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

Why you should listen

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

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

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

Laura Schulz: The surprisingly logical minds of babies

Laura Schulz: La sorprendente mente lógica de los bebes

Filmed:
1,888,975 views

¿Cómo pueden los bebés aprender tanto a partir de tan poco tan rápidamente? En una charla divertida, llena de experimentos, la científica cognitiva Laura Schulz muestra cómo los menores toman decisiones con un sorprendentemente fuerte sentido de la lógica, antes de que puedan hablar.
- Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio

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

00:12
Markmarca TwainDos summedsumado up
what I take to be
0
835
2155
Mark Twain resumió lo que considero es
00:14
one of the fundamentalfundamental problemsproblemas
of cognitivecognitivo scienceciencia
1
2990
3120
uno de los problemas fundamentales
de la ciencia cognitiva
00:18
with a singlesoltero witticismagudeza.
2
6110
1710
con un solo chiste.
00:20
He said, "There's something
fascinatingfascinante about scienceciencia.
3
8410
3082
Dijo: "Hay algo fascinante en la ciencia.
00:23
One getsse pone suchtal wholesaleventa al por mayor
returnsdevoluciones of conjectureconjetura
4
11492
3228
Uno obtiene enormes retornos
en conjeturas
00:26
out of suchtal a triflinginsignificante
investmentinversión in facthecho."
5
14720
3204
con muy poca inversión en hechos".
00:29
(LaughterRisa)
6
17924
1585
(Risas)
00:32
TwainDos meantsignificado it as a jokebroma,
of coursecurso, but he's right:
7
20199
2604
Twain lo decía en broma,
claro, pero tiene razón:
00:34
There's something
fascinatingfascinante about scienceciencia.
8
22803
2876
Hay algo fascinante en la ciencia.
00:37
From a fewpocos boneshuesos, we inferinferir
the existenceexistencia of dinosuarsdinosaurios.
9
25679
4261
A partir de unos pocos huesos,
inferimos la existencia de dinosaurios.
00:42
From spectralespectral lineslíneas,
the compositioncomposición of nebulaenebulosas.
10
30910
3871
A partir de las líneas espectrales,
la composición de las nebulosas.
00:47
From fruitFruta fliesmoscas,
11
35471
2938
A partir de moscas de la fruta,
00:50
the mechanismsmecanismos of heredityherencia,
12
38409
2943
los mecanismos de la herencia,
00:53
and from reconstructedreconstruido imagesimágenes
of bloodsangre flowingfluido throughmediante the braincerebro,
13
41352
4249
y a partir de imágenes reconstruidas
de sangre que fluye a través del cerebro,
00:57
or in my casecaso, from the behaviorcomportamiento
of very youngjoven childrenniños,
14
45601
4708
o en mi caso, desde el comportamiento
de los niños muy pequeños,
01:02
we try to say something about
the fundamentalfundamental mechanismsmecanismos
15
50309
2829
tratamos de decir algo sobre los
mecanismos fundamentales
de la cognición humana.
01:05
of humanhumano cognitioncognición.
16
53138
1618
En particular, en mi laboratorio en el
01:07
In particularespecial, in my lablaboratorio in the DepartmentDepartamento
of BrainCerebro and CognitiveCognitivo SciencesCiencias at MITMIT,
17
55716
4759
Departamento de Cerebro
y Ciencias Cognitivas del MIT,
01:12
I have spentgastado the pastpasado decadedécada
tryingmolesto to understandentender the mysterymisterio
18
60475
3654
he pasado los últimos diez años
tratando de entender el misterio
01:16
of how childrenniños learnaprender so much
from so little so quicklycon rapidez.
19
64129
3977
de cómo los niños aprenden mucho
rápidamente a partir de tan poco.
01:20
Because, it turnsvueltas out that
the fascinatingfascinante thing about scienceciencia
20
68666
2978
Porque resulta que lo fascinante
de la ciencia
01:23
is alsoademás a fascinatingfascinante
thing about childrenniños,
21
71644
3529
es también una cosa fascinante
en los niños,
01:27
whichcual, to put a gentlermás apacible
spingirar on Markmarca TwainDos,
22
75173
2581
que, para ponerlo en términos de
Mark Twain, pero más suave
01:29
is preciselyprecisamente theirsu abilitycapacidad
to drawdibujar richRico, abstractabstracto inferencesinferencias
23
77754
4650
es precisamente su capacidad para
dibujar ricas inferencias abstractas
01:34
rapidlyrápidamente and accuratelyprecisamente
from sparseescaso, noisyruidoso datadatos.
24
82404
4661
rápidamente y con precisión
a partir de datos dispersos, confusos.
01:40
I'm going to give you
just two examplesejemplos todayhoy.
25
88355
2398
Daré solo dos ejemplos hoy.
01:42
One is about a problemproblema of generalizationgeneralización,
26
90753
2287
Uno es sobre un problema
de generalización,
01:45
and the other is about a problemproblema
of causalcausal reasoningrazonamiento.
27
93040
2850
y el otro sobre un problema
de razonamiento causal.
01:47
And althougha pesar de que I'm going to talk
about work in my lablaboratorio,
28
95890
2525
Y aunque hablaré
del trabajo en mi laboratorio,
01:50
this work is inspiredinspirado by
and indebtedendeudado to a fieldcampo.
29
98415
3460
este trabajo se inspira
y está en deuda con un campo.
01:53
I'm gratefulagradecido to mentorsmentores, colleaguescolegas,
and collaboratorscolaboradores around the worldmundo.
30
101875
4283
Se lo agradezco a los mentores, colegas
y colaboradores de todo el mundo.
01:59
Let me startcomienzo with the problemproblema
of generalizationgeneralización.
31
107308
2974
Permítanme comenzar con el problema
de la generalización.
02:02
GeneralizingGeneralizando from smallpequeña samplesmuestras of datadatos
is the breadpan de molde and buttermantequilla of scienceciencia.
32
110652
4133
Generalizar a partir de
pequeñas muestras de datos
es el pan de cada día de la ciencia.
02:06
We pollencuesta a tinyminúsculo fractionfracción of the electorateelectorado
33
114785
2554
Entrevistamos a una pequeña fracción
del electorado
02:09
and we predictpredecir the outcomeSalir
of nationalnacional electionselecciones.
34
117339
2321
y podemos predecir el resultado
de las elecciones nacionales.
02:12
We see how a handfulpuñado of patientspacientes
respondsresponde to treatmenttratamiento in a clinicalclínico trialjuicio,
35
120240
3925
Vemos un puñado de pacientes responder
al tratamiento en un ensayo clínico,
02:16
and we bringtraer drugsdrogas to a nationalnacional marketmercado.
36
124165
3065
y lanzamos los fármacos
a un mercado nacional.
02:19
But this only workstrabajos if our samplemuestra
is randomlyal azar drawndibujado from the populationpoblación.
37
127230
4365
Pero esto solo funciona si la muestra
se extrae al azar de la población.
