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: De verrassende logica van baby's

Filmed
Views 1,632,838

Hoe leren baby's zo veel van zo weinig, zo snel? In een amusante talk vol experimenten laat cognitief wetenschapper Laura Schulz zien hoe onze kleintjes beslissingen nemen op basis van een verrassend sterk gevoel voor logica, ver voordat ze kunnen praten.

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

Mark Twain vatte een van de meest
00:12
Mark Twain summed up
what I take to be
fundamentele problemen
van de cognitieve wetenschap samen
00:14
one of the fundamental problems
of cognitive science
in deze quote.
00:18
with a single witticism.
Hij zei: "Er is iets fascinerends
aan de wetenschap.
00:20
He said, "There's something
fascinating about science.
Zo'n enorme opbrengst uit speculatie
00:23
One gets such wholesale
returns of conjecture
met zo'n geringe investering in feiten."
00:26
out of such a trifling
investment in fact."
(Gelach)
00:29
(Laughter)
Twain maakte een grapje,
maar hij heeft wel gelijk.
00:32
Twain meant it as a joke,
of course, but he's right:
Er is iets fascinerends
aan wetenschap.
00:34
There's something
fascinating about science.
Uit een paar botten kunnen we
het bestaan van dinosaurussen afleiden,
00:37
From a few bones, we infer
the existence of dinosuars.
uit spectraallijnen het ontstaan
van interstellaire gas- en stofwolken,
00:42
From spectral lines,
the composition of nebulae.
uit fruitvliegjes
00:47
From fruit flies,
de kenmerken van erfelijkheid
00:50
the mechanisms of heredity,
en uit gereconstrueerde beelden
van bloed dat door het brein stroomt,
00:53
and from reconstructed images
of blood flowing through the brain,
of, in mijn geval, uit het gedrag
van heel jonge kinderen
00:57
or in my case, from the behavior
of very young children,
proberen we iets af te leiden
over de fundamentele werking
01:02
we try to say something about
the fundamental mechanisms
van de menselijke cognitie.
01:05
of human cognition.
In mijn lab, bij TU Massachusetts'
afdeling cognitieve neurowetenschappen,
01:07
In particular, in my lab in the Department
of Brain and Cognitive Sciences at MIT,
heb ik de afgelopen tien jaar
gewerkt met het vraagstuk
01:12
I have spent the past decade
trying to understand the mystery
hoe kinderen zo snel en zo veel
kunnen leren van zo weinig.
01:16
of how children learn so much
from so little so quickly.
Want wat zo fascinerend is
aan de wetenschap,
01:20
Because, it turns out that
the fascinating thing about science
is ook fascinerend aan kinderen.
01:23
is also a fascinating
thing about children,
Namelijk, om het iets milder
te zeggen dan Mark Twain,
01:27
which, to put a gentler
spin on Mark Twain,
hun vermogen om snel en nauwkeurig
rijke en abstracte conclusies te trekken
01:29
is precisely their ability
to draw rich, abstract inferences
uit schaarse en vage data.
01:34
rapidly and accurately
from sparse, noisy data.
Ik zal jullie twee voorbeelden geven.
01:40
I'm going to give you
just two examples today.
Het eerste heeft te maken
met generalisatie,
01:42
One is about a problem of generalization,
en het tweede met causale verbanden.
01:45
and the other is about a problem
of causal reasoning.
Ook al zal ik het vooral
over mijn eigen werk hebben,
01:47
And although I'm going to talk
about work in my lab,
dit werk is geïnspireerd door,
en te danken aan, een vakgebied.
01:50
this work is inspired by
and indebted to a field.
Ik ben alle mentors, collega's en mensen
met wie ik heb samengewerkt dankbaar.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
Laten we beginnen met het probleem
van generalisatie.
01:59
Let me start with the problem
of generalization.
Een kleine hoeveelheid data generaliseren
is dagelijkse kost in de wetenschap.
02:02
Generalizing from small samples of data
is the bread and butter of science.
We peilen een kleine fractie
van de kiesgerechtigden
02:06
We poll a tiny fraction of the electorate
en voorspellen de uitkomst
van landelijke verkiezingen.
02:09
and we predict the outcome
of national elections.
We kijken hoe een handvol patiënten
reageert op een klinische behandeling
02:12
We see how a handful of patients
responds to treatment in a clinical trial,
en we brengen een medicijn op de markt.
02:16
and we bring drugs to a national market.
Maar dit werkt alleen als de proefpersonen
willekeurig worden gekozen.
02:19
But this only works if our sample
is randomly drawn from the population.
