκίτρινος ballsαρχίδια
have funnyαστείος sticksμπαστούνια on the endτέλος,
έτσι τα μωρά θα μπορούσαν
να κάνουν και άλλα πράγματα αν ήθελαν,
05:02
so babiesμωρά could do other things
with them if they wanted to.
05:05
They could poundλίβρα them or whackηχηρό κτύπημα them.
όπως να τα χτυπάνε ή να το κοπανάνε.
05:07
But let's see what the babyμωρό does.
Αλλά ας δούμε τι κάνει το μωρό.
(Βίντεο) Γιόγουαν Γκουάν: Το βλέπεις;
(Το μπαλάκι τσιρίζει)
05:12
(VideoΒίντεο) HyowonHyowon GweonGweon: See this?
(BallΜπάλα squeaksτσιμπήματα)
Το είδες αυτό;
(Το μπαλάκι τσιρίζει)
05:16
Did you see that?
(BallΜπάλα squeaksτσιμπήματα)
Ωραίο!
05:20
CoolΔροσερό.
Βλέπεις αυτό;
05:24
See this one?
(Το μπαλάκι τσιρίζει)
05:26
(BallΜπάλα squeaksτσιμπήματα)
Ουάου!
05:28
WowWow.
Λόρα Σουλτς: Σας το είπα.
(Γελάει)
05:33
LauraLaura SchulzSchulz: Told you. (LaughsΓέλια)
(Βίντεο) ΓΓ: Το βλέπεις;
(Το μπαλάκι τσιρίζει)
05:35
(VideoΒίντεο) HGHG: See this one?
(BallΜπάλα squeaksτσιμπήματα)
Κλάρα, αυτό είναι για σένα.
Πάρτο και παίξε.
05:39
Hey ClaraΚλάρα, this one'sκάποιου for you.
You can go aheadεμπρός and playπαίζω.
(Γέλια)
05:51
(LaughterΤο γέλιο)
ΛΣ: Δεν χρειάζεται καν να μιλήσω, σωστά;
05:56
LSLS: I don't even have to talk, right?
Εντάξει, είναι καλό που τα μωρά
05:59
All right, it's niceόμορφη that babiesμωρά
will generalizeγενικεύω propertiesιδιότητες
γενικεύουν τις ιδιότητες
στα μπλε και τα κίτρινα μπαλάκια,
06:02
of blueμπλε ballsαρχίδια to yellowκίτρινος ballsαρχίδια,
και είναι εντυπωσιακό που τα μωρά
μαθαίνουν μιμούμενα εμάς,
06:03
and it's impressiveΕΝΤΥΠΩΣΙΑΚΟ that babiesμωρά
can learnμαθαίνω from imitatingμιμείται us,
αλλά τα ξέραμε αυτά για τα μωρά
εδώ και πάρα πολύ καιρό.
06:06
but we'veέχουμε knownγνωστός those things about babiesμωρά
for a very long time.
Το πραγματικά ενδιαφέρον ερώτημα
06:10
The really interestingενδιαφέρων questionερώτηση
είναι τι θα συμβεί αν δείξουμε στα μωρά
ακριβώς το ίδιο πράγμα,
06:12
is what happensσυμβαίνει when we showπροβολή babiesμωρά
exactlyακριβώς the sameίδιο thing,
κι εξασφαλίζουμε ότι είναι ακριβώς το ίδιο
06:15
and we can ensureεξασφαλίζω it's exactlyακριβώς the sameίδιο
because we have a secretμυστικό compartmentδιαμέρισμα
επειδή υπάρχει ένα μυστικό διαμέρισμα
και βγάζουμε τα μπαλάκια από εκεί
06:18
and we actuallyπράγματι pullΤραβήξτε the ballsαρχίδια from there,
αλλά αυτή τη φορά
αλλάζουμε μόνο το εμφανές πλήθος
06:20
but this time, all we changeαλλαγή
is the apparentπροκύπτει populationπληθυσμός
απ' όπου πήραμε τις ενδείξεις.
06:24
from whichοι οποίες that evidenceαπόδειξη was drawnσυρθεί.
Τώρα θα δείξουμε στα μωρά
τρία μπλε μπαλάκια
06:27
This time, we're going to showπροβολή babiesμωρά
threeτρία blueμπλε ballsαρχίδια
που παίρνουμε από ένα κουτί
με κυρίως κίτρινα μπαλάκια,
06:30
pulledτράβηξε out of a boxκουτί
of mostlyως επί το πλείστον yellowκίτρινος ballsαρχίδια,
και μαντέψτε τι γίνεται;
06:34
and guessεικασία what?
Μάλλον δεν θα τραβήξετε τυχαία
τρία μπλε μπαλάκια στη σειρά
06:35
You [probablyπιθανώς won'tσυνηθισμένος] randomlyτυχαία drawσχεδιάζω
threeτρία blueμπλε ballsαρχίδια in a rowσειρά
από ένα κουτί με κυρίως κίτρινα μπαλάκια.
06:38
out of a boxκουτί of mostlyως επί το πλείστον yellowκίτρινος ballsαρχίδια.
Αυτές δεν είναι ενδείξεις
από δεόντως τυχαίο δείγμα.
06:40
That is not plausiblyαληθοφανώς
randomlyτυχαία sampledδειγματοληψία evidenceαπόδειξη.
Αυτές οι ενδείξεις δείχνουν ότι η Γιόγουαν
μάλλον επίτηδες επέλεγε μπλε μπαλάκια.
06:44
That evidenceαπόδειξη suggestsπροτείνει that maybe HyowonHyowon
was deliberatelyεπίτηδες samplingδειγματοληψία the blueμπλε ballsαρχίδια.
Ίσως τα μπλε μπαλάκια είναι ιδιαίτερα.
06:49
Maybe there's something specialειδικός
about the blueμπλε ballsαρχίδια.
Ίσως μόνο τα μπλε μπαλάκια τσιρίζουν.
06:52
Maybe only the blueμπλε ballsαρχίδια squeakτρίξιμο.
Να δούμε τι κάνει το μωρό.
06:55
Let's see what the babyμωρό does.
(Βίντεο) ΓΓ: Το βλέπεις αυτό;
(Το μπαλάκι τσιρίζει)
06:57
(VideoΒίντεο) HGHG: See this?
