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

Laura Schulz: Les esprits étonnamment logiques des bébés

Filmed
Views 1,632,838

Comment les bébés apprennent-ils tellement de si peu si rapidement ? Dans cet amusant Talk riche d’expériences, la scientifique cognitive Laura Schulz démontre comment nos plus jeunes prennent des décisions avec un sens de la logique étonnamment fort, bien avant même qu’ils ne puissent parler.

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

Mark Twain a résumé
ce que je considère être
00:12
MarkMark TwainTWAIN summedsommé up
what I take to be
un des problèmes fondamentaux
de la science cognitive
00:14
one of the fundamentalfondamental problemsproblèmes
of cognitivecognitif sciencescience
avec une plaisanterie unique.
00:18
with a singleunique witticismboutade.
Il a dit, « La science
a quelque chose de fascinant.
00:20
He said, "There's something
fascinatingfascinant about sciencescience.
On reçoit des retours en masse
de conjecture
00:23
One getsobtient suchtel wholesalevente en gros
returnsrésultats of conjectureconjecture
sur un investissement
aussi insignifiant en soi. »
00:26
out of suchtel a triflinginsignifiante
investmentinvestissement in factfait."
(Rires)
00:29
(LaughterRires)
C'était une plaisanterie,
bien-sûr, mais Twain a raison :
00:32
TwainTWAIN meantsignifiait it as a jokeblague,
of coursecours, but he's right:
la science a quelque chose de fascinant.
00:34
There's something
fascinatingfascinant about sciencescience.
De quelques os, nous déduisons
l’existence des dinosaures.
00:37
From a fewpeu bonesdes os, we inferinférer
the existenceexistence of dinosuarsdinosuars.
De raies spectrales,
la composition des nébuleuses.
00:42
From spectralspectral lineslignes,
the compositioncomposition of nebulaenébuleuses.
De mouches à fruits,
00:47
From fruitfruit fliesmouches,
les mécanismes de l'hérédité,
00:50
the mechanismsmécanismes of heredityhérédité,
et d’images reconstituées
de sang circulant dans le cerveau,
00:53
and from reconstructedreconstruit imagesimages
of blooddu sang flowingécoulement throughpar the braincerveau,
ou dans mon cas, du comportement
de très jeunes enfants,
00:57
or in my caseCas, from the behaviorcomportement
of very youngJeune childrenles enfants,
nous essayons de dire
quelque chose à propos
01:02
we try to say something about
the fundamentalfondamental mechanismsmécanismes
des mécanismes fondamentaux
de la cognition humaine.
01:05
of humanHumain cognitioncognition.
Surtout dans mon laboratoire
01:07
In particularparticulier, in my lablaboratoire in the Department
of BrainCerveau and CognitiveCognitive SciencesSciences at MITMIT,
du Département du Cerveau
et Sciences Cognitives au MIT,
j’ai passé la dernière décennie
essayant de comprendre
01:12
I have spentdépensé the pastpassé decadedécennie
tryingen essayant to understandcomprendre the mysterymystère
le mystère derrière lequel
01:16
of how childrenles enfants learnapprendre so much
from so little so quicklyrapidement.
les enfants apprennent tellement
à partir de si peu si rapidement.
Parce qu'en fait, ce qui est fascinant
à propos de la science
01:20
Because, it turnsse tourne out that
the fascinatingfascinant thing about sciencescience
fascine aussi à propos des enfants,
01:23
is alsoaussi a fascinatingfascinant
thing about childrenles enfants,
et donc la touche
légère de Mark Twain,
01:27
whichlequel, to put a gentlerplus doux
spintourner on MarkMark TwainTWAIN,
est précisément leur capacité
01:29
is preciselyprécisément theirleur abilitycapacité
to drawdessiner richriches, abstractabstrait inferencesinférences
de tirer des conclusions
riches, abstraites,
avec rapidité et avec précision
à partir de données éparses, bruitées.
01:34
rapidlyrapidement and accuratelyavec précision
from sparseclairsemée, noisybruyant dataLes données.
Je vais vous donner
deux exemples aujourd’hui.
01:40
I'm going to give you
just two examplesexemples todayaujourd'hui.
L’un porte sur un problème
de généralisation,
01:42
One is about a problemproblème of generalizationgénéralisation,
01:45
and the other is about a problemproblème
of causalcausal reasoningraisonnement.
et l’autre sur une problème
de la relation de causalité.
Bien que je parle du travail
dans mon laboratoire,
01:47
And althoughbien que I'm going to talk
about work in my lablaboratoire,
01:50
this work is inspiredinspiré by
and indebtedendettés to a fieldchamp.
ce travail est inspiré par un domaine.
auquel je suis redevable.
Je suis reconnaissante
aux mentors, collègues,
01:53
I'm gratefulreconnaissant to mentorsmentors, colleaguescollègues,
and collaboratorscollaborateurs around the worldmonde.
et collaborateurs
dans le monde entier.
Laissez-moi commencer
par le problème de généralisation.
01:59
Let me startdébut with the problemproblème
of generalizationgénéralisation.
Généraliser à partir
de petits échantillons de données
02:02
GeneralizingEn généralisant from smallpetit sampleséchantillons of dataLes données
is the breadpain and butterbeurre of sciencescience.
est le fer de lance de la science.
Nous sondons une infime
fraction de l'électorat
02:06
We pollsondage a tinyminuscule fractionfraction of the electorateélectorat
et prévoyons le résultat
des élections nationales.
02:09
and we predictprédire the outcomerésultat
of nationalnationale electionsélections.
Nous voyons comment
une poignée de patients
02:12
We see how a handfulpoignée of patientsles patients
respondsrépond to treatmenttraitement in a clinicalclinique trialprocès,
réagit au traitement
d'un essai clinique,
et nous introduisons les médicaments
à un marché national.
02:16
and we bringapporter drugsdrogues to a nationalnationale marketmarché.
Mais cela ne réussit que
si notre échantillon
02:19
But this only workstravaux if our sampleéchantillon
is randomlyau hasard drawntiré from the populationpopulation.
est tiré aléatoirement
à partir de la population.