Als ze op een of andere manier
zijn geselecteerd --
02:23
If our sample is cherry-picked
in some way --
stel dat we alleen mensen
in steden peilen,
02:26
say, we poll only urban voters,
of dat er in onze klinische testen
van medicijnen voor hartziektes
02:28
or say, in our clinical trials
for treatments for heart disease,
alleen mannen meedoen,
02:32
we include only men --
dan kunnen de resultaten niet
veralgemeend worden.
02:34
the results may not generalize
to the broader population.
Dus wetenschappers willen weten of
het om een willekeurige steekproef gaat,
02:38
So scientists care whether evidence
is randomly sampled or not,
maar wat heeft dat te maken met baby's?
02:42
but what does that have to do with babies?
Baby's moeten constant
kleine hoeveelheden data generaliseren.
02:44
Well, babies have to generalize
from small samples of data all the time.
Ze zien een paar badeendjes
en leren dat die drijven,
02:49
They see a few rubber ducks
and learn that they float,
of een paar ballen en leren
dat die stuiteren.
02:52
or a few balls and learn that they bounce.
Zo krijgen ze verwachtingen
over eenden en ballen
02:55
And they develop expectations
about ducks and balls
die ze zullen overdragen
op badeenden en ballen
02:58
that they're going to extend
to rubber ducks and balls
voor de rest van hun leven.
03:01
for the rest of their lives.
En dit soort generalisaties die baby's
moeten maken over eenden en ballen
03:03
And the kinds of generalizations
babies have to make about ducks and balls
moeten ze over bijna alles maken:
03:07
they have to make about almost everything:
schoenen en schepen en zegellak
en kool en koningen.
03:09
shoes and ships and sealing wax
and cabbages and kings.
Kan het baby's iets schelen
of het luttele bewijs dat ze zien
03:14
So do babies care whether
the tiny bit of evidence they see
representatief is
voor een grotere populatie?
03:17
is plausibly representative
of a larger population?
Laten we eens kijken.
03:21
Let's find out.
Ik laat jullie twee filmpjes zien
03:23
I'm going to show you two movies,
van twee verschillende condities
van een experiment.
03:25
one from each of two conditions
of an experiment,
Omdat jullie maar twee filmpjes zien,
03:27
and because you're going to see
just two movies,
zien jullie ook maar twee baby's.
03:30
you're going to see just two babies,
Twee verschillende baby's vertonen
uiteraard ontelbare verschillen.
03:32
and any two babies differ from each other
in innumerable ways.
Maar dit zijn natuurlijk voorbeelden
uit twee groepen baby's,
03:36
But these babies, of course,
here stand in for groups of babies,
en de verschillen die je ziet
03:39
and the differences you're going to see
zijn representatief voor de verschillen
per groep voor beide condities.
03:41
represent average group differences
in babies' behavior across conditions.
In elk filmpje zie je
een baby die waarschijnlijk
03:47
In each movie, you're going to see
a baby doing maybe
precies doet wat je van een baby verwacht.
03:49
just exactly what you might
expect a baby to do,
We kunnen baby's nou een keer niet nog
wonderlijker maken dan ze al zijn.
03:53
and we can hardly make babies
more magical than they already are.
Maar het meest wonderlijke volgens mij,
03:58
But to my mind the magical thing,
en daar moet je hier op letten,
04:00
and what I want you to pay attention to,
is het verschil tussen de twee condities,
04:02
is the contrast between
these two conditions,
want het enige verschil
tussen de beide filmpjes
04:05
because the only thing
that differs between these two movies
is het statistische bewijs
dat de baby's in acht nemen.
04:08
is the statistical evidence
the babies are going to observe.
We laten de baby's een doos
met blauwe en gele ballen zien,
04:13
We're going to show babies
a box of blue and yellow balls,
en mijn toenmalige student,
nu collega in Stanford, Hyowon Gweon,
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
pakt drie blauwe ballen achter elkaar
uit die doos,
04:21
is going to pull three blue balls
in a row out of this box,
en telkens als ze een bal pakt,
knijpt ze erin
04:24
and when she pulls those balls out,
she's going to squeeze them,
en piept de bal.
04:27
and the balls are going to squeak.
En voor een baby is dat
zoiets als een TED-talk.
04:29
And if you're a baby,
that's like a TED Talk.
Beter wordt het niet.
04:32
It doesn't get better than that.
(Gelach)
04:34
(Laughter)
Waar het om gaat, is dat het eenvoudig
is om drie blauwe ballen achter elkaar
04:38
But the important point is it's really
easy to pull three blue balls in a row
te pakken uit een doos
met vooral blauwe ballen.
04:42
out of a box of mostly blue balls.
Dat kun je met ogen dicht doen.
04:44
You could do that with your eyes closed.
Het zou goed een willekeurige
steekproef kunnen zijn.
04:46
It's plausibly a random sample
from this population.