(BallΜπάλα squeaksτσιμπήματα)
Βλέπεις αυτό το παιχνίδι;
(Το μπαλάκι τσιρίζει)
07:02
See this toyπαιχνίδι?
(BallΜπάλα squeaksτσιμπήματα)
Ωραίο δεν είναι; Δες.
(Το μπαλάκι τσιρίζει)
07:05
Oh, that was coolδροσερός. See?
(BallΜπάλα squeaksτσιμπήματα)
Αυτό εδώ είναι για να παίξεις εσύ.
Μπορείς να παίξεις.
07:10
Now this one'sκάποιου for you to playπαίζω.
You can go aheadεμπρός and playπαίζω.
(Γκρίνια)
(Γέλια)
07:18
(FussingΚλάμα)
(LaughterΤο γέλιο)
ΛΣ: Μόλις είδατε δύο μωρά ηλικίας 15 μηνών
07:26
LSLS: So you just saw
two 15-month-old-μήνας-παλαιό babiesμωρά
να κάνουν εντελώς διαφορετικά πράγματα
07:29
do entirelyεξ ολοκλήρου differentδιαφορετικός things
βασιζόμενα μόνο στην πιθανότητα
του δείγματος που παρατήρησαν.
07:31
basedμε βάση only on the probabilityπιθανότητα
of the sampleδείγμα they observedπαρατηρηθεί.
Ας σας δείξω τα επιστημονικά αποτελέσματα.
07:35
Let me showπροβολή you the experimentalπειραματικός resultsΑποτελέσματα.
Στον κάθετο άξονα
θα δείτε το ποσοστό των μωρών
07:37
On the verticalκατακόρυφος axisάξονας, you'llθα το κάνετε see
the percentageποσοστό of babiesμωρά
που ζούληξαν το μπαλάκι σε κάθε περίπτωση,
07:40
who squeezedπιέζονται the ballμπάλα in eachκαθε conditionκατάσταση,
κι όπως θα δείτε, είναι πολύ πιθανότερο
τα μωρά να γενικεύσουν τα αποτελέσματα
07:42
and as you'llθα το κάνετε see, babiesμωρά are much
more likelyπιθανός to generalizeγενικεύω the evidenceαπόδειξη
αν είναι εύλογα
αντιπροσωπευτικά του πλήθους,
07:46
when it's plausiblyαληθοφανώς representativeεκπρόσωπος
of the populationπληθυσμός
από όταν οι ενδείξεις είναι σαφές
πως είναι ειδικά επιλεγμένες.
07:49
than when the evidenceαπόδειξη
is clearlyσαφώς cherry-pickedεπίλεκτους.
Κι αυτό μας οδηγεί σε μια αστεία πρόβλεψη:
07:53
And this leadsοδηγεί to a funδιασκέδαση predictionπροφητεία:
Ας υποθέσουμε ότι παίρνατε μόνο ένα μπλε
μπαλάκι από ένα κυρίως κίτρινο κουτί.
07:55
SupposeΑς υποθέσουμε ότι you pulledτράβηξε just one blueμπλε ballμπάλα
out of the mostlyως επί το πλείστον yellowκίτρινος boxκουτί.
Μάλλον δεν θα τραβούσατε τυχαία τρία μπλε
μπαλάκια στη σειρά από ένα κίτρινο κουτί,
08:00
You [probablyπιθανώς won'tσυνηθισμένος] pullΤραβήξτε threeτρία blueμπλε ballsαρχίδια
in a rowσειρά at randomτυχαίος out of a yellowκίτρινος boxκουτί,
αλλά τραβούσατε τυχαία
μόνο ένα μπλε μπαλάκι.
08:04
but you could randomlyτυχαία sampleδείγμα
just one blueμπλε ballμπάλα.
08:07
That's not an improbableαπίθανο sampleδείγμα.
Αυτό δεν είναι απίθανο δείγμα.
Και αν βάζατε το χέρι τυχαία σε ένα κουτί
08:09
And if you could reachφθάνω into
a boxκουτί at randomτυχαίος
και τραβούσαμε κάτι που τσιρίζει,
μάλλον όλα μέσα στο κουτί τσιρίζουν.
08:11
and pullΤραβήξτε out something that squeaksτσιμπήματα,
maybe everything in the boxκουτί squeaksτσιμπήματα.
Έτσι, αν και τα μωρά θα έχουν
λιγότερες ενδείξεις για το τσίριγμα,
08:15
So even thoughαν και babiesμωρά are going to see
much lessπιο λιγο evidenceαπόδειξη for squeakingσπάζοντας,
και πολύ λιγότερες πράξεις να μιμηθούν,
08:20
and have manyΠολλά fewerλιγότεροι actionsΕνέργειες to imitateμιμούμαι
στην περίπτωση με το ένα μπαλάκι
απ' ό,τι στην περίπτωση που μόλις είδατε,
08:22
in this one ballμπάλα conditionκατάσταση than in
the conditionκατάσταση you just saw,
08:25
we predictedπροβλεπόταν that babiesμωρά themselvesτους εαυτούς τους
would squeezeσφίξιμο more,
προβλέψαμε ότι τα ίδια τα μωρά
θα ζουλούσαν περισσότερο,
και ακριβώς αυτό ανακαλύψαμε.
08:29
and that's exactlyακριβώς what we foundβρέθηκαν.
Έτσι τα 15μηνα μωρά, κατ' αυτή την έννοια,
όπως οι επιστήμονες
08:32
So 15-month-old-μήνας-παλαιό babiesμωρά,
in this respectΣεβασμός, like scientistsΕπιστήμονες,
νοιάζονται αν τα ενδεικτικά στοιχεία
είναι τυχαία επιλεγμένα ή όχι
08:37
careΦροντίδα whetherκατά πόσο evidenceαπόδειξη
is randomlyτυχαία sampledδειγματοληψία or not,
08:40
and they use this to developαναπτύσσω
expectationsπροσδοκίες about the worldκόσμος:
και από αυτά εξελίσσουν
προσδοκίες σχετικά με τον κόσμο:
τι τσιρίζει και τι όχι,
08:43
what squeaksτσιμπήματα and what doesn't,
τι να εξερευνήσουν και τι να αγνοήσουν.