Si notre échantillon
est trié sur le volet -
02:23
If our sampleéchantillon is cherry-pickedaléatoirement
in some way --
si nous ne sondions
que les électeurs urbains,
02:26
say, we pollsondage only urbanUrbain votersélecteurs,
02:28
or say, in our clinicalclinique trialsessais
for treatmentstraitements for heartcœur diseasemaladie,
ou si, dans nos essais cliniques
pour traitements de maladies cardiaques,
nous ne retenions
que des hommes--
02:32
we includecomprendre only menHommes --
les résultats ne se généraliseront pas
à l’ensemble de population.
02:34
the resultsrésultats maymai not generalizegénéraliser
to the broaderplus large populationpopulation.
Donc les scientifiques se soucient
02:38
So scientistsscientifiques carese soucier whetherqu'il s'agisse evidencepreuve
is randomlyau hasard sampledéchantillonnés or not,
si l'échantillon est aléatoire ou non,
02:42
but what does that have to do with babiesbébés?
mais quel rapport
cela a-t-il avec les bébés?
Eh bien, les bébés doivent généraliser
02:44
Well, babiesbébés have to generalizegénéraliser
from smallpetit sampleséchantillons of dataLes données all the time.
à partir de petits échantillons
de données tout le temps.
Ils voient quelques canards en caoutchouc
et apprennent qu'ils flottent
02:49
They see a fewpeu rubbercaoutchouc duckscanards
and learnapprendre that they floatflotteur,
02:52
or a fewpeu ballsdes balles and learnapprendre that they bounceBounce.
ou quelques balles
et apprennent qu'elles rebondissent.
Et ils découvrent les caractéristiques
des canards et des balles
02:55
And they developdévelopper expectationsattentes
about duckscanards and ballsdes balles
qu'ils vont attendre des canards
en caoutchouc et balles
02:58
that they're going to extendétendre
to rubbercaoutchouc duckscanards and ballsdes balles
pour le restant de leur vie.
03:01
for the restdu repos of theirleur livesvies.
Et les types de généralisations
que les bébés font à ce propos,
03:03
And the kindssortes of generalizationsgénéralisations
babiesbébés have to make about duckscanards and ballsdes balles
ils devront les faire
à propos de presque tout:
03:07
they have to make about almostpresque everything:
des chaussures, navires,
cire à sceller, choux et rois.
03:09
shoeschaussures and shipsnavires and sealingd’étanchéité waxcire
and cabbageschoux and kingsrois.
Les bébés se soucient-ils
de savoir
03:14
So do babiesbébés carese soucier whetherqu'il s'agisse
the tinyminuscule bitbit of evidencepreuve they see
si le peu de preuves
qu'ils observent
03:17
is plausiblyplausiblement representativereprésentant
of a largerplus grand populationpopulation?
représente de manière plausible
l’ensemble de la population?
Allons vérifier.
03:21
Let's find out.
Je vais vous montrer deux films,
03:23
I'm going to showmontrer you two moviesfilms,
un pour chacune des 2 conditions
d'une expérience,
03:25
one from eachchaque of two conditionsconditions
of an experimentexpérience,
et parce que vous n’allez
voir que deux films,
03:27
and because you're going to see
just two moviesfilms,
vous n’allez voir que deux bébés,
03:30
you're going to see just two babiesbébés,
et ils diffèrent l'un de l'autre
de bien des façons.
03:32
and any two babiesbébés differdifférer from eachchaque other
in innumerableinnombrables waysfaçons.
Mais ces bébés, bien-sûr,
03:36
But these babiesbébés, of coursecours,
here standsupporter in for groupsgroupes of babiesbébés,
représentent des groupes de bébés,
03:39
and the differencesdifférences you're going to see
et les différences ici représentent
les différences moyennes
03:41
representreprésenter averagemoyenne groupgroupe differencesdifférences
in babies'XXS behaviorcomportement acrossà travers conditionsconditions.
par groupe dans le comportement des bébés
à travers différentes situations.
Dans chaque film, vous allez voir
qu’un bébé peut-être faire
03:47
In eachchaque moviefilm, you're going to see
a babybébé doing maybe
exactement ce que vous pourriez
attendre de lui qu’il fasse,
03:49
just exactlyexactement what you mightpourrait
expectattendre a babybébé to do,
et nous pouvons difficilement
03:53
and we can hardlyà peine make babiesbébés
more magicalmagique than they alreadydéjà are.
rendre les bébés
plus magiques qu’ils ne sont déjà.
Mais à mon avis,
ce qui est magique,
03:58
But to my mindesprit the magicalmagique thing,
et ce sur quoi je voudrais
attirer votre attention,
04:00
and what I want you to payPayer attentionattention to,
04:02
is the contrastcontraste betweenentre
these two conditionsconditions,
est le contraste entre
ces deux conditions,
parce que le seul élément
qui diffère entre ces deux films
04:05
because the only thing
that differsse distingue betweenentre these two moviesfilms
est la preuve statistique
que les bébés vont observer.
04:08
is the statisticalstatistique evidencepreuve
the babiesbébés are going to observeobserver.
Nous allons montrer aux bébés
une boite de balles bleues et jaunes,
04:13
We're going to showmontrer babiesbébés
a boxboîte of bluebleu and yellowjaune ballsdes balles,
et mon étudiante diplômée, Hyowon Gweon,
maintenant une collègue à Stanford,
04:16
and my then-graduatealors-diplômé studentétudiant,
now colleaguecollègue at Stanford, HyowonHyowon GweonGweon,
04:21
is going to pulltirer threeTrois bluebleu ballsdes balles
in a rowrangée out of this boxboîte,
va tirer trois balles
d’affilée de cette boite,
et en les tirant,
elle va les presser;
04:24
and when she pullstire those ballsdes balles out,
she's going to squeezeécraser them,
les balles vont couiner.
04:27
and the ballsdes balles are going to squeakSqueak.
Et si vous êtes un bébé
c'est comme un Talk TED,
04:29
And if you're a babybébé,
that's like a TEDTED Talk.
on ne fait pas mieux.
04:32
It doesn't get better than that.
(Rires)
04:34
(LaughterRires)
Mais le point important
est qu'il est vraiment facile
04:38
But the importantimportant pointpoint is it's really
easyfacile to pulltirer threeTrois bluebleu ballsdes balles in a rowrangée
de tirer trois
balles bleues d’affilée
04:42
out of a boxboîte of mostlyla plupart bluebleu ballsdes balles.
d'une boîte de balles
surtout bleues.
