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: A babák meglepően logikus elméje

Filmed
Views 1,632,838

Hogyan tanulnak a babák olyan sokat és gyorsan, oly kevés információból? Egy szórakoztató, kísérletekkel tarkított előadásban Laura Schulz, a megismeréstudomány kutatója megmutatja, hogyan döntenek erős logikai érzékkel a kicsinyeink már jóval azelőtt, hogy beszélni megtanulnának.

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

Mark Twain summed up
what I take to be
Mark Twain szellemesen mutatott rá
00:12
one of the fundamental problems
of cognitive science
találó mondásában,
hogy mi a legnagyobb gond
00:14
with a single witticism.
a megismeréstudománnyal:
00:18
He said, "There's something
fascinating about science.
"Döbbenetes, hogy a tudományban
00:20
One gets such wholesale
returns of conjecture
mennyi feltevést kaphatunk
00:23
out of such a trifling
investment in fact."
oly kevés tényért cserébe."
00:26
(Laughter)
(Nevetés)
00:29
Twain meant it as a joke,
of course, but he's right:
Twain ezt persze viccnek szánta,
de igaza van.
00:32
There's something
fascinating about science.
Van valami döbbenetes a tudományban.
00:34
From a few bones, we infer
the existence of dinosuars.
Egy pár csontból a dinoszauruszok
létezésére következtethetünk.
00:37
From spectral lines,
the composition of nebulae.
Spektrumanalízissel egész csillagködök
összetételét tudjuk megmondani.
00:42
From fruit flies,
Muslicák vizsgálatával
00:47
the mechanisms of heredity,
az öröklés mechanizmusát kutatjuk,
00:50
and from reconstructed images
of blood flowing through the brain,
és az agy véráramának képeiből,
00:53
or in my case, from the behavior
of very young children,
vagy a nagyon fiatal gyermekek
viselkedéséből
00:57
we try to say something about
the fundamental mechanisms
az emberi észlelés
01:02
of human cognition.
alapvető mechanizmusait tárhatjuk fel.
01:05
In particular, in my lab in the Department
of Brain and Cognitive Sciences at MIT,
Az MIT megismeréstudományi és
agykutató laborjában dolgozom,
01:07
I have spent the past decade
trying to understand the mystery
s az elmúlt évtizedet
e rejtély feltárásával töltöttem:
01:12
of how children learn so much
from so little so quickly.
hogyan tanulnak a gyerekek olyan sokat
és gyorsan, oly kevés információból.
01:16
Because, it turns out that
the fascinating thing about science
Mert kiderült, hogy ami döbbenetes
a tudományban,
01:20
is also a fascinating
thing about children,
az döbbenetes a gyerekekben is,
01:23
which, to put a gentler
spin on Mark Twain,
és Mark Twain gondolatát alkalmazva.
01:27
is precisely their ability
to draw rich, abstract inferences
gyorsan, pontosan képesek bőséges
és absztrakt következtetéseket levonni
01:29
rapidly and accurately
from sparse, noisy data.
hiányos vagy zavaros adatokból.
01:34
I'm going to give you
just two examples today.
Két ilyen példáról szeretnék ma beszélni.
01:40
One is about a problem of generalization,
Az egyik az általánosítás kérdése,
01:42
and the other is about a problem
of causal reasoning.
a másik pedig az ok-okozati
kapcsolattal függ össze.
01:45
And although I'm going to talk
about work in my lab,
Bár saját munkámat ismertetem,
01:47
this work is inspired by
and indebted to a field.
sokaknak tartozom az ösztönzésért.
01:50
I'm grateful to mentors, colleagues,
and collaborators around the world.
Hálás vagyok mentoraimnak, kollégáimnak
és közreműködőimnek a világ minden táján.
01:53
Let me start with the problem
of generalization.
Kezdjük az általánosítás kérdésével.
01:59
Generalizing from small samples of data
is the bread and butter of science.
A tudományban gyakran kis mintákból
vonunk le általános következtetést.
02:02
We poll a tiny fraction of the electorate
Egy pár embert megkérdezünk, kire szavaz,
02:06
and we predict the outcome
of national elections.
s előrejelezzük az országos
választási eredményt.
02:09
We see how a handful of patients
responds to treatment in a clinical trial,
Ha a páciensek egy része jól reagál
egy gyógyszerkísérlet során,
02:12
and we bring drugs to a national market.
piacra dobhatunk egy új terméket.
02:16
But this only works if our sample
is randomly drawn from the population.
De ez csak véletlen mintavételkor működik.