08:45
what to exploreεξερευνώ and what to ignoreαγνοώ.
Να σας δείξω άλλο ένα παράδειγμα,
08:50
Let me showπροβολή you anotherαλλο exampleπαράδειγμα now,
αυτή τη φορά με ένα πρόβλημα
αιτιώδους συλλογισμού.
08:52
this time about a problemπρόβλημα
of causalαιτιώδης συνάφεια reasoningαιτιολογία.
Και αρχίζει με ένα πρόβλημα
της μπερδεμένης ένδειξης
08:55
And it startsξεκινά with a problemπρόβλημα
of confoundedκατέρριψε evidenceαπόδειξη
08:57
that all of us have,
που όλοι μας έχουμε,
ότι είμαστε μέρος αυτού του κόσμου.
08:59
whichοι οποίες is that we are partμέρος of the worldκόσμος.
Μπορεί να μην το θεωρείτε πρόβλημα,
αλλά όπως τα περισσότερα προβλήματα,
09:01
And this mightθα μπορούσε not seemφαίνομαι like a problemπρόβλημα
to you, but like mostπλέον problemsπροβλήματα,
είναι πρόβλημα μόνο αν κάτι πάει στραβά.
09:04
it's only a problemπρόβλημα when things go wrongλανθασμένος.
Πάρτε αυτό το μωρό για παράδειγμα.
09:07
Take this babyμωρό, for instanceπαράδειγμα.
Κάτι του πάει στραβά.
09:09
Things are going wrongλανθασμένος for him.
Δεν μπορεί να κάνει
το παιχνίδι να δουλέψει.
09:10
He would like to make
this toyπαιχνίδι go, and he can't.
Θα σας δείξω ένα βιντεοκλιπ
λίγων δευτερολέπτων.
09:13
I'll showπροβολή you a few-secondμερικά δευτερόλεπτα clipσυνδετήρας.
Και υπάρχουν δύο πιθανότητες, γενικά:
09:21
And there's two possibilitiesδυνατότητες, broadlyσε γενικές γραμμές:
Ίσως το ίδιο κάνει κάτι λάθος,
09:23
Maybe he's doing something wrongλανθασμένος,
ή μπορεί να έχει χαλάσει το παιχνίδι.
09:25
or maybe there's something
wrongλανθασμένος with the toyπαιχνίδι.
Στο επόμενο πείραμα
09:30
So in this nextεπόμενος experimentπείραμα,
θα δώσουμε στα μωρά
λίγα στατιστικά δεδομένα
09:32
we're going to give babiesμωρά
just a tinyμικροσκοπικός bitκομμάτι of statisticalστατιστικός dataδεδομένα
που θα στηρίζουν τη μια υπόθεση ή την άλλη
09:35
supportingυποστήριξη one hypothesisυπόθεση over the other,
και θα δούμε αν τα μωρά
μπορούν να τα χρησιμοποιήσουν
09:38
and we're going to see if babiesμωρά
can use that to make differentδιαφορετικός decisionsαποφάσεων
για να πάρουν διαφορετικές αποφάσεις
για το τι να κάνουν.
09:41
about what to do.
Να το σχέδιο.
09:43
Here'sΕδώ είναι the setupεγκατάστασης (Setup).
Η Γιογουάν θα καταφέρει
να βάλει το παιχνίδι σε λειτουργία.
09:46
HyowonHyowon is going to try to make
the toyπαιχνίδι go and succeedπετυχαίνω.
Μετά θα προσπαθήσω εγώ δύο φορές
και θα αποτύχω και τις δύο,
09:49
I am then going to try twiceεις διπλούν
and failαποτυγχάνω bothκαι τα δυο timesφορές,
και μετά η Γιογουάν θα προσπαθήσει ξανά
και θα τα καταφέρει.
09:52
and then HyowonHyowon is going
to try again and succeedπετυχαίνω,
Και αυτό γενικά συνοψίζει τη σχέση μου
με τους μεταπτυχιακούς μου φοιτητές
09:55
and this roughlyχονδρικά sumsποσά up my relationshipσχέση
to my graduateαποφοιτώ studentsΦοιτητές
09:58
in technologyτεχνολογία acrossαπέναντι the boardσανίδα.
σε όλο το φάσμα της τεχνολογίας.
Αλλά το σημαντικό εδώ είναι
ότι δίνει μια μικρή ένδειξη
10:02
But the importantσπουδαίος pointσημείο here is
it providesπαρέχει a little bitκομμάτι of evidenceαπόδειξη
ότι το πρόβλημα δεν είναι
στο παιχνίδι αλλά στο άτομο.
10:05
that the problemπρόβλημα isn't with the toyπαιχνίδι,
it's with the personπρόσωπο.
Κάποιοι μπορούν να το βάλουν σε λειτουργία
10:08
Some people can make this toyπαιχνίδι go,
και κάποιοι όχι.
10:11
and some can't.
Όταν το μωρό πάρει το παιχνίδι,
θα έχει μια επιλογή.
10:12
Now, when the babyμωρό getsπαίρνει the toyπαιχνίδι,
he's going to have a choiceεπιλογή.
Η μαμά του είναι εκεί,
10:16
His momμαμά is right there,
μπορεί να δώσει το παιχνίδι
και να αλλάξει το άτομο,
10:18
so he can go aheadεμπρός and handχέρι off the toyπαιχνίδι
and changeαλλαγή the personπρόσωπο,
αλλά θα υπάρχει και ένα ακόμη παιχνίδι
στην άκρη εκείνου του υφάσματος
10:21
but there's alsoεπίσης going to be
anotherαλλο toyπαιχνίδι at the endτέλος of that clothπανί,
10:24
and he can pullΤραβήξτε the clothπανί towardsπρος him
and changeαλλαγή the toyπαιχνίδι.
και μπορεί να τραβήξει το ύφασμα
και να αλλάξει το παιχνίδι.
Ας δούμε τι κάνει το μωρό.
10:28
So let's see what the babyμωρό does.
(Βίντεο) ΓΓ: Δύο, τρία. Πάμε!
(Μουσική)
10:30
(VideoΒίντεο) HGHG: Two, threeτρία. Go!
(MusicΜουσική)
ΛΣ: Ένα, δύο, τρία, πάμε!