02:23
If our samplemuestra is cherry-pickedescogido
in some way --
38
131595
2735
Si la muestra es seleccionada
de alguna manera
02:26
say, we pollencuesta only urbanurbano votersvotantes,
39
134330
2072
--por ejemplo, un sondeo
a solo votantes urbanos,
02:28
or say, in our clinicalclínico trialsensayos
for treatmentstratos for heartcorazón diseaseenfermedad,
40
136402
4388
o, en un ensayo clínico de tratamientos
para enfermedades del corazón,
02:32
we includeincluir only menhombres --
41
140790
1881
solo incluimos hombres--
02:34
the resultsresultados maymayo not generalizegeneralizar
to the broadermás amplio populationpoblación.
42
142671
3158
los resultados no pueden generalizarse
a la población en general.
02:38
So scientistscientíficos carecuidado whethersi evidenceevidencia
is randomlyal azar sampledmuestreado or not,
43
146479
3581
Los científicos se preocupan si
la evidencia es tomada o no al azar,
pero ¿qué tiene esto
que ver con los bebés?
02:42
but what does that have to do with babiescriaturas?
44
150060
2015
02:44
Well, babiescriaturas have to generalizegeneralizar
from smallpequeña samplesmuestras of datadatos all the time.
45
152585
4621
Los bebés tienen que
generalizar a partir de
pequeñas muestras de datos
todo el tiempo.
02:49
They see a fewpocos rubbercaucho duckspatos
and learnaprender that they floatflotador,
46
157206
3158
Ellos ven un par de patos de goma
y aprenden que flotan,
02:52
or a fewpocos ballsbolas and learnaprender that they bouncerebotar.
47
160364
3575
o un par de pelotas
y aprenden que rebotan.
02:55
And they developdesarrollar expectationsesperanzas de heredar
about duckspatos and ballsbolas
48
163939
2951
Y desarrollan expectativas
sobre patos y pelotas
02:58
that they're going to extendampliar
to rubbercaucho duckspatos and ballsbolas
49
166890
2716
que van a extender a los patos de goma
y a las pelotas
03:01
for the restdescanso of theirsu livesvive.
50
169606
1879
por el resto de sus vidas.
03:03
And the kindsclases of generalizationsgeneralizaciones
babiescriaturas have to make about duckspatos and ballsbolas
51
171485
3739
El tipo de generalizaciones que los bebés
tienen que hacer sobre patos y bolas
03:07
they have to make about almostcasi everything:
52
175224
2089
tienen que hacerlas con casi todo:
03:09
shoesZapatos and shipsnaves and sealingcaza de focas waxcera
and cabbagescoles and kingsreyes.
53
177313
3917
zapatos y barcos y cera y coles y reyes.
03:14
So do babiescriaturas carecuidado whethersi
the tinyminúsculo bitpoco of evidenceevidencia they see
54
182200
2961
¿A los bebés les importa si
las pocas pruebas que ven,
03:17
is plausiblyplausiblemente representativerepresentante
of a largermás grande populationpoblación?
55
185161
3692
representan una población más grande?
03:21
Let's find out.
56
189763
1900
Vamos a ver.
03:23
I'm going to showespectáculo you two moviespelículas,
57
191663
1723
Les mostraré dos películas,
03:25
one from eachcada of two conditionscondiciones
of an experimentexperimentar,
58
193386
2462
una de cada una de las dos condiciones
de un experimento,
03:27
and because you're going to see
just two moviespelículas,
59
195848
2438
y como son solo dos películas,
03:30
you're going to see just two babiescriaturas,
60
198286
2136
verán solo dos bebés,
03:32
and any two babiescriaturas differdiferir de from eachcada other
in innumerableinnumerable waysformas.
61
200422
3947
y los dos bebés difieren entre sí
en innumerables maneras.
03:36
But these babiescriaturas, of coursecurso,
here standestar in for groupsgrupos of babiescriaturas,
62
204369
3051
Pero estos bebés, por supuesto,
son parte de grupos de bebés,
03:39
and the differencesdiferencias you're going to see
63
207420
1895
y las diferencias que verán
03:41
representrepresentar averagepromedio groupgrupo differencesdiferencias
in babies'criaturas' behaviorcomportamiento acrossa través de conditionscondiciones.
64
209315
5195
representan diferencias
del grupo promedio
en el comportamiento
según las condiciones.
03:47
In eachcada moviepelícula, you're going to see
a babybebé doing maybe
65
215160
2583
En cada película, verán
a un bebé haciendo
03:49
just exactlyexactamente what you mightpodría
expectesperar a babybebé to do,
66
217743
3460
exactamente lo que cabría esperar
que haga un bebé,
03:53
and we can hardlyapenas make babiescriaturas
more magicalmágico than they alreadyya are.
67
221203
4017
y difícilmente podemos hacer a
los bebés más mágicos de lo que ya son.
03:58
But to my mindmente the magicalmágico thing,
68
226090
2010
Pero a para mi mente lo mágico,
04:00
and what I want you to paypaga attentionatención to,
69
228100
2089
y a lo que quiero que presten atención,
04:02
is the contrastcontraste betweenEntre
these two conditionscondiciones,
70
230189
3111
es al contraste entre
estas dos condiciones,
04:05
because the only thing
that differsdifiere betweenEntre these two moviespelículas
71
233300
3529
porque lo único en que se diferencian
estas dos películas
04:08
is the statisticalestadístico evidenceevidencia
the babiescriaturas are going to observeobservar.
72
236829
3466
es la evidencia estadística
que los bebés observarán.
04:13
We're going to showespectáculo babiescriaturas
a boxcaja of blueazul and yellowamarillo ballsbolas,
73
241425
3183
Les mostraremos una caja
de bolas de color azul y amarillo,
04:16
and my then-graduateluego graduado studentestudiante,
now colleaguecolega at StanfordStanford, HyowonHyowon GweonGweon,
74
244608
4620
y mi entonces estudiante de posgrado,
ahora colega en Stanford, Hyowon Gweon,
04:21
is going to pullHalar threeTres blueazul ballsbolas
in a rowfila out of this boxcaja,
75
249228
3077
sacará tres bolas de color azul
en fila de esta caja,
04:24
and when she pullstira those ballsbolas out,
she's going to squeezeexprimir them,
76
252305
3123
y al sacar esas bolas fuera,
las apretará,
04:27
and the ballsbolas are going to squeakchirrido.
77
255428
2113
y las bolas chirriarán.
04:29
And if you're a babybebé,
that's like a TEDTED Talk.
78
257541
2763
Y si fueran el bebé,
sería como una TED Talk.
No hay nada mejor que eso.
04:32
It doesn't get better than that.
79
260304
1904
04:34
(LaughterRisa)
80
262208
2561
(Risas)
04:38
But the importantimportante pointpunto is it's really
easyfácil to pullHalar threeTres blueazul ballsbolas in a rowfila
81
266968
3659
Pero el punto importante es que es muy
fácil sacar tres bolas azules en fila
04:42
out of a boxcaja of mostlyprincipalmente blueazul ballsbolas.
82
270627
2305
de una caja de pelotas
en su mayoría azules.