Vous pourriez le faire
les yeux fermés.
04:44
You could do that with your eyesles yeux closedfermé.
C'est un échantillon aléatoire possible
de cet ensemble.
04:46
It's plausiblyplausiblement a randomau hasard sampleéchantillon
from this populationpopulation.
Et si vous pouvez tirer au hasard
dans une boîte
04:49
And if you can reachatteindre into a boxboîte at randomau hasard
and pulltirer out things that squeakSqueak,
pour en obtenir
des choses qui couinent,
04:53
then maybe everything in the boxboîte squeakscouine.
alors peut-être que
tout dans cette boîte couine.
Les bébés devront donc s’attendre
à ce que les boules jaunes couinent aussi.
04:56
So maybe babiesbébés should expectattendre
those yellowjaune ballsdes balles to squeakSqueak as well.
Les boules jaunes ont
des bâtons amusants au bout,
05:00
Now, those yellowjaune ballsdes balles
have funnydrôle sticksbâtons on the endfin,
donc les bébés peuvent les
utiliser différemment s’ils le veulent.
05:02
so babiesbébés could do other things
with them if they wanted to.
05:05
They could poundlivre them or whackbattre them.
Ils pourraient les lancer ou taper avec.
05:07
But let's see what the babybébé does.
Mais voyons
ce que fait le bébé.
(Vidéo) Hyowon Gweon: Tu vois ceci?
(Couinement)
05:12
(Video) HyowonHyowon GweonGweon: See this?
(BallBall squeakscouine)
(Vidéo) Hyowon Gweon: Tu vois ceci?
(Couinement)
05:16
Did you see that?
(BallBall squeakscouine)
Cool.
05:20
CoolCool.
Tu vois celle-là?
05:24
See this one?
(Couinement)
05:26
(BallBall squeakscouine)
Ouah.
05:28
Wow.
Laura Schulz: Je vous l'avais dit.
(Rires)
05:33
LauraLaura SchulzSchulz: Told you. (LaughsRires)
(Vidéo) HG: Tu vois celle-là?
(Couinement)
05:35
(Video) HGHG: See this one?
(BallBall squeakscouine)
Hé Clara, celle-ci est pour toi.
Vas-y, tu peux jouer avec.
05:39
Hey ClaraClara, this one'sson for you.
You can go aheaddevant and playjouer.
(Rires)
05:51
(LaughterRires)
LS: Je n’ai même pas besoin
de parler, n’est-ce pas?
05:56
LSLS: I don't even have to talk, right?
C’est bien que les bébés
généralisent les propriétés
05:59
All right, it's niceagréable that babiesbébés
will generalizegénéraliser propertiesPropriétés
des balles bleues aux balles jaunes
06:02
of bluebleu ballsdes balles to yellowjaune ballsdes balles,
et il est impressionnant que les bébés
puissent apprendre en nous imitant,
06:03
and it's impressiveimpressionnant that babiesbébés
can learnapprendre from imitatingimiter us,
06:06
but we'venous avons knownconnu those things about babiesbébés
for a very long time.
mais nous savions ça à propos
des bébés depuis très longtemps.
La question vraiment intéressante
06:10
The really interestingintéressant questionquestion
est ce qui arrive si nous leur montrons
exactement la même chose,
06:12
is what happensarrive when we showmontrer babiesbébés
exactlyexactement the sameMême thing,
et que nous sommes sûrs
que c'est le cas,
06:15
and we can ensureassurer it's exactlyexactement the sameMême
because we have a secretsecret compartmentcompartiment
parce qu'on a
un compartiment secret
06:18
and we actuallyréellement pulltirer the ballsdes balles from there,
dans lequel on garde les balles.
Mais cette fois-ci, nous ne changeons
que l'ensemble apparent
06:20
but this time, all we changechangement
is the apparentapparent populationpopulation
dans lequel cette preuve est tirée.
06:24
from whichlequel that evidencepreuve was drawntiré.
Cette fois, nous allons montrer
aux bébés trois balles bleues
06:27
This time, we're going to showmontrer babiesbébés
threeTrois bluebleu ballsdes balles
tirées d’une boite
essentiellement de boules jaunes.
06:30
pulledtiré out of a boxboîte
of mostlyla plupart yellowjaune ballsdes balles,
et devinez quoi ?
06:34
and guessdeviner what?
Vous ne pourriez pas tirer
de manière aléatoire
06:35
You [probablyProbablement won'thabitude] randomlyau hasard drawdessiner
threeTrois bluebleu ballsdes balles in a rowrangée
trois balles bleues d’affilée
d’une boite de balles surtout jaunes.
06:38
out of a boxboîte of mostlyla plupart yellowjaune ballsdes balles.
06:40
That is not plausiblyplausiblement
randomlyau hasard sampledéchantillonnés evidencepreuve.
Ce n’est pas
un échantillon aléatoire probable.
Cette preuve montre que Hyowon
06:44
That evidencepreuve suggestssuggère that maybe HyowonHyowon
was deliberatelydélibérément samplingprélèvement d’échantillons the bluebleu ballsdes balles.
a peut-être intentionnellement
choisi les balles bleues.
Peut-être que les balles bleues
ont quelque chose de spécial.
06:49
Maybe there's something specialspécial
about the bluebleu ballsdes balles.
Peut-être que seules
les balles bleues couinent.
06:52
Maybe only the bluebleu ballsdes balles squeakSqueak.
Voyons voir ce que le bébé fait.
06:55
Let's see what the babybébé does.
(Vidéo) HG: Tu vois ceci?
(Couinement)
06:57
(Video) HGHG: See this?
(BallBall squeakscouine)
Tu vois ce jouet?
(Couinement)
07:02
See this toyjouet?
(BallBall squeakscouine)
Oh, c’était cool.
(Couinement)
07:05
Oh, that was coolcool. See?
(BallBall squeakscouine)
Maintenant, c’est à toi de jouer avec.
Vas-y et joue.
07:10
Now this one'sson for you to playjouer.
You can go aheaddevant and playjouer.