10:34
LSLS: One, two, threeτρία, go!
Άρθουρ, θα προσπαθήσω πάλι.
Ένα, δύο, τρία, πάμε!
10:37
ArthurΑρθούρος, I'm going to try again.
One, two, threeτρία, go!
ΓΓ: Άρθουρ, ας προσπαθήσω εγώ πάλι, ΟΚ;
10:45
YGYG: ArthurΑρθούρος, let me try again, okay?
Ένα, δύο, τρία, πάμε!
(Μουσική)
10:48
One, two, threeτρία, go!
(MusicΜουσική)
Κοίτα αυτό. Θυμάσαι αυτά τα παιχνίδια;
10:53
Look at that. RememberΝα θυμάστε these toysπαιχνίδια?
Βλέπεις αυτά τα παιχνίδια;
Ναι, θα βάλω αυτό εδώ πέρα,
10:55
See these toysπαιχνίδια? Yeah, I'm going
to put this one over here,
και θα δώσω αυτό σε σένα.
10:58
and I'm going to give this one to you.
Μπορείς να παίξεις.
11:00
You can go aheadεμπρός and playπαίζω.
ΛΣ: ΟΚ, Λόρα, φυσικά
τα μωρά αγαπούν τις μαμάδες τους.
11:23
LSLS: Okay, LauraLaura, but of courseσειρά μαθημάτων,
babiesμωρά love theirδικα τους mommiesμαμάδες.
Φυσικά το παιδί δίνει το παιχνίδι στη μαμά
11:27
Of courseσειρά μαθημάτων babiesμωρά give toysπαιχνίδια
to theirδικα τους mommiesμαμάδες
11:30
when they can't make them work.
όταν δεν λειτουργεί.
Και πάλι, η πραγματικά
σημαντική ερώτηση είναι
11:32
So again, the really importantσπουδαίος questionερώτηση
is what happensσυμβαίνει when we changeαλλαγή
τι θα συμβεί όταν αλλάξουμε
τα στατιστικά δεδομένα ακόμα λίγο.
11:35
the statisticalστατιστικός dataδεδομένα ever so slightlyελαφρώς.
Τώρα τα μωρά θα δουν το παιχνίδι
να λειτουργεί και να σταματάει εναλλάξ
11:38
This time, babiesμωρά are going to see the toyπαιχνίδι
work and failαποτυγχάνω in exactlyακριβώς the sameίδιο orderΣειρά,
αλλά αλλάζουμε την κατανομή των ενδείξεων.
11:42
but we're changingαλλάζοντας
the distributionδιανομή of evidenceαπόδειξη.
Τωρα η Γιογουάν μια φορά θα τα καταφέρει
και μια θα αποτύχει, και το ίδιο κι εγώ.
11:45
This time, HyowonHyowon is going to succeedπετυχαίνω
onceμια φορά and failαποτυγχάνω onceμια φορά, and so am I.
Και αυτό λέει ότι άσχετα με το ποιος
χειρίζεται το παιχνίδι, αυτό δεν δουλεύει.
11:49
And this suggestsπροτείνει it doesn't matterύλη
who triesπροσπαθεί this toyπαιχνίδι, the toyπαιχνίδι is brokenσπασμένος.
Δεν λειτουργεί γενικά.
11:55
It doesn't work all the time.
Πάλι το μωρό έχει μια επιλογή.
11:57
Again, the baby'sτου μωρού going to have a choiceεπιλογή.
Η μαμά της είναι δίπλα της,
έτσι μπορεί να αλλάξει πρόσωπο
11:59
Her momμαμά is right nextεπόμενος to her,
so she can changeαλλαγή the personπρόσωπο,
και θα υπάρχει ένα άλλο παιχνίδι
στην άκρη του υφάσματος.
12:02
and there's going to be anotherαλλο toyπαιχνίδι
at the endτέλος of the clothπανί.
Ας δούμε τι κάνει.
12:05
Let's watchπαρακολουθώ what she does.
(Βίντεο) ΓΓ: Δύο, τρία. Πάμε!
(Μουσική)
12:07
(VideoΒίντεο) HGHG: Two, threeτρία, go!
(MusicΜουσική)
Να προσπαθήσω άλλη μια φορά.
Ένα, δύο, τρία, πάμε!
12:11
Let me try one more time.
One, two, threeτρία, go!
Χμμ.
12:17
HmmΧμμ.
ΛΣ: Άσε με να προσπαθήσω, Κλάρα.
12:19
LSLS: Let me try, ClaraΚλάρα.
Ένα, δύο, τρία, πάμε!
12:22
One, two, threeτρία, go!
Χμμ. Ας προσπαθήσω πάλι.
12:27
HmmΧμμ, let me try again.
Ένα, δύο, τρία, πάμε!
(Μουσική)
12:29
One, two, threeτρία, go!
(MusicΜουσική)
ΓΓ: Θα βάλω αυτό εδώ πέρα
12:35
HGHG: I'm going
to put this one over here,
και θα δώσω αυτό σε σένα.
12:37
and I'm going to give this one to you.
Μπορείς να παίξεις.
12:39
You can go aheadεμπρός and playπαίζω.
(Χειροκρότημα)
12:58
(ApplauseΧειροκροτήματα)
ΛΣ: Να σας δείξω
τα αποτελέσματα των πειραμάτων.
13:04
LSLS: Let me showπροβολή you
the experimentalπειραματικός resultsΑποτελέσματα.
Στον κάθετο άξονα θα δείτε την κατανομή
13:07
On the verticalκατακόρυφος axisάξονας,
you'llθα το κάνετε see the distributionδιανομή
των επιλογών των παιδιών σε κάθε περίπτωση
13:09
of children'sπαιδιά choicesεπιλογές in eachκαθε conditionκατάσταση,
και θα δείτε ότι η κατανομή των επιλογών
που κάνουν τα παιδιά
13:12
and you'llθα το κάνετε see that the distributionδιανομή
of the choicesεπιλογές childrenπαιδιά make
εξαρτάται από τις ενδείξεις
που παρατηρούν.
13:16
dependsΕξαρτάται on the evidenceαπόδειξη they observeπαρατηρούν.