04:44
You could do that with your eyesojos closedcerrado.
83
272932
2060
Podrían hacerlo con los ojos cerrados.
04:46
It's plausiblyplausiblemente a randomaleatorio samplemuestra
from this populationpoblación.
84
274992
2996
Es posible una muestra aleatoria
de esta población.
04:49
And if you can reachalcanzar into a boxcaja at randomaleatorio
and pullHalar out things that squeakchirrido,
85
277988
3732
Y si se pueden sacar de la caja al azar
y sacar cosas que chirrían,
04:53
then maybe everything in the boxcaja squeakschirridos.
86
281720
2839
entonces tal vez todo en la caja chirría.
04:56
So maybe babiescriaturas should expectesperar
those yellowamarillo ballsbolas to squeakchirrido as well.
87
284559
3650
Tal vez los bebés deben esperar que esas
bolas amarillas chirríen también.
05:00
Now, those yellowamarillo ballsbolas
have funnygracioso stickspalos on the endfin,
88
288209
2519
Las bolas amarillas
tienen palos divertidos al final,
05:02
so babiescriaturas could do other things
with them if they wanted to.
89
290728
2857
así los bebés podrían hacer
otras cosas con ellas si quisieran.
05:05
They could poundlibra them or whackgolpear them.
90
293585
1831
Podrían sacudirlas o golpear a ellas.
05:07
But let's see what the babybebé does.
91
295416
2586
Pero vamos a ver lo que hace el bebé.
05:12
(VideoVídeo) HyowonHyowon GweonGweon: See this?
(BallPelota squeakschirridos)
92
300548
3343
(Video) Hyowon Gweon: ¿Ves esto?
(Bola chirría)
05:16
Did you see that?
(BallPelota squeakschirridos)
93
304531
3045
¿Viste eso?
(Bola chirría)
05:20
CoolGuay.
94
308036
3066
Genial.
05:24
See this one?
95
312706
1950
¿Ves este?
05:26
(BallPelota squeakschirridos)
96
314656
1881
(Bola chirría)
05:28
WowGuau.
97
316537
2653
Guauu.
05:33
LauraLaura SchulzSchulz: Told you. (LaughsRisas)
98
321854
2113
Laura Schulz: Lo dije.
(Risas)
05:35
(VideoVídeo) HGHG: See this one?
(BallPelota squeakschirridos)
99
323967
4031
(Video) HG: ¿Ves este?
(Bola chirría)
05:39
Hey ClaraClara, this one'suno for you.
You can go aheadadelante and playjugar.
100
327998
4619
Clara, este es para ti.
Puedes jugar.
05:51
(LaughterRisa)
101
339854
4365
(Risas)
05:56
LSLS: I don't even have to talk, right?
102
344219
2995
LS: No tengo ni siquiera
que hablar, ¿verdad?
05:59
All right, it's nicebonito that babiescriaturas
will generalizegeneralizar propertiespropiedades
103
347214
2899
Está bien, es bueno que los bebés
generalicen propiedades
06:02
of blueazul ballsbolas to yellowamarillo ballsbolas,
104
350113
1528
de bolas azules a amarillas,
06:03
and it's impressiveimpresionante that babiescriaturas
can learnaprender from imitatingimitando us,
105
351641
3096
y es impresionante que pueden
aprender de nosotros imitando,
06:06
but we'venosotros tenemos knownconocido those things about babiescriaturas
for a very long time.
106
354737
3669
pero ido aprendiendo esas cosas de
los bebés durante mucho tiempo.
06:10
The really interestinginteresante questionpregunta
107
358406
1811
La pregunta realmente interesante
06:12
is what happenssucede when we showespectáculo babiescriaturas
exactlyexactamente the samemismo thing,
108
360217
2852
es qué sucede cuando
les mostramos a los bebés lo mismo,
06:15
and we can ensureasegurar it's exactlyexactamente the samemismo
because we have a secretsecreto compartmentcompartimiento
109
363069
3611
y sabemos que es lo mismo, porque
tenemos un compartimiento secreto
06:18
and we actuallyactualmente pullHalar the ballsbolas from there,
110
366680
2110
y que en realidad
tomamos las bolas de allí,
06:20
but this time, all we changecambio
is the apparentaparente populationpoblación
111
368790
3478
pero esta vez, lo único que cambiamos
es la población aparente
06:24
from whichcual that evidenceevidencia was drawndibujado.
112
372268
2902
de la que se extrae la evidencia.
06:27
This time, we're going to showespectáculo babiescriaturas
threeTres blueazul ballsbolas
113
375170
3553
Esta vez, mostraremos
a los bebés tres bolas azules
06:30
pulledtirado out of a boxcaja
of mostlyprincipalmente yellowamarillo ballsbolas,
114
378723
3384
sacadas de una caja de pelotas
en su mayoría de color amarillo,
06:34
and guessadivinar what?
115
382107
1322
¿y adivinen qué?
06:35
You [probablyprobablemente won'tcostumbre] randomlyal azar drawdibujar
threeTres blueazul ballsbolas in a rowfila
116
383429
2840
Seguramente no sacarán al azar
tres bolas azules en fila
06:38
out of a boxcaja of mostlyprincipalmente yellowamarillo ballsbolas.
117
386269
2484
de una caja de pelotas
en su mayoría amarillas.
06:40
That is not plausiblyplausiblemente
randomlyal azar sampledmuestreado evidenceevidencia.
118
388753
3747
Eso no es plausible
en muestreos aleatorios.
06:44
That evidenceevidencia suggestssugiere that maybe HyowonHyowon
was deliberatelydeliberadamente samplingmuestreo the blueazul ballsbolas.
119
392500
5123
Esa evidencia sugiere que tal vez Hyowon
tomaba deliberadamente las bolas azules.
06:49
Maybe there's something specialespecial
about the blueazul ballsbolas.
120
397623
2583
Tal vez hay algo especial
con las bolas azules.
06:52
Maybe only the blueazul ballsbolas squeakchirrido.
121
400846
2976
Tal vez solo las bolas azules chirrían.
06:55
Let's see what the babybebé does.
122
403822
1895
Vamos a ver lo que hace el bebé.
06:57
(VideoVídeo) HGHG: See this?
(BallPelota squeakschirridos)
123
405717
2904
(Video) HG: ¿Ves esto?
(Bola chirría)
07:02
See this toyjuguete?
(BallPelota squeakschirridos)
124
410851
2645
¿Ves este juguete?
(Bola chirría)
07:05
Oh, that was coolguay. See?
(BallPelota squeakschirridos)
125
413496
5480
Oh, eso fue genial. ¿Ves?
(Bola chirría)
07:10
Now this one'suno for you to playjugar.
You can go aheadadelante and playjugar.
126
418976
4394
Este es para que juegues.
Puedes jugar.
07:18
(FussingFussing)
(LaughterRisa)
127
426074
6347
(Hace ruidos)
(Risas)
07:26
LSLS: So you just saw
two 15-month-old-mes de edad babiescriaturas
128
434901
2748
LS: Acaban de ver dos bebés
de 15 meses de edad
07:29
do entirelyenteramente differentdiferente things
129
437649
1942
hacer cosas completamente diferentes
07:31
basedbasado only on the probabilityprobabilidad
of the samplemuestra they observedobservado.