(Agitation)
(Rires)
07:18
(FussingS’agiter)
(LaughterRires)
LS : Vous venez de voir
2 bébés de 15 mois
07:26
LSLS: So you just saw
two 15-month-old-mois-vieux babiesbébés
faire 2 choses
totalement différentes
07:29
do entirelyentièrement differentdifférent things
en s'appuyant sur la probabilité
des échantillons qu’ils ont observés.
07:31
basedbasé only on the probabilityprobabilité
of the sampleéchantillon they observedobservé.
Voici les résultats de l’expérience.
07:35
Let me showmontrer you the experimentalexpérimental resultsrésultats.
07:37
On the verticalverticale axisaxe, you'lltu vas see
the percentagepourcentage of babiesbébés
Sur l’axe vertical, vous verrez
le pourcentage de bébés
qui a pressé la balle
dans chacune des situations,
07:40
who squeezedpressé the ballballon in eachchaque conditioncondition,
et comme vous le constaterez,
07:42
and as you'lltu vas see, babiesbébés are much
more likelyprobable to generalizegénéraliser the evidencepreuve
les bébés généralisent
plus souvent le résultat
quand il représente
un échantillon probable de l'ensemble,
07:46
when it's plausiblyplausiblement representativereprésentant
of the populationpopulation
que quand la preuve
est clairement triée sur le volet.
07:49
than when the evidencepreuve
is clearlyclairement cherry-pickedaléatoirement.
Et ceci mène
à une prédiction amusante:
07:53
And this leadspistes to a funamusement predictionprédiction:
Supposons que vous n’ayez tiré
qu’une seule balle bleue
07:55
Suppose you pulledtiré just one bluebleu ballballon
out of the mostlyla plupart yellowjaune boxboîte.
d'une boîte de boules
essentiellement jaunes.
Vous ne pourriez pas tirer
au hasard 3 balles bleues
08:00
You [probablyProbablement won'thabitude] pulltirer threeTrois bluebleu ballsdes balles
in a rowrangée at randomau hasard out of a yellowjaune boxboîte,
d’une boite de jaunes,
mais vous pourriez ne tirer
au hasard qu’une balle bleue.
08:04
but you could randomlyau hasard sampleéchantillon
just one bluebleu ballballon.
Cela n’est pas
un échantillon improbable.
08:07
That's not an improbableimprobable sampleéchantillon.
08:09
And if you could reachatteindre into
a boxboîte at randomau hasard
Et si vous tirer au hasard dans une boite
08:11
and pulltirer out something that squeakscouine,
maybe everything in the boxboîte squeakscouine.
quelque chose qui couine,
peut-être que tout
dans cette boite couine.
Donc même si les bébés observeront
moins de preuves de couinement,
08:15
So even thoughbien que babiesbébés are going to see
much lessMoins evidencepreuve for squeakinggrincer,
et ont beaucoup
moins d’actions à imiter
08:20
and have manybeaucoup fewermoins actionsactes to imitateimiter
avec une unique balle
08:22
in this one ballballon conditioncondition than in
the conditioncondition you just saw,
qu'avec plusieurs
nous avions prédit que
les bébés eux-mêmes
08:25
we predictedprédit that babiesbébés themselvesse
would squeezeécraser more,
presseront la boule davantage,
et c’est exactement que nous avons trouvé.
08:29
and that's exactlyexactement what we founda trouvé.
Donc les bébés de 15 mois,
à ce sujet, comme les scientifiques,
08:32
So 15-month-old-mois-vieux babiesbébés,
in this respectle respect, like scientistsscientifiques,
se soucient si l'échantillon
est aléatoire ou non.
08:37
carese soucier whetherqu'il s'agisse evidencepreuve
is randomlyau hasard sampledéchantillonnés or not,
Et ils emploient ceci pour développer
leurs attentes du monde :
08:40
and they use this to developdévelopper
expectationsattentes about the worldmonde:
ce qui couine ou ne couine pas,
08:43
what squeakscouine and what doesn't,
quoi explorer et quoi ignorer.
08:45
what to exploreexplorer and what to ignoreignorer.
Un autre exemple maintenant.
08:50
Let me showmontrer you anotherun autre exampleExemple now,
Cette fois sur un problème
de relation de causalité.
08:52
this time about a problemproblème
of causalcausal reasoningraisonnement.
Et il commence par la pensée déconcertante
08:55
And it startsdéparts with a problemproblème
of confoundedconfondu evidencepreuve
que nous avons tous,
08:57
that all of us have,
à savoir que nous faisons partie du monde.
08:59
whichlequel is that we are partpartie of the worldmonde.
Et cela ne vous paraît
peut-être pas problématique
09:01
And this mightpourrait not seemsembler like a problemproblème
to you, but like mostles plus problemsproblèmes,
mais comme tous les problèmes,
09:04
it's only a problemproblème when things go wrongfaux.
ce n'en est un que
quand les choses vont mal.
Prenez ce bébé, par exemple.
09:07
Take this babybébé, for instanceexemple.
Les choses vont mal pour lui.
09:09
Things are going wrongfaux for him.
Il veut faire marcher
ce jouet, mais n’y arrive pas.
09:10
He would like to make
this toyjouet go, and he can't.
Je vais vous montrer un clip
de quelques secondes.
09:13
I'll showmontrer you a few-secondquelques secondes clipagrafe.
Et il y a en fait deux possibilités :
09:21
And there's two possibilitiespossibilités, broadlylargement:
Peut-être fait-il quelque chose de mal,
09:23
Maybe he's doing something wrongfaux,
ou alors il y a quelque chose
de mal avec le jouet.
09:25
or maybe there's something
wrongfaux with the toyjouet.
Donc dans cette prochaine expérience,
09:30
So in this nextprochain experimentexpérience,
nous n’allons donner aux bébés
que quelques données statistiques
09:32
we're going to give babiesbébés
just a tinyminuscule bitbit of statisticalstatistique dataLes données
privilégiant une hypothèse
par rapport à l’autre,
09:35
supportingsoutenir les one hypothesishypothèse over the other,
et nous verrons si les bébés
pourront se baser sur ça
09:38
and we're going to see if babiesbébés
can use that to make differentdifférent decisionsles décisions
pour décider quoi faire.