Έτσι στο δεύτερο έτος ζωής,
13:19
So in the secondδεύτερος yearέτος of life,
τα μωρά μπορούν να χρησιμοποιήσουν
λίγα στατιστικά δεδομένα
13:21
babiesμωρά can use a tinyμικροσκοπικός bitκομμάτι
of statisticalστατιστικός dataδεδομένα
13:24
to decideαποφασίζω betweenμεταξύ two
fundamentallyθεμελιωδώς differentδιαφορετικός strategiesστρατηγικές
για να αποφασίσουν μεταξύ δύο βασικά
διαφορετικών στρατηγικών
για να δράσουν στον κόσμο:
13:27
for actingηθοποιία in the worldκόσμος:
να ζητήσουν βοήθεια και να εξερευνήσουν.
13:29
askingζητώντας for help and exploringεξερευνώντας.
Μόλις σας έδειξα
δύο εργαστηριακά πειράματα
13:33
I've just shownαπεικονίζεται you
two laboratoryεργαστήριο experimentsπειράματα
από κυριολεκτικά εκατοντάδες στον κλάδο
που έχουν παρόμοια συμπεράσματα
13:37
out of literallyΚυριολεκτικά hundredsεκατοντάδες in the fieldπεδίο
that make similarπαρόμοιος pointsσημεία,
επειδή το πραγματικά
σημαντικό σημείο είναι
13:40
because the really criticalκρίσιμος pointσημείο
ότι η ικανότητα των παιδιών να βγάζουν
πλήθος συμπερασμάτων από λίγα δεδομένα
13:43
is that children'sπαιδιά abilityικανότητα
to make richπλούσιος inferencesεξαγωγή συμπερασμάτων from sparseαραιή dataδεδομένα
βρίσκεται πίσω από όλη
την πολιτιστική μάθηση του είδους μας.
13:48
underliesκρύβεται πίσω από all the species-specificιδιαίτερες
culturalπολιτιστικός learningμάθηση that we do.
Τα παιδιά μαζεύουν τα νέα εργαλεία
από λίγα μόνο παραδείγματα.
13:53
ChildrenΤα παιδιά learnμαθαίνω about newνέος toolsεργαλεία
from just a fewλίγοι examplesπαραδείγματα.
Μαθαίνουν νέες σχέσεις αιτιασμού
από λίγα μόνο παραδείγματα.
13:58
They learnμαθαίνω newνέος causalαιτιώδης συνάφεια relationshipsσχέσεις
from just a fewλίγοι examplesπαραδείγματα.
Μαθαίνουν ακόμα και νέες λέξεις, όπως εδώ,
στην αμερικανική νοηματική γλώσσα.
14:03
They even learnμαθαίνω newνέος wordsλόγια,
in this caseπερίπτωση in AmericanΑμερικανική SignΕίσοδος LanguageΓλώσσα.
Θέλω να κλείσω με μόνο δύο σημεία.
14:08
I want to closeΚοντά with just two pointsσημεία.
Αν παρακολουθείτε τον κόσμο μου, τον
τομέα εγκεφάλου και γνωστικών επιστημών,
14:12
If you've been followingΕΠΟΜΕΝΟ my worldκόσμος,
the fieldπεδίο of brainεγκέφαλος and cognitiveγνωστική sciencesεπιστήμες,
για τα τελευταία λίγα χρόνια,
14:15
for the pastτο παρελθόν fewλίγοι yearsχρόνια,
τρεις μεγάλες ιδέες
θα υπέπεσαν στην αντίληψή σας.
14:17
threeτρία bigμεγάλο ideasιδέες will have come
to your attentionπροσοχή.
Η πρώτη είναι ότι αυτή
είναι η εποχή του εγκεφάλου.
14:20
The first is that this is
the eraεποχή of the brainεγκέφαλος.
Και όντως έχουν γίνει τεράστιες
ανακαλύψεις στη νευροεπιστήμη:
14:23
And indeedπράγματι, there have been
staggeringσυγκλονιστικό discoveriesανακαλύψεις in neuroscienceνευροεπιστήμη:
εντοπίστηκαν λειτουργικά
εξειδικευμένες περιοχές του φλοιού,
14:27
localizingεντόπιση functionallyλειτουργικά specializedειδικευμένος
regionsπεριοχές of cortexφλοιός,
οι εγκέφαλοι των ποντικιών
έγιναν διαφανείς,
14:30
turningστροφή mouseποντίκι brainsμυαλά transparentδιαφανής,
ενεργοποιούνται νευρώνες με το φως.
14:33
activatingενεργοποιητικός neuronsνευρώνες with lightφως.
Μια δεύτερη μεγάλη ιδέα είναι
14:36
A secondδεύτερος bigμεγάλο ideaιδέα
ότι είναι η εποχή των μεγάλων δεδομένων
και της μηχανικής μάθησης,
14:38
is that this is the eraεποχή of bigμεγάλο dataδεδομένα
and machineμηχανή learningμάθηση,
και η μηχανική μάθηση υπόσχεται ν' αλλάξει
ριζικά την κατανόηση των πάντων,
14:43
and machineμηχανή learningμάθηση promisesυποσχέσεις
to revolutionizeεπανάσταση our understandingκατανόηση
14:46
of everything from socialκοινωνικός networksδικτύων
to epidemiologyεπιδημιολογία.
από τα κοινωνικά δίκτυα
έως την επιδημιολογία.
Και ίσως, καθώς επιλύει
προβλήματα κατανόησης σκηνών
14:50
And maybe, as it tacklesαντιμετωπίζει problemsπροβλήματα
of sceneσκηνή understandingκατανόηση
και φυσικής επεξεργασίας της γλώσσας,
14:53
and naturalφυσικός languageΓλώσσα processingεπεξεργασία,
να μας πει κάτι
σχετικά με την ανθρώπινη νόηση.
14:55
to tell us something
about humanο άνθρωπος cognitionγνωστική λειτουργία.