02:19
If our sample is cherry-picked
in some way --
Ha választásunkat befolyásolja
valamilyen tényező,
02:23
say, we poll only urban voters,
például csak városi szavazókat,
02:26
or say, in our clinical trials
for treatments for heart disease,
vagy csak férfiakat vonunk be
egy új szívgyógyszernél
02:28
we include only men --
a kísérleti alkalmazásba,
02:32
the results may not generalize
to the broader population.
az eredmények nem lesznek
érvényesek a nagyobb népességre.
02:34
So scientists care whether evidence
is randomly sampled or not,
A tudósok tehát figyelnek rá,
hogy a mintavétel véletlenszerű legyen,
02:38
but what does that have to do with babies?
de mi köze ennek a csecsemőkhöz?
02:42
Well, babies have to generalize
from small samples of data all the time.
Nos, a csecsemőknek egyfolytában
kis mintákból kell általánosítaniuk.
02:44
They see a few rubber ducks
and learn that they float,
Látnak egy pár gumikacsát,
és megtanulják, hogy azok lebegnek,
02:49
or a few balls and learn that they bounce.
labdával játszanak,
és rájönnek, hogy az pattog.
02:52
And they develop expectations
about ducks and balls
Később már számítanak
a lebegésre és a pattogásra,
02:55
that they're going to extend
to rubber ducks and balls
sőt, más gumikacsákról
és labdákról is előre tudják,
02:58
for the rest of their lives.
hogyan fognak viselkedni.
03:01
And the kinds of generalizations
babies have to make about ducks and balls
Képesnek kell lenniük nemcsak
labdákról és kacsákról,
03:03
they have to make about almost everything:
hanem majd mindenről
ilyen általánosításra.
03:07
shoes and ships and sealing wax
and cabbages and kings.
Cipőkről, hajókról, pecsétviaszról,
káposztákról, királyokról.
03:09
So do babies care whether
the tiny bit of evidence they see
A babákat vajon érdekli-e,
hogy a látott pici bizonyíték
03:14
is plausibly representative
of a larger population?
meggyőzően képviseli a nagyobb népességet?
03:17
Let's find out.
Vizsgáljuk meg!
03:21
I'm going to show you two movies,
Most két filmet látnak egy kísérletről,
03:23
one from each of two conditions
of an experiment,
amelyet kétféle feltétel között végeztek,
03:25
and because you're going to see
just two movies,
s mivel csak ezt a két filmet néznek meg,
03:27
you're going to see just two babies,
csak két babát fognak látni.
03:30
and any two babies differ from each other
in innumerable ways.
Két tetszőleges baba
számtalan dologban különbözik egymástól.
03:32
But these babies, of course,
here stand in for groups of babies,
Ezek a babák persze
babák csoportját jelképezik,
03:36
and the differences you're going to see
a különbségek a csoportok közti
átlagos különbséget képviselik,
03:39
represent average group differences
in babies' behavior across conditions.
amely a kétféle feltételre adott
viselkedésben fejeződik ki.
03:41
In each movie, you're going to see
a baby doing maybe
Mindkét filmben a babák azt csinálják,
03:47
just exactly what you might
expect a baby to do,
amit egy babától elvárnánk,
03:49
and we can hardly make babies
more magical than they already are.
és ugyan nem ruházhatjuk fel
őket varázserővel,
03:53
But to my mind the magical thing,
de szerintem a varázslatos
03:58
and what I want you to pay attention to,
— erre fel is hívom a figyelmüket —,
04:00
is the contrast between
these two conditions,
a két feltétel közti különbség.
04:02
because the only thing
that differs between these two movies
A filmek közti egyetlen különbség
04:05
is the statistical evidence
the babies are going to observe.
a statisztikai erejű bizonyíték,
melyet a babák megfigyelnek.
04:08
We're going to show babies
a box of blue and yellow balls,
Egy doboznyi kék és sárga labdát
mutatunk a babáknak,
04:13
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
aztán Hyowon Gweon, régi tanítványom,
aki most már stanfordi munkatársam,
04:16
is going to pull three blue balls
in a row out of this box,
zsinórban három kék labdát húz a dobozból,
04:21
and when she pulls those balls out,
she's going to squeeze them,
közben összenyomja őket,
04:24
and the balls are going to squeak.
a labda pedig sípolni fog.
04:27
And if you're a baby,
that's like a TED Talk.
Egy baba számára ez egy kész TED-előadás,
04:29
It doesn't get better than that.
ami nem is lehetne tudományosabb.
04:32
(Laughter)
(Nevetés)
04:34
But the important point is it's really
easy to pull three blue balls in a row
De ebből az a lényeg, hogy zsinórban
könnyű három kék labdát húzni
04:38
out of a box of mostly blue balls.
egy zömmel kék labdát tartalmazó dobozból.
04:42
You could do that with your eyes closed.
Csukott szemmel is menne.