09:41
about what to do.
Voici la situation.
09:43
Here'sVoici the setupprogramme d’installation.
Hyowon va essayer de faire fonctionner
le jouer et réussir.
09:46
HyowonHyowon is going to try to make
the toyjouet go and succeedréussir.
Je vais ensuite essayer deux fois
et échouer les deux fois,
09:49
I am then going to try twicedeux fois
and failéchouer bothtous les deux timesfois,
et puis Hyowon va
encore essayer et réussir.
09:52
and then HyowonHyowon is going
to try again and succeedréussir,
Ceci résume à peu près
ma relation avec mes étudiants diplômés
09:55
and this roughlygrossièrement sumsdes sommes up my relationshiprelation
to my graduatediplômé studentsélèves
en technologie
à tous les niveaux.
09:58
in technologyLa technologie acrossà travers the boardplanche.
Mais le point important ici est
qu’il fournit un petit peu de preuves
10:02
But the importantimportant pointpoint here is
it providesfournit a little bitbit of evidencepreuve
sur le fait que le
problème n'est pas le jouet,
10:05
that the problemproblème isn't with the toyjouet,
it's with the personla personne.
mais la personne.
Certaines personnes peuvent
faire marcher ce jouet
10:08
Some people can make this toyjouet go,
et d'autres non.
10:11
and some can't.
Donc, quand le bébé reçoit le jouet,
10:12
Now, when the babybébé getsobtient the toyjouet,
he's going to have a choicechoix.
il va avoir le choix.
Sa maman est juste là,
afin qu'il puisse aller de l'avant
10:16
His mommaman is right there,
10:18
so he can go aheaddevant and handmain off the toyjouet
and changechangement the personla personne,
et rendre le jouet
puis changer la personne,
mais il va aussi y avoir
un autre jouet au bout de ce tissu,
10:21
but there's alsoaussi going to be
anotherun autre toyjouet at the endfin of that clothtissu,
et il pourra tirer le tissu vers lui
pour changer de jouet.
10:24
and he can pulltirer the clothtissu towardsvers him
and changechangement the toyjouet.
Alors voyons voir
ce que le bébé fait.
10:28
So let's see what the babybébé does.
(Vidéo) HG : Deux, trois. Partez!
(Musique)
10:30
(Video) HGHG: Two, threeTrois. Go!
(Music)
LS : Un, deux, trois, partez!
10:34
LSLS: One, two, threeTrois, go!
Arthur, je vais essayer encore.
Un, deux, trois, partez!
10:37
ArthurArthur, I'm going to try again.
One, two, threeTrois, go!
YG : Arthur,
laisse-moi essayer encore, ok?
10:45
YGYG: ArthurArthur, let me try again, okay?
Un, deux, trois, partez!
(Musique)
10:48
One, two, threeTrois, go!
(Music)
Regarde-ca.
Tu te souviens de ces jouets?
10:53
Look at that. Remember these toysjouets?
Tu vois ces jouets? Ouais, je vais
placer celui-ci là-bas,
10:55
See these toysjouets? Yeah, I'm going
to put this one over here,
et je vais te donner celui-là.
10:58
and I'm going to give this one to you.
Tu peux y aller et jouer.
11:00
You can go aheaddevant and playjouer.
LS : Ok, Laura, bien évidemment,
les bébés aiment leurs mamans.
11:23
LSLS: Okay, LauraLaura, but of coursecours,
babiesbébés love theirleur mommiesmamans.
Évidemment, ils donnent
leurs jouets à leurs mamans
11:27
Of coursecours babiesbébés give toysjouets
to theirleur mommiesmamans
11:30
when they can't make them work.
quand ils ne marchent pas.
11:32
So again, the really importantimportant questionquestion
is what happensarrive when we changechangement
A nouveau, la question
vraiment importante
est ce qui arrive
quand nous changeons
11:35
the statisticalstatistique dataLes données ever so slightlylégèrement.
les données statistiques,
juste légèrement.
Cette fois-ci,
11:38
This time, babiesbébés are going to see the toyjouet
work and failéchouer in exactlyexactement the sameMême ordercommande,
les bébés vont voir le jouet fonctionner
et échouer dans le même ordre,
11:42
but we're changingen changeant
the distributionDistribution of evidencepreuve.
mais nous changeons
la distribution des preuves.
11:45
This time, HyowonHyowon is going to succeedréussir
onceune fois que and failéchouer onceune fois que, and so am I.
Cette fois-ci, Hyowon va réussir
une fois et échouer une fois,
et moi de même.
Donc cela suggère que peu importe
qui essaie ce jouet, le jouet est cassé.
11:49
And this suggestssuggère it doesn't mattermatière
who triesessais this toyjouet, the toyjouet is brokencassé.
Ça ne marche pas tout le temps.
11:55
It doesn't work all the time.
De nouveau,
le bébé va avoir le choix.
11:57
Again, the baby'sbébé going to have a choicechoix.
Sa maman est juste à côté,
le bébé pourra changer de personne,
11:59
Her mommaman is right nextprochain to her,
so she can changechangement the personla personne,
12:02
and there's going to be anotherun autre toyjouet
at the endfin of the clothtissu.
et il y aura un autre jouet
au bout du tissu.
Regardons ce qu’elle fait.
12:05
Let's watchregarder what she does.
(Vidéo) HG : Deux, trois, partez!
(Musique)
12:07
(Video) HGHG: Two, threeTrois, go!
(Music)
Laisse-moi essayer encore une fois.
Un, deux, trois, partez!
12:11
Let me try one more time.
One, two, threeTrois, go!
Hm.
12:17
HmmHmm.
LS : Laisse-moi essayer, Clara.
12:19
LSLS: Let me try, ClaraClara.
Un, deux, trois, partez!
12:22
One, two, threeTrois, go!
Hm, laisse-moi essayer encore.
12:27
HmmHmm, let me try again.
Un, deux, trois, partez!
(Musique)
12:29
One, two, threeTrois, go!
(Music)
HG : Je vais
mettre celui-ci là-bas,
12:35
HGHG: I'm going
to put this one over here,
et je vais te donner celui-là.
12:37
and I'm going to give this one to you.
Tu peux y aller et jouer.