Και η τελευταία μεγάλη ιδέα
που θα έχετε ακούσει
14:59
And the finalτελικός bigμεγάλο ideaιδέα you'llθα το κάνετε have heardακούσει
15:01
is that maybe it's a good ideaιδέα we're going
to know so much about brainsμυαλά
είναι πως μάλλον είναι καλό
που θα μάθουμε τόσα για τον εγκέφαλο
και θα έχουμε πρόσβαση σε μεγάλα δεδομένα,
15:05
and have so much accessπρόσβαση to bigμεγάλο dataδεδομένα,
15:06
because left to our ownτα δικά devicesσυσκευές,
επειδή αν πράξουμε κατά βούληση,
οι άνθρωποι παραπλανούμαστε,
καταφεύγουμε σε πρόχειρες λύσεις,
15:09
humansτου ανθρώπου are fallibleσφαλερός, we take shortcutsσυντομεύσεις,
κάνουμε σφάλματα, κάνουμε λάθη,
15:13
we errErr, we make mistakesλάθη,
έχουμε προκαταλήψεις,
15:16
we're biasedμεροληπτική, and in innumerableαναρίθμητες waysτρόπους,
και με πάμπολλους τρόπους,
εκλαμβάνουμε τον κόσμο λάθος.
15:20
we get the worldκόσμος wrongλανθασμένος.
Νομίζω ότι όλες αυτές
είναι σημαντικές ιστορίες
15:24
I think these are all importantσπουδαίος storiesιστορίες,
και έχουν πολλά να μας πουν σχετικά
με το τι σημαίνει να είσαι άνθρωπος,
15:27
and they have a lot to tell us
about what it meansπου σημαίνει to be humanο άνθρωπος,
αλλά θέλω να σημειώσετε ότι σήμερα
σας είπα μια πολύ διαφορετική ιστορία.
15:31
but I want you to noteΣημείωση that todayσήμερα
I told you a very differentδιαφορετικός storyιστορία.
Είναι μια ιστορία για το μυαλό μας
και όχι για τον εγκέφαλό μας
15:35
It's a storyιστορία about mindsμυαλά and not brainsμυαλά,
και ειδικότερα, είναι μια ιστορία
για το είδος των υπολογισμών
15:39
and in particularιδιαιτερος, it's a storyιστορία
about the kindsείδη of computationsυπολογισμών
που μόνο τα ανθρώπινα μυαλά
μπορούν να εκτελέσουν,
15:42
that uniquelyμοναδικώς humanο άνθρωπος mindsμυαλά can performεκτελώ,
που εμπλέκει πλούσια, δομημένη γνώση
και την ικανότητα να μαθαίνουμε
15:45
whichοι οποίες involveεμπλέκω richπλούσιος, structuredδομημένος knowledgeη γνώση
and the abilityικανότητα to learnμαθαίνω
από μικρές ποσότητες δεδομένων,
τις ενδείξεις από πολύ λίγα παραδείγματα.
15:49
from smallμικρό amountsποσά of dataδεδομένα,
the evidenceαπόδειξη of just a fewλίγοι examplesπαραδείγματα.
Και βασικά, είναι μια ιστορία του πώς,
ξεκινώντας ως μικρά παιδιά
15:56
And fundamentallyθεμελιωδώς, it's a storyιστορία
about how startingεκκίνηση as very smallμικρό childrenπαιδιά
και συνεχίζοντας έως τα μεγαλύτερα
επιτεύγματα της κουλτούρας μας,
16:00
and continuingσυνεχίζοντας out all the way
to the greatestμεγαλύτερη accomplishmentsεπιτεύγματα
16:04
of our cultureΠολιτισμός,
αντιλαμβανόμαστε τον κόσμο μας σωστά.
16:08
we get the worldκόσμος right.
Φίλοι μου, το ανθρώπινο μυαλό δεν μαθαίνει
μόνο από μικρές ποσότητες δεδομένων.
16:12
FolksΟι λαοί, humanο άνθρωπος mindsμυαλά do not only learnμαθαίνω
from smallμικρό amountsποσά of dataδεδομένα.
Τα ανθρώπινα μυαλά σκέφτονται
και εξ ολοκλήρου νέες ιδέες.
16:18
HumanΑνθρώπινη mindsμυαλά think
of altogetherσυνολικά newνέος ideasιδέες.
Τα ανθρώπινα μυαλά παράγουν
έρευνες και ανακαλύψεις,
16:20
HumanΑνθρώπινη mindsμυαλά generateπαράγω
researchέρευνα and discoveryανακάλυψη,
και τα ανθρώπινα μυαλά παράγουν τέχνη,
λογοτεχνία, ποίηση και θέατρο,
16:23
and humanο άνθρωπος mindsμυαλά generateπαράγω
artτέχνη and literatureβιβλιογραφία and poetryποίηση and theaterθέατρο,
και τα ανθρώπινα μυαλά
φροντίζουν άλλους ανθρώπους:
16:29
and humanο άνθρωπος mindsμυαλά take careΦροντίδα of other humansτου ανθρώπου:
τους ηλικιωμένους μας,
τους νέους μας, τους ασθενείς μας.
16:32
our oldπαλαιός, our youngνεαρός, our sickάρρωστος.
Ακόμη και τους θεραπεύουμε.
16:36
We even healθεραπεύω them.
Στα επόμενα χρόνια,
θα δούμε τεχνολογικές καινοτομίες
16:39
In the yearsχρόνια to come, we're going
to see technologicalτεχνολογικός innovationsκαινοτομίες
πέρα από οτιδήποτε
μπορούμε να οραματιστούμε,
16:42
beyondπέρα anything I can even envisionΟραματιζόμαστε,
αλλά είναι μάλλον απίθανο
16:46
but we are very unlikelyαπίθανος
να δούμε οτιδήποτε καν να πλησιάζει
την υπολογιστική δύναμη ενός μωρού
16:48
to see anything even approximatingπροσέγγιση
the computationalυπολογιστική powerεξουσία of a humanο άνθρωπος childπαιδί
όσο θα ζήσω εγώ ή εσείς.
16:54
in my lifetimeΔιάρκεια Ζωής or in yoursδικος σου.