130
439591
3599
basados solo en la probabilidad de
la muestra que observaron.
07:35
Let me showespectáculo you the experimentalexperimental resultsresultados.
131
443190
2321
Les enseñaré
los resultados experimentales.
07:37
On the verticalvertical axiseje, you'lltu vas a see
the percentageporcentaje of babiescriaturas
132
445511
2764
En el eje vertical,
verán el porcentaje de bebés
07:40
who squeezedexprimido the ballpelota in eachcada conditioncondición,
133
448275
2530
que apretaron la pelota en cada condición,
07:42
and as you'lltu vas a see, babiescriaturas are much
more likelyprobable to generalizegeneralizar the evidenceevidencia
134
450805
3715
y como verán, los bebés son mucho más
propensos a generalizar las pruebas
07:46
when it's plausiblyplausiblemente representativerepresentante
of the populationpoblación
135
454520
3135
cuando es plausiblemente
representativa de la población
07:49
than when the evidenceevidencia
is clearlyclaramente cherry-pickedescogido.
136
457655
3738
que cuando la evidencia
es claramente escogida.
07:53
And this leadsconduce to a fundivertido predictionpredicción:
137
461393
2415
Y esto lleva a una predicción extraña:
07:55
SupposeSuponer you pulledtirado just one blueazul ballpelota
out of the mostlyprincipalmente yellowamarillo boxcaja.
138
463808
4868
Supongamos que sacamos solo una bola
azul de una caja con mayoría amarilla.
08:00
You [probablyprobablemente won'tcostumbre] pullHalar threeTres blueazul ballsbolas
in a rowfila at randomaleatorio out of a yellowamarillo boxcaja,
139
468896
3869
Probablemente no sacarán tres azules
en fila al azar de una caja de amarillas,
08:04
but you could randomlyal azar samplemuestra
just one blueazul ballpelota.
140
472765
2455
pero se podría solo una bola azul al azar.
08:07
That's not an improbableimprobable samplemuestra.
141
475220
1970
Esa no es una muestra improbable.
08:09
And if you could reachalcanzar into
a boxcaja at randomaleatorio
142
477190
2224
Y si pudieran tomar
una al azar de una caja
08:11
and pullHalar out something that squeakschirridos,
maybe everything in the boxcaja squeakschirridos.
143
479414
3987
y sacar algo que chirría, tal vez
todo en la caja chirriaría.
08:15
So even thoughaunque babiescriaturas are going to see
much lessMenos evidenceevidencia for squeakingchirrido,
144
483875
4445
Así que a pesar de que los bebés verán
mucha menos evidencia de chirridos,
08:20
and have manymuchos fewermenos actionscomportamiento to imitateimitar
145
488320
2242
y tienen muchas menos acciones para imitar
08:22
in this one ballpelota conditioncondición than in
the conditioncondición you just saw,
146
490562
3343
en esta condición de una bola
que es la que van a ver,
08:25
we predictedpredicho that babiescriaturas themselvessí mismos
would squeezeexprimir more,
147
493905
3892
predijimos que los bebés
sí la exprimirían más,
08:29
and that's exactlyexactamente what we foundencontró.
148
497797
2894
y eso es exactamente
lo que encontramos.
08:32
So 15-month-old-mes de edad babiescriaturas,
in this respectel respeto, like scientistscientíficos,
149
500691
4411
Los bebés de 15 meses de edad, en este
sentido, al igual que los científicos,
08:37
carecuidado whethersi evidenceevidencia
is randomlyal azar sampledmuestreado or not,
150
505102
3088
tienen cuidado de si la evidencia
es de una muestra al azar o no,
08:40
and they use this to developdesarrollar
expectationsesperanzas de heredar about the worldmundo:
151
508190
3507
y utilizan esto para desarrollar
expectativas sobre el mundo:
08:43
what squeakschirridos and what doesn't,
152
511697
2182
que chirría y que no,
08:45
what to exploreexplorar and what to ignoreignorar.
153
513879
3145
qué explorar y qué ignorar.
08:50
Let me showespectáculo you anotherotro exampleejemplo now,
154
518384
2066
Les mostraré otro ejemplo,
08:52
this time about a problemproblema
of causalcausal reasoningrazonamiento.
155
520450
2730
sobre un problema
de razonamiento causal.
Comienza con un problema
confuso de evidencia
08:55
And it startsempieza with a problemproblema
of confoundedaturdido evidenceevidencia
156
523180
2439
08:57
that all of us have,
157
525619
1672
que todos tenemos,
08:59
whichcual is that we are partparte of the worldmundo.
158
527291
2020
que es que somos parte del mundo.
09:01
And this mightpodría not seemparecer like a problemproblema
to you, but like mostmás problemsproblemas,
159
529311
3436
Puede no parecer un problema,
pero como la mayoría de los problemas,
09:04
it's only a problemproblema when things go wrongincorrecto.
160
532747
2337
es solo un problema
cuando las cosas van mal.
09:07
Take this babybebé, for instanceejemplo.
161
535464
1811
Tomen este bebé, por ejemplo.
09:09
Things are going wrongincorrecto for him.
162
537275
1705
Las cosas van mal para él.
09:10
He would like to make
this toyjuguete go, and he can't.
163
538980
2271
Le gustaría jugar con este juguete,
y no puede.
09:13
I'll showespectáculo you a few-secondpocos segundos clipacortar.
164
541251
2529
Les mostraré unos pocos segundos del clip.
09:21
And there's two possibilitiesposibilidades, broadlyen general:
165
549340
1920
Hay dos grandes posibilidades:
09:23
Maybe he's doing something wrongincorrecto,
166
551260
2634
Tal vez él está haciendo algo mal,
09:25
or maybe there's something
wrongincorrecto with the toyjuguete.
167
553894
4216
o tal vez hay algo mal con el juguete.
09:30
So in this nextsiguiente experimentexperimentar,
168
558110
2111
Así que en el siguiente experimento,
09:32
we're going to give babiescriaturas
just a tinyminúsculo bitpoco of statisticalestadístico datadatos
169
560221
3297
daremos a los bebés solo
unos pocos datos estadísticos
09:35
supportingsecundario one hypothesishipótesis over the other,
170
563518
2582
para apoyar una hipótesis sobre la otra,
09:38
and we're going to see if babiescriaturas
can use that to make differentdiferente decisionsdecisiones
171
566100
3455
y veremos si pueden usarlos
para tomar decisiones diferentes
09:41
about what to do.
172
569555
1834
acerca de qué hacer.
09:43
Here'sAquí está the setuppreparar.
173
571389
2022
Aquí está la configuración.
09:46
HyowonHyowon is going to try to make
the toyjuguete go and succeedtener éxito.
174
574071
3030
Hyowon intentará que
el juguete funcione y tenga éxito.