04:44
It's plausibly a random sample
from this population.
Ez meggyőzően véletlen mintavétel.
04:46
And if you can reach into a box at random
and pull out things that squeak,
Ha véletlenszerűen húzunk ki
sípoló labdákat a dobozból,
04:49
then maybe everything in the box squeaks.
akkor a dobozban talán
csak sípoló labdák vannak.
04:53
So maybe babies should expect
those yellow balls to squeak as well.
A babáknak tehát arra kéne számítaniuk,
hogy a sárga labdák is sípolnak.
04:56
Now, those yellow balls
have funny sticks on the end,
A sárga labdáknak nyelük van,
05:00
so babies could do other things
with them if they wanted to.
tehát a babák, ha akarják,
másra is használhatják őket.
05:02
They could pound them or whack them.
Ütögethetik, odaverhetik őket.
05:05
But let's see what the baby does.
De nézzük, mi történt a kísérletben.
05:07
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Film) Hyowon Gweon: Látod ezt?
(Sípol a labda)
05:12
Did you see that?
(Ball squeaks)
Láttad ezt?
(Sípol a labda)
05:16
Cool.
Remek!
05:20
See this one?
Látod ezt itt?
05:24
(Ball squeaks)
(Sípol a labda)
05:26
Wow.
Tyűha!
05:28
Laura Schulz: Told you. (Laughs)
Laura Schulz: Én megmondtam! (Nevet)
05:33
(Video) HG: See this one?
(Ball squeaks)
(Film) HG: Látod ezt?
(Sípol a labda)
05:35
Hey Clara, this one's for you.
You can go ahead and play.
Hé, Clara, ez a tied.
Játszhatsz vele!
05:39
(Laughter)
(Nevetés)
05:51
LS: I don't even have to talk, right?
LS: Ezt nem is kell kommentálni, igaz?
05:56
All right, it's nice that babies
will generalize properties
Rendben, hogy a babák
egy kalap alá veszik
05:59
of blue balls to yellow balls,
a kék és sárga labdák tulajdonságait,
06:02
and it's impressive that babies
can learn from imitating us,
és lenyűgöző, ahogy utánzás révén
tanulnak tőlünk,
06:03
but we've known those things about babies
for a very long time.
de ezt már réges-rég tudtuk a babákról.
.
06:06
The really interesting question
Az érdekes kérdés most jön:
06:10
is what happens when we show babies
exactly the same thing,
Mi történik, ha a babáknak
ugyanazt a tárgyat mutatjuk,
06:12
and we can ensure it's exactly the same
because we have a secret compartment
biztosan ugyanazt,
mert van egy titkos rekeszünk,
06:15
and we actually pull the balls from there,
és a labdákat onnan húzzuk elő,
06:18
but this time, all we change
is the apparent population
de ezúttal megváltoztatjuk a populációt,
06:20
from which that evidence was drawn.
amelyből kihúzzuk a labdákat.
06:24
This time, we're going to show babies
three blue balls
Ezúttal három kék labdát
mutatunk a babáknak,
06:27
pulled out of a box
of mostly yellow balls,
amelyeket zömmel sárga labdákat rejtő
dobozból húztuk,
06:30
and guess what?
És mi történik?
06:34
You [probably won't] randomly draw
three blue balls in a row
Valószínűség alapján nehéz
zsinórban három kéket húzni
06:35
out of a box of mostly yellow balls.
zömmel sárgákat tartalmazó dobozból.
06:38
That is not plausibly
randomly sampled evidence.
Itt tehát kétséges a véletlen mintavétel.
06:40
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
A tények azt sejtetik, hogy Hyowon
talán szándékosan húz csak kéket,
06:44
Maybe there's something special
about the blue balls.
a kékek talán valami miatt
különlegesek lehetnek.
06:49
Maybe only the blue balls squeak.
Talán csak a kék labdák sípolnak.
06:52
Let's see what the baby does.
Nézzük, mi történik!
06:55
(Video) HG: See this?
(Ball squeaks)
(Film) HG: Látod ezt?
(Sípol a labda)
06:57
See this toy?
(Ball squeaks)
Látod ezt a játékot?
(Sípol a labda)
07:02
Oh, that was cool. See?
(Ball squeaks)
Ó, ez klassz volt! Látod?
(Sípol a labda)
07:05
Now this one's for you to play.
You can go ahead and play.
Tessék, ez a tied, játszhatsz vele!
07:10
(Fussing)
(Laughter)
(Bébihang)
(Nevetés)
07:18
LS: So you just saw
two 15-month-old babies
LS: Önök most láttak két 15 hónapos babát,
07:26
do entirely different things
akik teljesen eltérően reagáltak,
07:29
based only on the probability
of the sample they observed.
az eltérést csak
a megfigyelt minta okozta.