12:39
You can go aheaddevant and playjouer.
(Applaudissements)
12:58
(ApplauseApplaudissements)
LS: Voilà les résultats de l’expérience.
13:04
LSLS: Let me showmontrer you
the experimentalexpérimental resultsrésultats.
Sur l’axe vertical,
vous verrez la distribution
13:07
On the verticalverticale axisaxe,
you'lltu vas see the distributionDistribution
des choix des enfants
dans chacune des conditions,
13:09
of children'senfants choicesles choix in eachchaque conditioncondition,
et vous verrez que la distribution
des choix que les enfants font
13:12
and you'lltu vas see that the distributionDistribution
of the choicesles choix childrenles enfants make
dépend des preuves qu’ils constatent.
13:16
dependsdépend on the evidencepreuve they observeobserver.
Donc au cours de leur deuxième année,
13:19
So in the secondseconde yearan of life,
les bébés peuvent utiliser
quelques données statistiques
13:21
babiesbébés can use a tinyminuscule bitbit
of statisticalstatistique dataLes données
pour décider entre 2 stratégies
fondamentalement différentes
13:24
to decidedécider betweenentre two
fundamentallyfondamentalement differentdifférent strategiesstratégies
pour agir dans le monde:
13:27
for actingagissant in the worldmonde:
demander de l’aide ou explorer.
13:29
askingdemandant for help and exploringexplorant.
Je viens de vous montrer
deux expériences de laboratoire
13:33
I've just shownmontré you
two laboratorylaboratoire experimentsexpériences
parmi des centaines dans le domaine
qui constatent les mêmes résultats,
13:37
out of literallyLittéralement hundredsdes centaines in the fieldchamp
that make similarsimilaire pointspoints,
parce que l'idée essentielle
13:40
because the really criticalcritique pointpoint
est que la capacité des enfants à tirer
des conclusions à partir de peu de données
13:43
is that children'senfants abilitycapacité
to make richriches inferencesinférences from sparseclairsemée dataLes données
est à la source de
l'apprentissage culturel de notre espèce.
13:48
underliesest à la base all the species-specificspécifique à l’espèce
culturalculturel learningapprentissage that we do.
Les enfants découvrent de nouveaux outils
à partir de quelques exemples uniquement.
13:53
Children learnapprendre about newNouveau toolsoutils
from just a fewpeu examplesexemples.
Ils forment des relations causales
à partir de quelques exemples.
13:58
They learnapprendre newNouveau causalcausal relationshipsdes relations
from just a fewpeu examplesexemples.
Ils apprennent même de nouveaux mots,
ici, en langue des signes américaine.
14:03
They even learnapprendre newNouveau wordsmots,
in this caseCas in AmericanAméricain SignSigne Language.
Je veux conclure avec juste deux points.
14:08
I want to closeFermer with just two pointspoints.
Si vous suivez mon univers, le domaine
du cerveau et des sciences cognitives,
14:12
If you've been followingSuivant my worldmonde,
the fieldchamp of braincerveau and cognitivecognitif sciencesles sciences,
depuis ces quelques dernières années,
14:15
for the pastpassé fewpeu yearsannées,
trois grandes idées auraient
suscité votre attention.
14:17
threeTrois biggros ideasidées will have come
to your attentionattention.
La première est qu’il s’agit
de l’ère du cerveau.
14:20
The first is that this is
the eraère of the braincerveau.
Il y a eu en fait, des découvertes
stupéfiantes en neurosciences:
14:23
And indeedeffectivement, there have been
staggeringsidérants discoveriesdécouvertes in neuroscienceneuroscience:
localisant des régions fonctionnellement
spécialisées du cortex,
14:27
localizinglocalisation functionallyfonctionnellement specializedspécialisé
regionsles régions of cortexcortex,
rendant les cerveaux
des souris transparents,
14:30
turningtournant mouseSouris brainscerveaux transparenttransparent,
activant les neurones grâce à la lumière.
14:33
activatingactiver neuronsneurones with lightlumière.
La seconde grande idée
est que c’est l’ère
14:36
A secondseconde biggros ideaidée
14:38
is that this is the eraère of biggros dataLes données
and machinemachine learningapprentissage,
des données volumineuses
et de l’apprentissage automatique.
L’apprentissage automatique promet
de révolutionner notre compréhension
14:43
and machinemachine learningapprentissage promisespromesses
to revolutionizerévolutionner our understandingcompréhension
de tout allant des réseaux sociaux
à l’épidémiologie.
14:46
of everything from socialsocial networksréseaux
to epidemiologyépidémiologie.
Et peut-être aussi parce qu’il
s’attaque aux problèmes de compréhension
14:50
And maybe, as it tacklesplaqués problemsproblèmes
of scenescène understandingcompréhension
et de traitement du langage naturel
14:53
and naturalNaturel languagela langue processingEn traitement,
pour nous dire quelque chose
à propos de la connaissance humaine.
14:55
to tell us something
about humanHumain cognitioncognition.
Et la dernière grande idée
que vous auriez entendue :
14:59
And the finalfinal biggros ideaidée you'lltu vas have heardentendu
il est peut-être bénéfique
15:01
is that maybe it's a good ideaidée we're going
to know so much about brainscerveaux
de savoir tant de choses
sur le cerveau
et d'avoir autant accès
aux données volumineuses;
15:05
and have so much accessaccès to biggros dataLes données,
15:06
because left to our ownposséder devicesdispositifs,
parce que laissés
à nous-mêmes,
les êtres humains
sont faillibles,
15:09
humanshumains are fallible, we take shortcutsraccourcis,
nous prenons des raccourcis,
nous errons, nous faisons des erreurs,
15:13
we errErr, we make mistakeserreurs,
nous sommes biaisés,
et d’innombrables façons
15:16
we're biasedbiaisé, and in innumerableinnombrables waysfaçons,
nous comprenons mal le monde.
15:20
we get the worldmonde wrongfaux.
Je pense que ce sont toutes
des histoires importantes,
15:24
I think these are all importantimportant storieshistoires,
et elles ont beaucoup à nous dire sur
ce qu'est d'être humain signifie.