09:49
I am then going to try twicedos veces
and failfallar bothambos timesveces,
175
577101
3320
Yo a continuación lo intentaré
dos veces y fallaré en ambas,
09:52
and then HyowonHyowon is going
to try again and succeedtener éxito,
176
580421
3112
y luego Hyowon lo intentará de nuevo
y tendrá éxito,
09:55
and this roughlyaproximadamente sumssumas up my relationshiprelación
to my graduategraduado studentsestudiantes
177
583533
3172
lo que resume casi mi relación
con mis estudiantes de posgrado
09:58
in technologytecnología acrossa través de the boardtablero.
178
586705
2835
en tecnología en todos los ámbitos.
10:02
But the importantimportante pointpunto here is
it providesproporciona a little bitpoco of evidenceevidencia
179
590030
3292
Pero el punto importante aquí es
que proporciona algo de evidencia
10:05
that the problemproblema isn't with the toyjuguete,
it's with the personpersona.
180
593322
3668
que el problema no es con el juguete,
que es con la persona.
10:08
Some people can make this toyjuguete go,
181
596990
2350
Algunos pueden
hacer funcionar este juguete,
10:11
and some can't.
182
599340
959
y otros no pueden.
10:12
Now, when the babybebé getsse pone the toyjuguete,
he's going to have a choiceelección.
183
600799
3413
Cuando el bebé recibe el juguete,
optará por una alternativa.
10:16
His mommamá is right there,
184
604212
2188
Su mamá está ahí,
10:18
so he can go aheadadelante and handmano off the toyjuguete
and changecambio the personpersona,
185
606400
3315
para que pueda continuar
y cambiar a la persona,
10:21
but there's alsoademás going to be
anotherotro toyjuguete at the endfin of that clothpaño,
186
609715
3158
pero también habrá
otro juguete al final de esa tela,
10:24
and he can pullHalar the clothpaño towardshacia him
and changecambio the toyjuguete.
187
612873
3552
y él puede tirar de la tela hacia él
y cambiar el juguete.
10:28
So let's see what the babybebé does.
188
616425
2090
Así que veamos qué hace el bebé.
10:30
(VideoVídeo) HGHG: Two, threeTres. Go!
(MusicMúsica)
189
618515
4183
(Video) HG: Dos, tres. ¡Adelante!
(Música)
10:34
LSLS: One, two, threeTres, go!
190
622698
3131
LS: Uno, dos, tres, ¡ya!
10:37
ArthurArturo, I'm going to try again.
One, two, threeTres, go!
191
625829
7382
Arthur, voy a intentarlo de nuevo.
Uno, dos, tres, ¡ya!
10:45
YGYG: ArthurArturo, let me try again, okay?
192
633677
2600
YG: Arthur, déjame intentarlo de nuevo,
¿de acuerdo?
10:48
One, two, threeTres, go!
(MusicMúsica)
193
636277
4550
Uno, dos, tres, ¡ya!
(Música)
10:53
Look at that. RememberRecuerda these toysjuguetes?
194
641583
1883
Mira eso. ¿Recuerdas estos juguetes?
10:55
See these toysjuguetes? Yeah, I'm going
to put this one over here,
195
643466
3264
¿Ves estos juguetes?
Sí, voy a poner este aquí,
10:58
and I'm going to give this one to you.
196
646730
2062
y te voy a dar este.
11:00
You can go aheadadelante and playjugar.
197
648792
2335
Puede jugar.
11:23
LSLS: Okay, LauraLaura, but of coursecurso,
babiescriaturas love theirsu mommiesmamás.
198
671213
4737
BT: Bueno, Laura, pero, por supuesto,
los bebés aman a sus mamás.
11:27
Of coursecurso babiescriaturas give toysjuguetes
to theirsu mommiesmamás
199
675950
2182
Claro, los bebés
dan juguetes a sus mamás
11:30
when they can't make them work.
200
678132
2030
cuando no pueden hacer que funcionen.
11:32
So again, the really importantimportante questionpregunta
is what happenssucede when we changecambio
201
680162
3593
De nuevo, la pregunta realmente
importante es qué sucede cuando cambiamos
11:35
the statisticalestadístico datadatos ever so slightlyligeramente.
202
683755
3154
los datos estadísticos ligeramente.
11:38
This time, babiescriaturas are going to see the toyjuguete
work and failfallar in exactlyexactamente the samemismo orderorden,
203
686909
4087
Esta vez, los bebés verán el juguete
funcionar y fallar en el mismo orden,
11:42
but we're changingcambiando
the distributiondistribución of evidenceevidencia.
204
690996
2415
pero cambiamos la distribución
de las pruebas.
11:45
This time, HyowonHyowon is going to succeedtener éxito
onceuna vez and failfallar onceuna vez, and so am I.
205
693411
4411
Esta vez, Hyowon tendrá éxito una vez
y fallará otra, y yo también
11:49
And this suggestssugiere it doesn't matterimportar
who triesintentos this toyjuguete, the toyjuguete is brokenroto.
206
697822
5637
Y esto sugiere que no importa quién usa
el juguete, el juguete falla.
11:55
It doesn't work all the time.
207
703459
1886
No funciona todo el tiempo.
11:57
Again, the baby'sbebé going to have a choiceelección.
208
705345
1965
Una vez más,
el bebé tendrá una elección.
11:59
Her mommamá is right nextsiguiente to her,
so she can changecambio the personpersona,
209
707310
3396
Su mamá está justo al lado, para que
ella pueda cambiar a la persona,
12:02
and there's going to be anotherotro toyjuguete
at the endfin of the clothpaño.
210
710706
3204
y habrá otro juguete al final de la tela.
12:05
Let's watch what she does.
211
713910
1378
Vamos a ver lo que hace.
12:07
(VideoVídeo) HGHG: Two, threeTres, go!
(MusicMúsica)
212
715288
4348
(Video) HG: Dos, tres, ¡ya!
(Música)
12:11
Let me try one more time.
One, two, threeTres, go!
213
719636
4984
Déjame intentarlo una vez más.
Uno, dos, tres, ¡ya!
12:17
HmmHmm.
214
725460
1697
Hmm.
12:19
LSLS: Let me try, ClaraClara.
215
727950
2692
LS: Déjame intentar, Clara.
12:22
One, two, threeTres, go!
216
730642
3945
Uno, dos, tres, ¡ya!
12:27
HmmHmm, let me try again.
217
735265
1935
Hmm, déjame intentarlo de nuevo.
12:29
One, two, threeTres, go!
(MusicMúsica)
218
737200
5670
Uno, dos, tres, ¡ya!
(Música)
12:35
HGHG: I'm going
to put this one over here,
219
743009
2233
HG: Voy a poner este por aquí,
12:37
and I'm going to give this one to you.
220
745242
2001
y te voy a dar éste.
12:39
You can go aheadadelante and playjugar.
221
747243
3597
Puedes usarlo y jugar.
12:58
(ApplauseAplausos)
222
766376
4897
(Aplausos)
13:04
LSLS: Let me showespectáculo you
the experimentalexperimental resultsresultados.
223
772993
2392
LS: Les mostrará
los resultados experimentales.