07:31
Let me show you the experimental results.
Lássuk a kísérlet eredményeit!
07:35
On the vertical axis, you'll see
the percentage of babies
A függőleges tengely mutatja
07:37
who squeezed the ball in each condition,
a labdát mindig megnyomó babákat,
százalékban,
07:40
and as you'll see, babies are much
more likely to generalize the evidence
és látható, hogy ha a minta
meggyőzően reprezentatív,
07:42
when it's plausibly representative
of the population
akkor a babák nagyobb arányban
általánosítanak,
07:46
than when the evidence
is clearly cherry-picked.
mint akkor, ha egyértelműen nem az.
07:49
And this leads to a fun prediction:
Ez egy érdekes következtetésre vezet.
07:53
Suppose you pulled just one blue ball
out of the mostly yellow box.
Ha egy kéket húzunk egy zömmel
sárgákat rejtő dobozból,
07:55
You [probably won't] pull three blue balls
in a row at random out of a yellow box,
így valószínűtlen, hogy egymás után
három kéket húzunk ki,
08:00
but you could randomly sample
just one blue ball.
de egy kék még lehet véletlenszerű.
08:04
That's not an improbable sample.
Ez még hihető.
08:07
And if you could reach into
a box at random
Ha véletlenszerűen nyúlunk a dobozba,
08:09
and pull out something that squeaks,
maybe everything in the box squeaks.
majd kihúzunk egy sípoló tárgyat,
lehet, hogy minden tárgy sípol benne.
08:11
So even though babies are going to see
much less evidence for squeaking,
Bár a babák sokkal kevesebb bizonyítékot
látnak a sípolásra,
08:15
and have many fewer actions to imitate
és sokkal kevesebb az esélyük
utánozni a viselkedést
08:20
in this one ball condition than in
the condition you just saw,
ebben az egylabdás kísérletben
az előzőhöz képest,
08:22
we predicted that babies themselves
would squeeze more,
mi azt feltételeztük, hogy a babák
többször fogják összenyomni a labdát,
08:25
and that's exactly what we found.
és pontosan ez lett az eredmény.
08:29
So 15-month-old babies,
in this respect, like scientists,
Tehát a 15 hónapos babák
e tekintetben olyanok, mint a tudósok,
08:32
care whether evidence
is randomly sampled or not,
figyelik, hogy a bizonyíték
véletlen mintán alapul-e vagy sem,
08:37
and they use this to develop
expectations about the world:
és babák eszerint alakítják világképüket:
08:40
what squeaks and what doesn't,
mi sípol és mi nem,
08:43
what to explore and what to ignore.
mire figyeljenek, és mire ne,
08:45
Let me show you another example now,
Nézzünk egy másik példát.
08:50
this time about a problem
of causal reasoning.
Ez az ok-okozati összefüggésről szól.
08:52
And it starts with a problem
of confounded evidence
Zavaros bizonyítékokkal
mindnyájan találkozunk,
08:55
that all of us have,
az életben
08:57
which is that we are part of the world.
sok ilyen helyzet adódhat.
08:59
And this might not seem like a problem
to you, but like most problems,
Ez nem okoz fejfájást,
09:01
it's only a problem when things go wrong.
de csak addig, amíg a dolgok
rosszra nem fordulnak.
09:04
Take this baby, for instance.
Ez a baba például
09:07
Things are going wrong for him.
nehézségekkel küzd.
09:09
He would like to make
this toy go, and he can't.
Működtetné a játékát, de nem megy.
09:10
I'll show you a few-second clip.
Nézzünk belőle pár másodpercet!
09:13
And there's two possibilities, broadly:
Nagyjából két ok lehetséges:
09:21
Maybe he's doing something wrong,
vagy valamit a baba rosszul csinál,
09:23
or maybe there's something
wrong with the toy.
vagy a játékkal van valami zűr.
09:25
So in this next experiment,
A következő kísérletben a babáknak
09:30
we're going to give babies
just a tiny bit of statistical data
kis mennyiségű statisztikai adatot adtunk
09:32
supporting one hypothesis over the other,
egyik vagy másik hipotézis támogatására,
09:35
and we're going to see if babies
can use that to make different decisions
és meglátjuk, képesek-e dönteni
09:38
about what to do.
a teendőről ezen adatok alapján.
09:41
Here's the setup.
Íme az alaphelyzet
09:43
Hyowon is going to try to make
the toy go and succeed.
Hyowon sikeresen indítja a játékot.
09:46
I am then going to try twice
and fail both times,
Aztán én kétszer sikertelenül próbálkozom,
09:49
and then Hyowon is going
to try again and succeed,
majd Hyowon még egyszer, sikerrel.