15:27
and they have a lot to tell us
about what it meansveux dire to be humanHumain,
Mais je vous ai raconté aujourd'hui
15:31
but I want you to noteRemarque that todayaujourd'hui
I told you a very differentdifférent storyrécit.
une histoire bien différente.
C’est une histoire sur les esprits
et non des cerveaux,
15:35
It's a storyrécit about mindsesprits and not brainscerveaux,
et en particulier, c’est une histoire
sur les types de calcul
15:39
and in particularparticulier, it's a storyrécit
about the kindssortes of computationscalculs
que seuls les esprits humains
peuvent effectuer
15:42
that uniquelyuniquement humanHumain mindsesprits can performeffectuer,
impliquant des savoirs
riches et structurées
15:45
whichlequel involveimpliquer richriches, structuredstructuré knowledgeconnaissance
and the abilitycapacité to learnapprendre
ainsi que la capacité à apprendre
à partir d’une petite quantité de données,
15:49
from smallpetit amountsles montants of dataLes données,
the evidencepreuve of just a fewpeu examplesexemples.
avec seulement quelques exemples.
Fondamentalement, il s’agit d’une histoire
qui commence avec de très jeunes enfants
15:56
And fundamentallyfondamentalement, it's a storyrécit
about how startingdépart as very smallpetit childrenles enfants
et qui continue
jusqu'au plus grandes réussites
16:00
and continuingcontinuer out all the way
to the greatestplus grand accomplishmentsréalisations
de notre culture :
16:04
of our cultureCulture,
de comprendre correctement le monde.
16:08
we get the worldmonde right.
L'esprit humain n’apprend pas seulement
à partir de quelques données.
16:12
FolksGens, humanHumain mindsesprits do not only learnapprendre
from smallpetit amountsles montants of dataLes données.
L'esprit humain conçoit
des idées innovantes.
16:18
Human mindsesprits think
of altogetherau total newNouveau ideasidées.
L'esprit humain génère
recherche et découverte,
16:20
Human mindsesprits generateGénérer
researchrecherche and discoveryDécouverte,
et l'esprit humain génère
art et littérature, poésie et théâtre.
16:23
and humanHumain mindsesprits generateGénérer
artart and literatureLittérature and poetrypoésie and theaterthéâtre,
De plus, l'esprit humain
prend soin d’autres humains:
16:29
and humanHumain mindsesprits take carese soucier of other humanshumains:
nos ainés, nos jeunes, nos malades.
16:32
our oldvieux, our youngJeune, our sickmalade.
Nous les guérissons même.
16:36
We even healguérir them.
Dans les années à venir, nous allons
voir des innovations technologiques
16:39
In the yearsannées to come, we're going
to see technologicaltechnologique innovationsinnovations
au-delà de tout ce que
nous pouvons envisager,
16:42
beyondau-delà anything I can even envisionEnvision,
mais il est fort peu probable
de voir quoi que ce soit
16:46
but we are very unlikelyimprobable
16:48
to see anything even approximatingse rapprochant
the computationalcalcul powerPuissance of a humanHumain childenfant
approchant la puissance
computationnelle d’un enfant
de mon vivant ou du votre.
16:54
in my lifetimedurée de vie or in yoursle tiens.
Si nous investissons dans
ces plus puissants novices,
16:58
If we investinvestir in these mostles plus powerfulpuissant
learnersapprenants and theirleur developmentdéveloppement,
ainsi que dans leur développement,
dans les bébés et enfants
17:03
in babiesbébés and childrenles enfants
ainsi que mères et pères,
17:06
and mothersmères and fatherspères
soignants et enseignants.
17:08
and caregiversaidants naturels and teachersenseignants
Les façons dont nous investissons dans
nos plus puissantes et élégantes formes
17:11
the waysfaçons we investinvestir in our other
mostles plus powerfulpuissant and elegantélégant formsformes
de technologie, ingénierie et design,
17:15
of technologyLa technologie, engineeringingénierie and designconception,
nous ne serions pas en train
de rêver d’un futur meilleur,
17:18
we will not just be dreamingrêver
of a better futureavenir,
nous serions en train de le planifier.
17:21
we will be planningPlanification for one.
Merci beaucoup.
17:23
Thank you very much.
(Applaudissements)
17:25
(ApplauseApplaudissements)
Chris Anderson: Laura, merci.
J’ai en effet une question pour toi.
17:29
ChrisChris AndersonAnderson: LauraLaura, thank you.
I do actuallyréellement have a questionquestion for you.
Tout d’abord, la recherche est insensée.
17:34
First of all, the researchrecherche is insaneinsensé.
Je veux dire, qui concevrait
une expérience comme celle-là?
17:36
I mean, who would designconception
an experimentexpérience like that? (LaughterRires)
(Rires)
J’ai vu ça quelques fois,
17:41
I've seenvu that a couplecouple of timesfois,
et je n'arrive toujours pas à croire
que ça arrive vraiment,
17:42
and I still don't honestlyfranchement believe
that that can trulyvraiment be happeningévénement,
mais d’autres gens ont fait
de telles expériences ; ça colle.
17:46
but other people have doneterminé
similarsimilaire experimentsexpériences; it checksvérifie out.
Les enfants sont vraiment des génies.
17:49
The babiesbébés really are that geniusgénie.
LS: Ils sont vraiment impressionnants
dans nos expériences,
17:50
LSLS: You know, they look really impressiveimpressionnant
in our experimentsexpériences,
mais pensez à ce qu'ils font
dans la vraie vie.
17:53
but think about what they
look like in realréal life, right?
D'abord un bébé.
17:56
It startsdéparts out as a babybébé.
18 mois plus tard,
il vous parle,
17:57
EighteenDix-huit ans monthsmois laterplus tard,
it's talkingparlant to you,
et les premiers mots de bébés
ne sont pas juste balles ou canard,
17:59
and babies'XXS first wordsmots aren'tne sont pas just
things like ballsdes balles and duckscanards,
c'est plutôt : « tout parti »,
pour la disparition,
18:02
they're things like "all gonedisparu,"
whichlequel referréférer to disappearancedisparition,
ou, « oh-oh », qui fait référence
à des actions involontaires.
18:05
or "uh-ohUh-oh," whichlequel referréférer
to unintentionalnon intentionnelles actionsactes.
Il doit être aussi puissant.