13:07
On the verticalvertical axiseje,
you'lltu vas a see the distributiondistribución
224
775385
2475
En el eje vertical, verán la distribución
13:09
of children'spara niños choiceselecciones in eachcada conditioncondición,
225
777860
2577
de opciones de los niños
en cada condición,
13:12
and you'lltu vas a see that the distributiondistribución
of the choiceselecciones childrenniños make
226
780437
4551
y verán que la distribución
de las opciones de los niños
13:16
dependsdepende on the evidenceevidencia they observeobservar.
227
784988
2787
dependen de los ensayos que observan.
13:19
So in the secondsegundo yearaño of life,
228
787775
1857
Así, en el segundo año de vida,
13:21
babiescriaturas can use a tinyminúsculo bitpoco
of statisticalestadístico datadatos
229
789632
2577
los bebés pueden usar
algo de los datos estadísticos
13:24
to decidedecidir betweenEntre two
fundamentallyfundamentalmente differentdiferente strategiesestrategias
230
792209
3367
para decidir entre dos estrategias
fundamentalmente diferentes
13:27
for actinginterino in the worldmundo:
231
795576
1881
para actuar en el mundo:
13:29
askingpreguntando for help and exploringexplorador.
232
797457
2743
pedir ayuda y explorar.
13:33
I've just shownmostrado you
two laboratorylaboratorio experimentsexperimentos
233
801700
3434
Acabo de mostrarles
dos experimentos de laboratorio
13:37
out of literallyliteralmente hundredscientos in the fieldcampo
that make similarsimilar pointspuntos,
234
805134
3691
de literalmente cientos en el campo
que llegan a resultados similares,
13:40
because the really criticalcrítico pointpunto
235
808825
2392
debido a que el punto realmente crítico es
13:43
is that children'spara niños abilitycapacidad
to make richRico inferencesinferencias from sparseescaso datadatos
236
811217
5108
que la capacidad de los niños para hacer
inferencias a partir de datos escasos
13:48
underliessubyacente all the species-specificespecie-específica
culturalcultural learningaprendizaje that we do.
237
816325
5341
subyace a todo el aprendizaje cultural
específico de la especie.
13:53
ChildrenNiños learnaprender about newnuevo toolsherramientas
from just a fewpocos examplesejemplos.
238
821666
4597
Los niños aprenden nuevas herramientas
a partir de solo algunos ejemplos.
13:58
They learnaprender newnuevo causalcausal relationshipsrelaciones
from just a fewpocos examplesejemplos.
239
826263
4717
Aprenden nuevas relaciones causales
a partir de solo algunos ejemplos.
14:03
They even learnaprender newnuevo wordspalabras,
in this casecaso in Americanamericano SignFirmar LanguageIdioma.
240
831928
4871
Incluso aprenden nuevas palabras, en este
caso en el lenguaje de señas americano.
14:08
I want to closecerca with just two pointspuntos.
241
836799
2311
Quiero cerrar con solo dos puntos.
14:12
If you've been followingsiguiendo my worldmundo,
the fieldcampo of braincerebro and cognitivecognitivo sciencesciencias,
242
840050
3688
Si han seguido mi mundo, el campo
de las ciencias cerebrales y cognitivas,
14:15
for the pastpasado fewpocos yearsaños,
243
843738
1927
en los últimos años,
14:17
threeTres biggrande ideasideas will have come
to your attentionatención.
244
845665
2415
tres grandes ideas
habrán llamado su atención.
14:20
The first is that this is
the eraera of the braincerebro.
245
848080
3436
La primera es que esta
es la era del cerebro.
14:23
And indeeden efecto, there have been
staggeringasombroso discoveriesdescubrimientos in neuroscienceneurociencia:
246
851516
3669
Y, en efecto, ha habido descubrimientos
asombrosos en neurociencia:
14:27
localizinglocalizando functionallyfuncionalmente specializedespecializado
regionsregiones of cortexcorteza,
247
855185
3436
localización de regiones funcionalmente
especializados de la corteza,
14:30
turningtorneado mouseratón brainssesos transparenttransparente,
248
858621
2601
logrando cerebros de ratón transparentes,
14:33
activatingactivando neuronsneuronas with lightligero.
249
861222
3776
la activación de las neuronas con la luz.
14:36
A secondsegundo biggrande ideaidea
250
864998
1996
Una segunda gran idea
14:38
is that this is the eraera of biggrande datadatos
and machinemáquina learningaprendizaje,
251
866994
4104
es que esta es la era de los grandes
datos y el aprendizaje automático,
14:43
and machinemáquina learningaprendizaje promisespromesas
to revolutionizerevolucionar our understandingcomprensión
252
871098
3141
y las máquinas que aprenden prometen
revolucionar nuestra comprensión
14:46
of everything from socialsocial networksredes
to epidemiologyepidemiología.
253
874239
4667
de todo, desde las redes sociales
a la epidemiología.
14:50
And maybe, as it tacklesaborda problemsproblemas
of sceneescena understandingcomprensión
254
878906
2693
Tal vez, al afrontar problemas
de la escena comprensión
14:53
and naturalnatural languageidioma processingtratamiento,
255
881599
1993
y el procesamiento del lenguaje natural,
14:55
to tell us something
about humanhumano cognitioncognición.
256
883592
3324
nos diga algo sobre la cognición humana.
14:59
And the finalfinal biggrande ideaidea you'lltu vas a have heardoído
257
887756
1937
Y la gran idea final que habrán oído
15:01
is that maybe it's a good ideaidea we're going
to know so much about brainssesos
258
889693
3387
es que tal vez es una buena idea que
vamos a saber tanto de cerebros
15:05
and have so much accessacceso to biggrande datadatos,
259
893080
1917
y tener tanto acceso a grandes datos,
15:06
because left to our ownpropio devicesdispositivos,
260
894997
2507
porque dejaremos a
nuestros propios dispositivos,
15:09
humanshumanos are falliblefalible, we take shortcutsatajos,
261
897504
3831
los seres humanos son falibles,
tomamos atajos,
15:13
we errerrar, we make mistakeserrores,
262
901335
3437
erramos, cometemos errores,
15:16
we're biasedparcial, and in innumerableinnumerable waysformas,
263
904772
3684
estamos sesgados,
y en innumerables formas,
15:20
we get the worldmundo wrongincorrecto.
264
908456
2969
obtenemos el mundo equivocado.
15:24
I think these are all importantimportante storiescuentos,
265
912843
2949
Creo que estas son todas
historias importantes,
15:27
and they have a lot to tell us
about what it meansmedio to be humanhumano,
266
915792
3785
y tienen mucho que decirnos
acerca de lo que significa ser humano,
15:31
but I want you to noteNota that todayhoy
I told you a very differentdiferente storyhistoria.
267
919577
3529
pero tengan en cuenta que hoy
les conté una historia muy diferente.