09:52
and this roughly sums up my relationship
to my graduate students
A tanítványaimmal is nagyjából
09:55
in technology across the board.
így szokott ez menni.
09:58
But the important point here is
it provides a little bit of evidence
De a lényeg: az események azt mutatják,
10:02
that the problem isn't with the toy,
it's with the person.
hogy nem a játék a hibás, hanem a személy.
10:05
Some people can make this toy go,
Néhányan el tudják indítani a játékot,
10:08
and some can't.
néhányan nem.
10:11
Now, when the baby gets the toy,
he's going to have a choice.
Amikor a baba megkapja a játékot,
választhat.
10:12
His mom is right there,
A mamája jelen van,
10:16
so he can go ahead and hand off the toy
and change the person,
a baba akár át is adhatja neki,
megváltoztatva a személyt,
10:18
but there's also going to be
another toy at the end of that cloth,
de egy ugyanilyen játék van a kendő végén,
10:21
and he can pull the cloth towards him
and change the toy.
a kendőt magához húzva
kicserélheti a játékot.
10:24
So let's see what the baby does.
Nézzük, mit csinál itt a baba.
10:28
(Video) HG: Two, three. Go!
(Music)
(Film) HG: ... kettő, három, tessék!
(Zene)
10:30
LS: One, two, three, go!
LS: Egy, kettő, három, tessék!
10:34
Arthur, I'm going to try again.
One, two, three, go!
Arthur, megpróbálom még egyszer.
Egy, kettő, három, tessék!
10:37
YG: Arthur, let me try again, okay?
YG: Arthur, még egyszer megpróbálom, jó?
10:45
One, two, three, go!
(Music)
Egy, kettő, három, tessék!
(Zene)
10:48
Look at that. Remember these toys?
Nézd! Emlékszel ezekre a játékokra?
10:53
See these toys? Yeah, I'm going
to put this one over here,
Látod ezeket a játékokat?
Most ezt ideteszem,
10:55
and I'm going to give this one to you.
ezt pedig neked adom.
10:58
You can go ahead and play.
Játszhatsz vele.
11:00
LS: Okay, Laura, but of course,
babies love their mommies.
LS: Mondhatják: "Jó, Laura,
de a babák imádják az anyjukat,
11:23
Of course babies give toys
to their mommies
természetesen oda fogják adni
a játékot neki,
11:27
when they can't make them work.
ha az anya képes beindítani."
11:30
So again, the really important question
is what happens when we change
Ismét az a lényeges kérdés,
hogy mi lesz, ha változtatunk
11:32
the statistical data ever so slightly.
egy cseppet a statisztikai adatokon.
11:35
This time, babies are going to see the toy
work and fail in exactly the same order,
Ezúttal a babák látják, hogy a játék
ugyanúgy beindul és nem indul be,
11:38
but we're changing
the distribution of evidence.
de megváltoztatjuk
a próbálkozások sorrendjét.
11:42
This time, Hyowon is going to succeed
once and fail once, and so am I.
Ezúttal Hyowonnak és nekem is
egyszer sikerül, egyszer nem,
11:45
And this suggests it doesn't matter
who tries this toy, the toy is broken.
Ez arra utal, hogy mindegy,
ki próbálkozik, a játék hibás,
11:49
It doesn't work all the time.
nem mindig indul be.
11:55
Again, the baby's going to have a choice.
Ismét lesz a babának választása:
11:57
Her mom is right next to her,
so she can change the person,
odaadja másnak, pl. jelen lévő anyjának,
11:59
and there's going to be another toy
at the end of the cloth.
vagy kicseréli a játékot
a kendő végén lévőre.
12:02
Let's watch what she does.
Nézzük, most mihez kezd.
12:05
(Video) HG: Two, three, go!
(Music)
(Film) HG: Kettő, három, tessék!
(Zene)
12:07
Let me try one more time.
One, two, three, go!
Megpróbálom még egyszer.
Egy, kettő, három, tessék!
12:11
Hmm.
Hmm.
12:17
LS: Let me try, Clara.
LS: Hadd próbáljam meg én, Clara.
12:19
One, two, three, go!
Egy, kettő, három, tessék!
12:22
Hmm, let me try again.
Hmm, hadd próbáljam meg még egyszer.
12:27
One, two, three, go!
(Music)
Egy, kettő, három, tessék!
(Zene)
12:29
HG: I'm going
to put this one over here,
HG: Ezt most ide teszem,
12:35
and I'm going to give this one to you.
ezt pedig odaadom neked.
12:37
You can go ahead and play.
Játszhatsz vele.
12:39
(Applause)
(Taps)
12:58
LS: Let me show you
the experimental results.