Εάν επενδύσουμε σ' αυτούς τους πολύ
δυνατούς μαθητές και την ανάπτυξή τους,
16:58
If we investεπενδύω in these mostπλέον powerfulισχυρός
learnersτους μαθητές and theirδικα τους developmentανάπτυξη,
στα μωρά και στα παιδιά,
17:03
in babiesμωρά and childrenπαιδιά
στις μητέρες και τους πατεράδες,
17:06
and mothersτης μητέρας and fathersπατέρες
στους κηδεμόνες και τους δασκάλους,
17:08
and caregiversφροντιστές and teachersκαθηγητές
έτσι όπως επενδύουμε στις άλλες μας
πιο ισχυρές και κομψές μορφές
17:11
the waysτρόπους we investεπενδύω in our other
mostπλέον powerfulισχυρός and elegantκομψός formsμορφές
τεχνολογίας, μηχανικής και σχεδιασμού,
17:15
of technologyτεχνολογία, engineeringμηχανική and designσχέδιο,
δεν θα ονειρευόμαστε μόνο
ένα καλύτερο μέλλον,
17:18
we will not just be dreamingόνειρα
of a better futureμελλοντικός,
θα το σχεδιάζουμε.
17:21
we will be planningσχεδίαση for one.
Ευχαριστώ πολύ.
17:23
Thank you very much.
(Χειροκρότημα)
17:25
(ApplauseΧειροκροτήματα)
Κρις Άντερσον: Λόρα, σ' ευχαριστώ.
Έχω μια ερώτηση για σένα.
17:29
ChrisChris AndersonΆντερσον: LauraLaura, thank you.
I do actuallyπράγματι have a questionερώτηση for you.
Πρώτα απ' όλα, η έρευνα είναι εξωφρενική.
17:34
First of all, the researchέρευνα is insaneπαράφρων.
Ποιος θα σχεδίαζε ένα τέτοιο πείραμα;
(Γέλια)
17:36
I mean, who would designσχέδιο
an experimentπείραμα like that? (LaughterΤο γέλιο)
Το είδα μερικές φορές
17:41
I've seenείδα that a coupleζευγάρι of timesφορές,
και ακόμη δεν πιστεύω ειλικρινά
ότι αυτό όντως μπορεί να συμβαίνει,
17:42
and I still don't honestlyτίμια believe
that that can trulyστα αληθεια be happeningσυμβαίνει,
αλλά και άλλοι έχουν κάνει
παρόμοια πειράματα. Είναι λογικό.
17:46
but other people have doneΈγινε
similarπαρόμοιος experimentsπειράματα; it checksέλεγχοι out.
Τα μωρά είναι όντως ιδιοφυίες.
17:49
The babiesμωρά really are that geniusιδιοφυία.
ΛΣ: Ξέρεις, είναι τόσο εντυπωσιακά
στα πειράματά μας,
17:50
LSLS: You know, they look really impressiveΕΝΤΥΠΩΣΙΑΚΟ
in our experimentsπειράματα,
αλλά σκέψου πώς είναι στην κανονική ζωή;
17:53
but think about what they
look like in realπραγματικός life, right?
Ξεκινάει σαν μωρό.
17:56
It startsξεκινά out as a babyμωρό.
Δεκαοκτώ μήνες αργότερα σου μιλάει,
17:57
EighteenΔεκαοκτώ monthsμήνες laterαργότερα,
it's talkingομιλία to you,
και τα πρώτα λογάκια δεν είναι απλά
πράγματα όπως μπάλες και παπάκια,
17:59
and babies'Μωρουδιακά first wordsλόγια aren'tδεν είναι just
things like ballsαρχίδια and ducksπάπιες,
είναι πράγματα όπως τα «πάει!»
που αναφέρεται στην εξαφάνιση,
18:02
they're things like "all goneχαμένος,"
whichοι οποίες referαναφέρομαι to disappearanceεξαφάνιση,
ή το «ωχ!»
που αναφέρεται σε ακούσιες πράξεις.
18:05
or "uh-ohUh-ω," whichοι οποίες referαναφέρομαι
to unintentionalακούσια actionsΕνέργειες.
Πρέπει να είναι τόσο ισχυρά.
18:07
It has to be that powerfulισχυρός.
Πρέπει να είναι πολύ πιο ισχυρά
από οτιδήποτε σας έδειξα.
18:09
It has to be much more powerfulισχυρός
than anything I showedέδειξε you.
Αντιλαμβάνονται
πώς λειτουργεί όλος ο κόσμος.
18:12
They're figuringκατανόηση out the entireολόκληρος worldκόσμος.
18:14
A four-year-oldηλικίας τεσσάρων ετών can talk to you
about almostσχεδόν anything.
Ένα τετράχρονο μπορεί να σας μιλήσει
για σχεδόν οτιδήποτε.
18:17
(ApplauseΧειροκροτήματα)
(Χειροκρότημα)
ΚΑ: Και αν σε καταλαβαίνω σωστά,
το άλλο κεντρικό σημείο είναι
18:19
CACA: And if I understandκαταλαβαίνουν you right,
the other keyκλειδί pointσημείο you're makingκατασκευή is,
ότι περάσαμε τόσα χρόνια
που έγιναν τόσες συζητήσεις
18:22
we'veέχουμε been throughδιά μέσου these yearsχρόνια
where there's all this talk
πόσο ιδιόμορφα και προβληματικά
είναι τα μυαλά μας
18:25
of how quirkyιδιότροπος and buggyαμαξάκι our mindsμυαλά are,
18:27
that behavioralσυμπεριφορική economicsΟικονομικά
and the wholeολόκληρος theoriesθεωρίες behindπίσω that
που η συμπεριφοριστική οικονομία
και παρόμοιες θεωρίες,
ότι δεν πράττουμε λογικά.
18:29
that we're not rationalλογικός agentsπράκτορες.
Ουσιαστικά λες ότι η σημαντικότερη ιστορία
είναι πόσο αξιοσημείωτα είναι,
18:31
You're really sayingρητό that the biggerμεγαλύτερος
storyιστορία is how extraordinaryέκτακτος,
και ότι πράγματι υπάρχει εκεί ευφυία
που δεν εκτιμάται αναλόγως.
18:35
and there really is geniusιδιοφυία there
that is underappreciatedunderappreciated.
ΛΣ: Ένα αγαπημένο μου ρητό
από την ψυχολογία
18:40
LSLS: One of my favoriteαγαπημένη
quotesεισαγωγικά in psychologyΨυχολογία
είναι από τον κοινωνικό ψυχολόγο
Σόλομον Ας, που είπε
18:42
comesέρχεται from the socialκοινωνικός
psychologistψυχολόγος SolomonΣολομώντα AschAsch,
18:45
and he said the fundamentalθεμελιώδης taskέργο
of psychologyΨυχολογία is to removeαφαιρώ
ότι το βασικό καθήκον της ψυχολογίας
είναι να παραμερίσει το πέπλο
του αυταπόδεικτου από τα πράγματα.