15:35
It's a storyhistoria about mindsmentes and not brainssesos,
268
923966
3807
Es una historia acerca de la mente
y no del cerebro,
15:39
and in particularespecial, it's a storyhistoria
about the kindsclases of computationscálculos
269
927773
3006
y, en particular, es una historia
sobre los tipos de cálculos
15:42
that uniquelysingularmente humanhumano mindsmentes can performrealizar,
270
930779
2590
que las mentes humanas pueden realizar
de forma única,
15:45
whichcual involveinvolucrar richRico, structuredestructurado knowledgeconocimiento
and the abilitycapacidad to learnaprender
271
933369
3944
que implican, ricos conocimientos
estructurados y capacidad de aprender
15:49
from smallpequeña amountscantidades of datadatos,
the evidenceevidencia of just a fewpocos examplesejemplos.
272
937313
5268
desde pequeñas cantidades de datos,
la evidencia de unos pocos ejemplos.
15:56
And fundamentallyfundamentalmente, it's a storyhistoria
about how startingcomenzando as very smallpequeña childrenniños
273
944301
4299
Y fundamentalmente, es una historia sobre
cómo iniciar a los niños muy pequeños
16:00
and continuingcontinuo out all the way
to the greatestmejor accomplishmentslogros
274
948600
4180
y continuar hasta el final
a los más grandes logros
16:04
of our culturecultura,
275
952780
3843
de nuestra cultura,
16:08
we get the worldmundo right.
276
956623
1997
tenemos al mundo bien.
16:12
FolksGente, humanhumano mindsmentes do not only learnaprender
from smallpequeña amountscantidades of datadatos.
277
960433
5267
La mente humana no solo aprende
de pequeñas cantidades de datos.
16:18
HumanHumano mindsmentes think
of altogetheren total newnuevo ideasideas.
278
966285
2101
Las mentes humanas piensan nuevas ideas.
16:20
HumanHumano mindsmentes generategenerar
researchinvestigación and discoverydescubrimiento,
279
968746
3041
Las mentes humanas generan
investigación y descubrimiento,
16:23
and humanhumano mindsmentes generategenerar
artart and literatureliteratura and poetrypoesía and theaterteatro,
280
971787
5273
y las mentes humanas producen arte
y literatura y poesía y teatro,
16:29
and humanhumano mindsmentes take carecuidado of other humanshumanos:
281
977070
3760
y las mentes humanas
cuidan de otros seres humanos:
16:32
our oldantiguo, our youngjoven, our sickenfermos.
282
980830
3427
nuestros mayores, nuestros jóvenes,
nuestros enfermos.
16:36
We even healsanar them.
283
984517
2367
Incluso nos sana.
16:39
In the yearsaños to come, we're going
to see technologicaltecnológico innovationsinnovaciones
284
987564
3103
En los próximos años, veremos
las innovaciones tecnológicas
16:42
beyondmás allá anything I can even envisionguardar,
285
990667
3797
incluso más allá de lo
que yo pueda imaginar,
16:46
but we are very unlikelyimprobable
286
994464
2150
pero es muy poco probable
16:48
to see anything even approximatingaproximándose
the computationalcomputacional powerpoder of a humanhumano childniño
287
996614
5709
ver cualquier cosa, incluso aproximarse a
la potencia de cálculo de un niño humano
16:54
in my lifetimetoda la vida or in yourstuya.
288
1002323
4298
en mi vida o en la suya.
16:58
If we investinvertir in these mostmás powerfulpoderoso
learnersaprendices and theirsu developmentdesarrollo,
289
1006621
5047
Si invertimos en estos más
poderosos alumnos y en su desarrollo,
17:03
in babiescriaturas and childrenniños
290
1011668
2917
en los bebés y niños
17:06
and mothersmadres and fatherspadres
291
1014585
1826
y madres y padres
17:08
and caregiverscuidadores and teachersprofesores
292
1016411
2699
y cuidadores y maestros
17:11
the waysformas we investinvertir in our other
mostmás powerfulpoderoso and elegantelegante formsformularios
293
1019110
4170
en la forma en que invertimos en nuestras
otras formas más poderosas y elegantes
17:15
of technologytecnología, engineeringIngenieria and designdiseño,
294
1023280
3218
de tecnología, ingeniería y diseño,
17:18
we will not just be dreamingsoñando
of a better futurefuturo,
295
1026498
2939
no vamos simplemente a estar soñando
con un futuro mejor,
estaremos planeando para uno.
17:21
we will be planningplanificación for one.
296
1029437
2127
17:23
Thank you very much.
297
1031564
2345
Muchas gracias.
17:25
(ApplauseAplausos)
298
1033909
3421
(Aplausos)
17:29
ChrisChris AndersonAnderson: LauraLaura, thank you.
I do actuallyactualmente have a questionpregunta for you.
299
1037810
4426
Chris Anderson: Laura, gracias. En
realidad tengo una pregunta.
17:34
First of all, the researchinvestigación is insaneinsano.
300
1042236
2359
En primer lugar,
la investigación es una locura.
17:36
I mean, who would designdiseño
an experimentexperimentar like that? (LaughterRisa)
301
1044595
3725
Quiero decir, ¿quién diseñaría un
experimento como ese? (Risas)
17:41
I've seenvisto that a couplePareja of timesveces,
302
1049150
1790
Los he visto un par de veces,
17:42
and I still don't honestlyhonestamente believe
that that can trulyverdaderamente be happeningsucediendo,
303
1050940
3222
y todavía honestamente no creo que
realmente esté pasando,
17:46
but other people have donehecho
similarsimilar experimentsexperimentos; it checkscheques out.
304
1054162
3158
pero otras personas han hecho
experimentos similares; revisen.
17:49
The babiescriaturas really are that geniusgenio.
305
1057320
1633
Los bebés son realmente genios.
17:50
LSLS: You know, they look really impressiveimpresionante
in our experimentsexperimentos,
306
1058953
3007
LS: Se ven realmente
impresionantes en nuestros experimentos,
17:53
but think about what they
look like in realreal life, right?
307
1061960
2652
pero piensa en cómo se ven
en la vida real, ¿verdad?
17:56
It startsempieza out as a babybebé.
308
1064612
1150
Empiezan como un bebé.
17:57
EighteenDieciocho monthsmeses laterluego,
it's talkinghablando to you,
309
1065762
2007
18 meses más tarde,
hablan contigo,
17:59
and babies'criaturas' first wordspalabras aren'tno son just
things like ballsbolas and duckspatos,
310
1067769
3041
y las primeras palabras no son solo
cosas como pelotas y patos,
18:02
they're things like "all goneido,"
whichcual referreferir to disappearancedesaparición,
311
1070810
2881
son cosas como "se acabó",
que se refieren a desaparición,
18:05
or "uh-ohUH oh," whichcual referreferir
to unintentionalinvoluntario actionscomportamiento.
312
1073691
2283
o "uh-oh", para acciones intencionales.
18:07
It has to be that powerfulpoderoso.
313
1075974
1562
Tiene que ser tan poderoso.
18:09
It has to be much more powerfulpoderoso
than anything I showedmostró you.
314
1077536
2775
Tiene que ser mucho más poderoso
que cualquier otra cosa.
18:12
They're figuringfigurando out the entiretodo worldmundo.
315
1080311
1974
Están averiguando el mundo entero.