LS: Íme a kísérleti eredmények.
13:04
On the vertical axis,
you'll see the distribution
A függőleges tengelyen mérjük
a döntések eloszlását
13:07
of children's choices in each condition,
az adott kísérleti körülmények között.
13:09
and you'll see that the distribution
of the choices children make
Láthatják, hogy a döntések eloszlása
13:12
depends on the evidence they observe.
attól függ, amit tapasztaltak.
13:16
So in the second year of life,
Tehát a babák már kétévesen
13:19
babies can use a tiny bit
of statistical data
kevés statisztikai adat felhasználásával
13:21
to decide between two
fundamentally different strategies
két alapvetően különböző stratégia közül
13:24
for acting in the world:
képesek viselkedést választani:
13:27
asking for help and exploring.
segítséget kérjenek-e avagy
próbálkozzanak-e tovább.
13:29
I've just shown you
two laboratory experiments
Most csak két kísérletet mutattam be
13:33
out of literally hundreds in the field
that make similar points,
a hasonló célú több száz közül,
13:37
because the really critical point
A legfontosabb eredmény:
13:40
is that children's ability
to make rich inferences from sparse data
a gyerek képessége, hogy kevés adatból
gazdag következtetést vonjon le,
13:43
underlies all the species-specific
cultural learning that we do.
a ránk jellemző fajtaspecifikus
kulturális tanuláson alapszik.
13:48
Children learn about new tools
from just a few examples.
A gyermek néhány példából megtanulja
új eszközök használatát.
13:53
They learn new causal relationships
from just a few examples.
Új ok-okozati összefüggéseket ismer fel
csupán néhány példa alapján.
13:58
They even learn new words,
in this case in American Sign Language.
Új szavakat is tanul így,
itt pl. az amerikai jelbeszédből.
14:03
I want to close with just two points.
Végezetül két megjegyzést szeretnék tenni.
14:08
If you've been following my world,
the field of brain and cognitive sciences,
Ha követték az agykutatást
és a megismeréstudományt
14:12
for the past few years,
az elmúlt pár évben,
14:15
three big ideas will have come
to your attention.
akkor három gondolatra figyelhettek fel.
14:17
The first is that this is
the era of the brain.
Az első gondolat:
az agy tanulmányozásának korát éljük.
14:20
And indeed, there have been
staggering discoveries in neuroscience:
Elképesztő felfedezések születtek
az idegrendszer kutatása terén:
14:23
localizing functionally specialized
regions of cortex,
már tudjuk, hogy az agykéreg mely
részei látják el az egyes funkciókat,
14:27
turning mouse brains transparent,
átlátszóvá tették az egér agyát,
14:30
activating neurons with light.
neuronokat hoztak működésbe fénnyel.
14:33
A second big idea
A másik fontos gondolat,
14:36
is that this is the era of big data
and machine learning,
hogy a big data
és a gépi tanulás korát éljük,
14:38
and machine learning promises
to revolutionize our understanding
A gépi tanulás pedig forradalmasíthatja,
hogyan kezeljük ezentúl
14:43
of everything from social networks
to epidemiology.
kezdve a közösségi hálóktól
a járványügyig mindent.
14:46
And maybe, as it tackles problems
of scene understanding
Mivel ez érinti látványok értelmezését is
14:50
and natural language processing,
és a természetes nyelveket,
14:53
to tell us something
about human cognition.
talán még az emberi felfogásról is
kiderülhetnek újdonságok.
14:55
And the final big idea you'll have heard
A harmadik jelentős gondolat:
14:59
is that maybe it's a good idea we're going
to know so much about brains
talán jó ennyi mindent tudni az agyunkról,
15:01
and have so much access to big data,
és hozzáférni a big data-hoz,
15:05
because left to our own devices,
mert ha magunkra vagyunk utalva,
15:06
humans are fallible, we take shortcuts,
az ember esendő, elnagyoljuk,
15:09
we err, we make mistakes,
elvétjük, elhibázzuk a dolgokat,
15:13
we're biased, and in innumerable ways,
s számtalan módon vagyunk elfogultak,
15:16
we get the world wrong.
így téves lesz a világképünk.
15:20
I think these are all important stories,
Szerintem ezek mind értékes tapasztalatok,
15:24
and they have a lot to tell us
about what it means to be human,
és sok mindent elárulnak arról,
mit jelent embernek lenni,
15:27
but I want you to note that today
I told you a very different story.
de ma teljesen másféle
tapasztalatokról volt szó.