18:07
It has to be that powerfulpuissant.
Il doit l'être beaucoup plus
que ce que je vous ai montré.
18:09
It has to be much more powerfulpuissant
than anything I showedmontré you.
Ils comprennent le monde entier.
18:12
They're figuringfigurer out the entiretout worldmonde.
Un enfant de 4 ans peut vous parler
de presque tout.
18:14
A four-year-oldquatre ans can talk to you
about almostpresque anything.
(Applaudissements)
18:17
(ApplauseApplaudissements)
CA: Si je vous comprends bien,
vous affirmez
18:19
CACA: And if I understandcomprendre you right,
the other keyclé pointpoint you're makingfabrication is,
que ces dernières années
on parle beaucoup
18:22
we'venous avons been throughpar these yearsannées
where there's all this talk
de l'originalité et la folie
de nos cerveaux,
18:25
of how quirkybizarre and buggybuggy our mindsesprits are,
de la science du comportement
et ses théories ;
18:27
that behavioralcomportementale economicséconomie
and the wholeentier theoriesthéories behindderrière that
nous ne sommes pas
des agents rationnels.
18:29
that we're not rationalrationnel agentsagents.
Vous insistez que
ce phénomène est extraordinaire
18:31
You're really sayingen disant that the biggerplus gros
storyrécit is how extraordinaryextraordinaire,
et qu’il y a vraiment
du génie sous-estimé.
18:35
and there really is geniusgénie there
that is underappreciatedsous-estimés.
LS: Une de mes citations
préférées en psychologie
18:40
LSLS: One of my favoritepréféré
quotescitations in psychologypsychologie
provient du psychologue
social Solomon Asch,
18:42
comesvient from the socialsocial
psychologistpsychologue SolomonSalomon AschAsch,
et il a dit que la tache fondamentale
de la psychologie est
18:45
and he said the fundamentalfondamental tasktâche
of psychologypsychologie is to removeretirer
d'ôter le voile de l'évidence.
18:47
the veilvoile of self-evidenceévidence from things.
Il y a des millions
de décisions quotidiennes
18:50
There are ordersordres of magnitudeordre de grandeur
more decisionsles décisions you make everychaque day
qui font avancer le monde.
18:55
that get the worldmonde right.
Vous connaissez les objets
et leurs propriétés.
18:56
You know about objectsobjets
and theirleur propertiesPropriétés.
Vous les reconnaissez quand
ils sont cachés ou dans le noir.
18:58
You know them when they're occludedoccluse.
You know them in the darkfoncé.
Vous pouvez traverser les pièces.
19:01
You can walkmarche throughpar roomspièces.
Vous pouvez deviner les pensées
des autres et leur parler.
19:02
You can figurefigure out what other people
are thinkingen pensant. You can talk to them.
Vous vous orientez dans l’espace
et connaissez les nombres,
19:06
You can navigatenaviguer spaceespace.
You know about numbersNombres.
les relations causales
et les raisonnements moraux.
19:08
You know causalcausal relationshipsdes relations.
You know about moralmoral reasoningraisonnement.
Vous faites ceci sans effort,
donc nous ne le voyons pas.
19:11
You do this effortlesslysans effort,
so we don't see it,
C’est ainsi qu'on comprend bien le monde,
19:14
but that is how we get the worldmonde right,
and it's a remarkableremarquable
et il s’agit d’une activité remarquable,
très difficile à comprendre.
19:16
and very difficult-to-understanddifficile à comprendre
accomplishmentaccomplissement.
CA: Je suppose que des gens
dans l’auditoire
19:19
CACA: I suspectsuspect there are people
in the audiencepublic who have
qui voit l’accélération
de la puissance technologique
19:21
this viewvue of acceleratingaccélérer
technologicaltechnologique powerPuissance
et qui pourraient nier votre affirmation
que jamais de notre vivant
19:24
who mightpourrait disputerèglement des différends your statementdéclaration
that never in our lifetimesdurées de vie
un ordinateur fera ce
qu’un enfant de trois ans fait,
19:27
will a computerordinateur do what
a three-year-oldtrois ans childenfant can do,
mais il est clair
que peu importe le scenario,
19:29
but what's clearclair is that in any scenarioscénario,
nos machines ont tant à apprendre
de nos nourrissons.
19:32
our machinesmachines have so much to learnapprendre
from our toddlerstout-petits.
LS: Des spécialistes de l'apprentissage
automatique viendront sur cette scène.
19:38
LSLS: I think so. You'llVous aurez have some
machinemachine learningapprentissage folksgens up here.
Je veux dire, vous ne devriez jamais
parier contre des bébés ou chimpanzés,
19:41
I mean, you should never betpari
againstcontre babiesbébés or chimpanzeeschimpanzés
ou la technologie.
19:45
or technologyLa technologie as a mattermatière of practiceentraine toi,
Mais ce n’est pas juste
une différence de quantité,
19:49
but it's not just
a differencedifférence in quantityquantité,
c’est une différence de qualité.
19:53
it's a differencedifférence in kindgentil.
On a des ordinateurs
incroyablement puissants,
19:55
We have incrediblyincroyablement powerfulpuissant computersdes ordinateurs,
et ils font des choses
extrêmement sophistiquées,
19:57
and they do do amazinglyétonnamment
sophisticatedsophistiqué things,
souvent avec des données
très volumineuses.
20:00
oftensouvent with very biggros amountsles montants of dataLes données.
L'esprit humain fait
quelque chose d’assez diffèrent,
20:03
Human mindsesprits do, I think,
something quiteassez differentdifférent,
et c’est la nature hiérarchique
et structurée de la connaissance humaine
20:05
and I think it's the structuredstructuré,
hierarchicalhiérarchique naturela nature of humanHumain knowledgeconnaissance
qui demeure un vrai défi.
20:09
that remainsrestes a realréal challengedéfi.
CA: Laura Schulz, très bonne
matière à réflexion.
20:11
CACA: LauraLaura SchulzSchulz, wonderfulformidable
foodaliments for thought. Thank you so much.
LS: Merci.
(Applaudissements)
20:14
LSLS: Thank you.
(ApplauseApplaudissements)
Translated by Helene Abousamra
Reviewed by Lison Hasse

▲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