18:14
A four-year-oldcuatro años de edad can talk to you
about almostcasi anything.
316
1082285
3144
Un niño de 4 años,
puede hablarte de casi cualquier cosa.
18:17
(ApplauseAplausos)
317
1085429
1601
(Aplausos)
18:19
CACalifornia: And if I understandentender you right,
the other keyllave pointpunto you're makingfabricación is,
318
1087030
3414
CA: ¿Y te he entendido bien, el otro
punto clave que estás haciendo es,
18:22
we'venosotros tenemos been throughmediante these yearsaños
where there's all this talk
319
1090444
2754
que hemos pasado estos años
donde hay todas estas charlas
18:25
of how quirkypeculiar and buggycalesa our mindsmentes are,
320
1093198
1932
de lo rara y loca
que es nuestra mente,
18:27
that behavioralcomportamiento economicsciencias económicas
and the wholetodo theoriesteorías behinddetrás that
321
1095130
2867
la economía del comportamiento
y las teorías subyacentes
18:29
that we're not rationalracional agentsagentes.
322
1097997
1603
de que no somos agentes racionales.
18:31
You're really sayingdiciendo that the biggermás grande
storyhistoria is how extraordinaryextraordinario,
323
1099600
4216
Realmente dices que la historia
más grande es lo extraordinario,
18:35
and there really is geniusgenio there
that is underappreciatedsubestimado.
324
1103816
4944
y que en realidad
es el genio que es poco apreciado.
18:40
LSLS: One of my favoritefavorito
quotescitas in psychologypsicología
325
1108760
2070
LS: Una de mis citas favoritas
de psicología
18:42
comesproviene from the socialsocial
psychologistpsicólogo SolomonSolomon AschAsch,
326
1110830
2290
proviene del psicólogo social
Solomon Asch, quien dijo
18:45
and he said the fundamentalfundamental tasktarea
of psychologypsicología is to removeretirar
327
1113120
2807
que la tarea fundamental
de la psicología es quitar
18:47
the veilvelo of self-evidenceevidencia propia from things.
328
1115927
2626
el velo de la autoevidencia de las cosas.
18:50
There are orderspedidos of magnitudemagnitud
more decisionsdecisiones you make everycada day
329
1118553
4551
Hay órdenes de magnitud,
más decisiones que tomar cada día
18:55
that get the worldmundo right.
330
1123104
1347
que logran un buen mundo.
18:56
You know about objectsobjetos
and theirsu propertiespropiedades.
331
1124451
2132
Sabes de los objetos y sus propiedades.
18:58
You know them when they're occludedocluido.
You know them in the darkoscuro.
332
1126583
3029
Los conoces cuando están ocultos.
Los conoces en la oscuridad.
19:01
You can walkcaminar throughmediante roomshabitaciones.
333
1129612
1308
Puedes caminar por salas.
19:02
You can figurefigura out what other people
are thinkingpensando. You can talk to them.
334
1130920
3532
Puedes averiguar qué están pensando
otros. Puedes hablar con ellos.
19:06
You can navigatenavegar spaceespacio.
You know about numbersnúmeros.
335
1134452
2230
Navegas por el espacio.
Sabes sobre números.
19:08
You know causalcausal relationshipsrelaciones.
You know about moralmoral reasoningrazonamiento.
336
1136682
3022
Sabes las relaciones causales.
Y sobre el razonamiento moral.
19:11
You do this effortlesslysin esfuerzo,
so we don't see it,
337
1139704
2356
Lo haces sin esfuerzo, así que no lo ves,
19:14
but that is how we get the worldmundo right,
and it's a remarkablenotable
338
1142060
2912
pero así es como conseguimos
un buen mundo, y es un notable
19:16
and very difficult-to-understanddifícil de comprender
accomplishmentlogro.
339
1144972
2318
y logros muy difíciles de entender.
19:19
CACalifornia: I suspectsospechar there are people
in the audienceaudiencia who have
340
1147290
2628
CA: Sospecho que hay gente
en la audiencia que tiene
19:21
this viewver of acceleratingacelerador
technologicaltecnológico powerpoder
341
1149918
2238
la visión de la aceleración tecnológica
19:24
who mightpodría disputedisputa your statementdeclaración
that never in our lifetimesvidas
342
1152156
2958
que podría controvertir tu afirmación
de que en nuestras vidas
19:27
will a computercomputadora do what
a three-year-oldtres años childniño can do,
343
1155114
2618
una computadora no hará lo que un niño
de tres años puede hacer,
19:29
but what's clearclaro is that in any scenarioguión,
344
1157732
3248
pero lo que está claro
es que en cualquier escenario,
19:32
our machinesmáquinas have so much to learnaprender
from our toddlersniños pequeños.
345
1160980
3770
nuestras máquinas tienen mucho
que aprender de nuestros niños.
19:38
LSLS: I think so. You'llUsted have some
machinemáquina learningaprendizaje folksamigos up here.
346
1166230
3216
LS: Creo que sí. Habrá máquinas
de aprendizaje automático.
19:41
I mean, you should never betapuesta
againsten contra babiescriaturas or chimpanzeeschimpancés
347
1169446
4203
Quiero decir, nunca debe apostar
en contra de los bebés o los chimpancés
19:45
or technologytecnología as a matterimportar of practicepráctica,
348
1173649
3645
o la tecnología como
una cuestión de práctica,
19:49
but it's not just
a differencediferencia in quantitycantidad,
349
1177294
4528
pero no se trata solo
de una diferencia en la cantidad,
19:53
it's a differencediferencia in kindtipo.
350
1181822
1764
es una diferencia en cualidad.
19:55
We have incrediblyincreíblemente powerfulpoderoso computersordenadores,
351
1183586
2160
Tenemos computadoras muy potentes,
19:57
and they do do amazinglyespantosamente
sophisticatedsofisticado things,
352
1185746
2391
y las hacen hacer cosas
muy sofisticadas,
20:00
oftena menudo with very biggrande amountscantidades of datadatos.
353
1188137
3204
a menudo con muy grandes
cantidades de datos.
20:03
HumanHumano mindsmentes do, I think,
something quitebastante differentdiferente,
354
1191341
2607
Las mentes humanas hacen,
creo, algo muy distinto,
20:05
and I think it's the structuredestructurado,
hierarchicaljerárquico naturenaturaleza of humanhumano knowledgeconocimiento
355
1193948
3895
y creo que es la naturaleza estructurada
y jerárquica del conocimiento humano
20:09
that remainspermanece a realreal challengereto.
356
1197843
2032
lo que sigue siendo un verdadero desafío.
20:11
CACalifornia: LauraLaura SchulzSchulz, wonderfulmaravilloso
foodcomida for thought. Thank you so much.
357
1199875
3061
CA: Laura Schulz, maravilloso alimento
para la reflexión. Muchas gracias.
20:14
LSLS: Thank you.
(ApplauseAplausos)
358
1202936
2922
LS: Gracias.
(Aplausos)
Translated by Ciro Gomez
Reviewed by Lidia Cámara de la Fuente

▲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