15:31
It's a story about minds and not brains,
Ez a tapasztalat a tudatra,
nem pedig az agyra vonatkozik,
15:35
and in particular, it's a story
about the kinds of computations
konkrétan azokról a számításokról,
15:39
that uniquely human minds can perform,
amelyeket csakis emberi elme végezhet,
15:42
which involve rich, structured knowledge
and the ability to learn
amely gazdag, strukturált tudásra
és arra tesz bennünket képessé,
15:45
from small amounts of data,
the evidence of just a few examples.
hogy kis mennyiségű adatból,
pár példából is tudjunk újat tanulni.
15:49
And fundamentally, it's a story
about how starting as very small children
Alapvetően arról szólt az előadásom,
15:56
and continuing out all the way
to the greatest accomplishments
hogy kisgyermekkorunktól kezdve
16:00
of our culture,
egészen kultúránk legnagyobb eredményeiig
16:04
we get the world right.
helyes képet kapunk a világról.
16:08
Folks, human minds do not only learn
from small amounts of data.
Nézzék, az emberi elme nem csak
kis mennyiségű adatból tanul.
16:12
Human minds think
of altogether new ideas.
Az elme kigondolhat elvileg újat is.
16:18
Human minds generate
research and discovery,
Az emberi elme kutat és felfedez,
16:20
and human minds generate
art and literature and poetry and theater,
A emberi elme művészetet, irodalmat,
költészetet, színházat alkot.
16:23
and human minds take care of other humans:
Az emberi elme törődik a többi emberrel:
16:29
our old, our young, our sick.
időseinkkel, fiataljainkkal, betegeinkkel.
16:32
We even heal them.
Az emberi elme még gyógyítja is őket.
16:36
In the years to come, we're going
to see technological innovations
A következő években
technológiai újításokat látunk majd,
16:39
beyond anything I can even envision,
olyanokat, amelyeket most
még el sem tudok képzelni.
16:42
but we are very unlikely
De kétséges, hogy olyat lássunk
16:46
to see anything even approximating
the computational power of a human child
az én életemben vagy az önökében,
ami akár csak megközelítené
16:48
in my lifetime or in yours.
egy gyermeki agy számítási teljesítményét.
16:54
If we invest in these most powerful
learners and their development,
Ha legtehetségesebb tanulóink
fejlődésébe fektetünk be,
16:58
in babies and children
azaz a babákba és a gyermekekbe,
17:03
and mothers and fathers
anyákba és apákba,
17:06
and caregivers and teachers
gyerekgondozókba és tanárokba,
17:08
the ways we invest in our other
most powerful and elegant forms
pont úgy, ahogy a technika más,
elegánsabb területeibe fektetünk be,
17:11
of technology, engineering and design,
pl. a mérnöki tervezésbe,
17:15
we will not just be dreaming
of a better future,
akkor nemcsak ábrándozunk a jobb jövőről,
17:18
we will be planning for one.
hanem azt meg is tervezzük.
17:21
Thank you very much.
Köszönöm a figyelmet.
17:23
(Applause)
(Taps)
17:25
Chris Anderson: Laura, thank you.
I do actually have a question for you.
Chris Anderson: Laura, köszönjük.
Van is egy kérdésem hozzád.
17:29
First of all, the research is insane.
Először is, a kutatásod őrületes.
17:34
I mean, who would design
an experiment like that? (Laughter)
Mármint, hogy lehet ilyen
kísérletet tervezni? (Nevetés)
17:36
I've seen that a couple of times,
Láttam már párszor ilyet,
17:41
and I still don't honestly believe
that that can truly be happening,
és őszintén, nem hittem el,
hogy ilyen lehetséges.
17:42
but other people have done
similar experiments; it checks out.
De mások megismételték a kísérleteket,
és tényleg így van.
17:46
The babies really are that genius.
A babák valóban ekkora zsenik.
17:49
LS: You know, they look really impressive
in our experiments,
LS: Tényleg lenyűgöző,
amit a kísérletekben művelnek,
17:50
but think about what they
look like in real life, right?
de gondoljunk bele, milyenek az életben.
17:53
It starts out as a baby.
Babaként kezdi,
17:56
Eighteen months later,
it's talking to you,
Tizennyolc hónapra rá már beszél hozzánk,
17:57
and babies' first words aren't just
things like balls and ducks,
az első szavai nem a "labda" vagy "kacsa",
17:59
they're things like "all gone,"
which refer to disappearance,
hanem pl. "elment",
ami a látótérből eltűnésre vonatkozik,
18:02
or "uh-oh," which refer
to unintentional actions.
vagy "ajjaj",
ami nem szándékos tettekre utal.
18:05
It has to be that powerful.
Zseniálisnak kell lennie,
18:07
It has to be much more powerful
than anything I showed you.
az eddigeknél még zseniálisabbnak,
18:09
They're figuring out the entire world.
hisz az egész világot meg kell ismernie.