18:47
the veilπέπλο of self-evidenceSelf-evidence from things.
Εκατομμύρια τάξεις μεγέθους
και καθημερινές αποφάσεις
18:50
There are ordersπαραγγελίες of magnitudeμέγεθος
more decisionsαποφάσεων you make everyκάθε day
βοηθούν να αντιληφθείς σωστά τον κόσμο.
18:55
that get the worldκόσμος right.
Γνωρίζεις περί αντικειμένων
και των ιδιοτήτων τους.
18:56
You know about objectsαντικείμενα
and theirδικα τους propertiesιδιότητες.
18:58
You know them when they're occludedαποφραγμένη.
You know them in the darkσκοτάδι.
Ξέρεις πότε φρακάρουν.
Τα αναγνωρίζεις στο σκοτάδι.
Μπορείς να διασχίζεις δωμάτια.
Καταλαβαίνεις τι σκέφτονται οι άλλοι.
19:01
You can walkΠερπατήστε throughδιά μέσου roomsδωμάτια.
19:02
You can figureεικόνα out what other people
are thinkingσκέψη. You can talk to them.
Μπορείς να τους μιλήσεις
και να πορευθείς στο χώρο.
19:06
You can navigateκυβερνώ spaceχώρος.
You know about numbersαριθμούς.
Ξέρεις για αριθμούς.
Ξέρεις τις σχέσεις αιτιατού
και την ηθική αιτίαση.
19:08
You know causalαιτιώδης συνάφεια relationshipsσχέσεις.
You know about moralηθικός reasoningαιτιολογία.
Το κάνεις χωρίς δυσκολία,
έτσι δεν το βλέπουμε,
19:11
You do this effortlesslyαβίαστα,
so we don't see it,
αλλά έτσι καταλαβαίνουμε σωστά τον κόσμο
19:14
but that is how we get the worldκόσμος right,
and it's a remarkableαξιοσημείωτος
και είναι ένα αξιοσημείωτο
και πολύ δυσνόητο επίτευγμα.
19:16
and very difficult-to-understandδύσκολο στην κατανόηση
accomplishmentεκπλήρωση.
ΚΑ: Υποψιάζομαι ότι υπάρχουν
άνθρωποι στο ακροατήριο
19:19
CACA: I suspectύποπτος there are people
in the audienceακροατήριο who have
που έχουν την άποψη
να επιταχύνουν την τεχνολογική ισχύ
19:21
this viewθέα of acceleratingεπιταχύνοντας
technologicalτεχνολογικός powerεξουσία
που ίσως αμφισβητήσουν τη δήλωσή σου
ότι ποτέ στη ζωή μας
19:24
who mightθα μπορούσε disputeεπίλυσης διαφορών your statementδήλωση
that never in our lifetimesδιάρκειες ζωής
δεν θα κάνει ένας υπολογιστής
ότι μπορεί να κάνει ένα τρίχρονο παιδί,
19:27
will a computerυπολογιστή do what
a three-year-oldηλικίας τριών ετών childπαιδί can do,
αλλά είναι σαφές ότι σε κάθε σενάριο,
19:29
but what's clearΣαφή is that in any scenarioσενάριο,
οι μηχανές μας έχουν πολλά να μάθουν
από τους μπόμπιρες.
19:32
our machinesμηχανές have so much to learnμαθαίνω
from our toddlersτα νήπια.
ΛΣ: Έτσι νομίζω. Θα έχετε αρκετούς
υπέρ της μηχανικής μάθησης εδώ πέρα.
19:38
LSLS: I think so. You'llΘα σας have some
machineμηχανή learningμάθηση folksλαούς up here.
19:41
I mean, you should never betστοίχημα
againstκατά babiesμωρά or chimpanzeesχιμπατζήδες
Δεν πρέπει να υποτιμάτε
τα μωρά ή τους χιμπατζήδες
ή την τεχνολογία, σε μόνιμη βάση,
19:45
or technologyτεχνολογία as a matterύλη of practiceπρακτική,
αλλά δεν είναι απλώς
μια διαφορά στην ποσότητα,
19:49
but it's not just
a differenceδιαφορά in quantityποσότητα,
είναι διαφορά στο είδος.
19:53
it's a differenceδιαφορά in kindείδος.
Έχουμε απίστευτα ισχυρούς υπολογιστές
19:55
We have incrediblyαπίστευτα powerfulισχυρός computersΥπολογιστές,
και πράγματι κάνουν
τρομερά εξεζητημένα πράγματα,
19:57
and they do do amazinglyκαταπληκτικά
sophisticatedεκλεπτυσμένο things,
20:00
oftenσυχνά with very bigμεγάλο amountsποσά of dataδεδομένα.
συχνά με μεγάλες ποσότητες δεδομένων.
Θεωρώ ότι τα ανθρώπινα μυαλά
κάνουν κάτι τελείως διαφορετικό,
20:03
HumanΑνθρώπινη mindsμυαλά do, I think,
something quiteαρκετά differentδιαφορετικός,
20:05
and I think it's the structuredδομημένος,
hierarchicalιεραρχική natureφύση of humanο άνθρωπος knowledgeη γνώση
και νομίζω ότι είναι η δομημένη,
ιεραρχική φύση της ανθρώπινης γνώσης
που παραμένει μια πραγματική πρόκληση.
20:09
that remainsλείψανα a realπραγματικός challengeπρόκληση.
ΚΑ: Λορα Σουλτς, θαυμάσια τροφή για σκέψη.
Σε ευχαριστούμε τόσο πολύ.
20:11
CACA: LauraLaura SchulzSchulz, wonderfulεκπληκτικός
foodτροφή for thought. Thank you so much.
20:14
LSLS: Thank you.
(ApplauseΧειροκροτήματα)
ΛΣ: Ευχαριστώ.
(Χειροκρότημα)
Translated by Lucas Kaimaras
Reviewed by Chryssa Rapessi

▲Back to top

About the speaker:

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

Why you should listen

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

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

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