18:12
A four-year-old can talk to you
about almost anything.
Egy négyéves már majdnem
bármiről beszélget.
18:14
(Applause)
(Taps)
18:17
CA: And if I understand you right,
the other key point you're making is,
CA: Ha jól értem, akkor a másik
jelentős gondolat, amire rámutatsz,
18:19
we've been through these years
where there's all this talk
hogy az utóbbi években csak azt hallottuk,
18:22
of how quirky and buggy our minds are,
mennyire furcsa és bolondos az elménk,
18:25
that behavioral economics
and the whole theories behind that
a viselkedési közgazdaságtan
és sok elmélet azt állítja:
18:27
that we're not rational agents.
nem vagyunk észlények.
18:29
You're really saying that the bigger
story is how extraordinary,
Azt mondod, hogy lényegesebb,
mennyire rendkívüli az elme,
18:31
and there really is genius there
that is underappreciated.
és nem értékeljük eléggé,
hogy milyen zseniális lehet.
18:35
LS: One of my favorite
quotes in psychology
LS: Egyik kedvenc pszichológiai idézetem
18:40
comes from the social
psychologist Solomon Asch,
Solomon Asch szociálpszichológustól:
18:42
and he said the fundamental task
of psychology is to remove
szerinte "A pszichológia
alapvető feladata,
18:45
the veil of self-evidence from things.
hogy lebontsa a dolgok
magától értetődő voltát."
18:47
There are orders of magnitude
more decisions you make every day
Nagyságrendileg több helyes
döntést hozunk minden nap,
18:50
that get the world right.
így helyes a világképünk.
18:55
You know about objects
and their properties.
Ismerjük a tárgyakat és tulajdonságaikat.
18:56
You know them when they're occluded.
You know them in the dark.
Felismerjük őket még a sötétben is.
18:58
You can walk through rooms.
Átmegyünk a szobán.
19:01
You can figure out what other people
are thinking. You can talk to them.
Felfedhetjük, mit gondolnak mások.
Beszélhetünk hozzájuk.
19:02
You can navigate space.
You know about numbers.
Tudunk térben tájékozódni,
ismerjük a számokat.
19:06
You know causal relationships.
You know about moral reasoning.
Értjük az ok-okozati összefüggéseket.
Erkölcsi érveket vallunk.
19:08
You do this effortlessly,
so we don't see it,
Magától értetődik mindez,
tehát észrevétlen.
19:11
but that is how we get the world right,
and it's a remarkable
De ezért értjük helyesen a világot,
19:14
and very difficult-to-understand
accomplishment.
és ez egy jelentős,
de nehezen érthető eredmény.
19:16
CA: I suspect there are people
in the audience who have
CA: Gondolom a közönségből páran,
19:19
this view of accelerating
technological power
akik a műszaki fejlődésben bíznak,
19:21
who might dispute your statement
that never in our lifetimes
talán vitatják a kijelentésedet,
hogy az életünkben még
19:24
will a computer do what
a three-year-old child can do,
nem lesz egy háromévessel
felérő számítógép.
19:27
but what's clear is that in any scenario,
De akárhogyan is lesz,
19:29
our machines have so much to learn
from our toddlers.
a gépek sokat tanulhatnának a babáktól.
19:32
LS: I think so. You'll have some
machine learning folks up here.
LS: Pontosan. Lesznek itt
a gépi tanulásról előadók is.
19:38
I mean, you should never bet
against babies or chimpanzees
Soha ne fogadjunk babák, csimpánzok
19:41
or technology as a matter of practice,
vagy a technika ellen.
Tapasztalatból beszélek.
19:45
but it's not just
a difference in quantity,
Ez nemcsak mennyiségi,
19:49
it's a difference in kind.
hanem ugyanúgy minőségi különbség is.
19:53
We have incredibly powerful computers,
Hihetetlenül erős
számítógépeink vannak,
19:55
and they do do amazingly
sophisticated things,
melyek elképesztően
bonyolult dolgokra képesek,
19:57
often with very big amounts of data.
hatalmas mennyiségű adatot elemeznek.
20:00
Human minds do, I think,
something quite different,
Az emberi elme valamit másképpen csinál,
20:03
and I think it's the structured,
hierarchical nature of human knowledge
a különbség, úgy vélem, a strukturált,
hierarchikus tudásban rejlik,
20:05
that remains a real challenge.
ezt feltárni pedig embert próbáló feladat.
20:09
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
CA: Laura Schulz, csodás útravalót
adtál nekünk. Köszönjük.
20:11
LS: Thank you.
(Applause)
LS: Köszönöm!
(Taps)
20:14
Translated by Peter Pallós
Reviewed by Orsolya Kiss

▲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