En als je willekeurig dingen
uit een doos haalt en ze piepen,
04:49
And if you can reach into a box at random
and pull out things that squeak,
dan piept misschien wel
alles wat in de doos zit.
04:53
then maybe everything in the box squeaks.
Dus misschien zouden baby's verwachten
dat de gele ballen ook piepen.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
Aan de gele ballen zitten echter
grappige stokjes,
05:00
Now, those yellow balls
have funny sticks on the end,
dus zouden baby's er ook andere dingen
mee kunnen doen.
05:02
so babies could do other things
with them if they wanted to.
Ze kunnen ermee rammelen of slaan.
05:05
They could pound them or whack them.
Laten we kijken wat de baby doet.
05:07
But let's see what the baby does.
(Video) Hyowon Gweon: Kijk eens?
(Bal piept)
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
Zag je dat?
(Bal piept)
05:16
Did you see that?
(Ball squeaks)
Wat mooi!
05:20
Cool.
Kijk eens naar deze?
05:24
See this one?
(Bal piept)
05:26
(Ball squeaks)
Wow.
05:28
Wow.
Laura Schulz: Ik zei het toch.
(Gelach)
05:33
Laura Schulz: Told you. (Laughs)
(Video) HG: Kijk eens naar deze?
(Bal piept)
05:35
(Video) HG: See this one?
(Ball squeaks)
Kijk, Clara, deze is voor jou.
Speel er maar mee.
05:39
Hey Clara, this one's for you.
You can go ahead and play.
(Gelach)
05:51
(Laughter)
LS: Ik hoef niets meer te zeggen, toch?
05:56
LS: I don't even have to talk, right?
Oké, het is leuk dat baby's
eigenschappen generaliseren
05:59
All right, it's nice that babies
will generalize properties
van blauwe naar gele ballen,
06:02
of blue balls to yellow balls,
en het is indrukwekkend dat baby's
kunnen leren door te imiteren,
06:03
and it's impressive that babies
can learn from imitating us,
maar die dingen wisten we al heel lang.
06:06
but we've known those things about babies
for a very long time.
De echt interessante vraag is
06:10
The really interesting question
wat er gebeurt als we baby's meermaals
exact hetzelfde laten zien.
06:12
is what happens when we show babies
exactly the same thing,
06:15
and we can ensure it's exactly the same
because we have a secret compartment
En we weten dat het exact hetzelfde is,
want we hebben een geheim vakje
waar we de ballen uit halen.
06:18
and we actually pull the balls from there,
Het enige dat we veranderen,
is de zichtbare populatie
06:20
but this time, all we change
is the apparent population
waar het bewijs vandaan komt.
06:24
from which that evidence was drawn.
Deze keer laten we de baby's
drie blauwe ballen zien
06:27
This time, we're going to show babies
three blue balls
uit een doos met vooral gele ballen,
06:30
pulled out of a box
of mostly yellow balls,
en wat denk je?
06:34
and guess what?
Je kunt niet willekeurig
drie blauwe ballen achter elkaar
06:35
You [probably won't] randomly draw
three blue balls in a row
uit een doos met
vooral gele ballen pakken.
06:38
out of a box of mostly yellow balls.
Het is niet aannemelijk dat je
ze dan willekeurig gekozen hebt.
06:40
That is not plausibly
randomly sampled evidence.
Dat resultaat suggereert dat Hyowon
misschien expres de blauwe ballen pakte.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
Misschien is er iets speciaals
aan de blauwe ballen.
06:49
Maybe there's something special
about the blue balls.
Misschien piepen alleen de blauwe ballen.
06:52
Maybe only the blue balls squeak.
Laten we kijken wat de baby doet.
06:55
Let's see what the baby does.
(Video) HG: Kijk eens?
(Bal piept)
06:57
(Video) HG: See this?
(Ball squeaks)
Kijk eens naar deze?
(Bal piept)
07:02
See this toy?
(Ball squeaks)
Oh, dat was leuk. Kijk?
(Bal piept)
07:05
Oh, that was cool. See?
(Ball squeaks)
Hier, deze is voor jou om mee te spelen.
Toe maar, speel er maar mee.
07:10
Now this one's for you to play.
You can go ahead and play.
(Gerommel)
(Gelach)
07:18
(Fussing)
(Laughter)
LS: Jullie hebben net twee baby's
van 15 maanden gezien
07:26
LS: So you just saw
two 15-month-old babies
die totaal verschillend reageerden,
07:29
do entirely different things
enkel gebaseerd op de waarschijnlijkheid
van de proef die ze zagen.
07:31
based only on the probability
of the sample they observed.
Hier zijn de resultaten
van het experiment:
07:35
Let me show you the experimental results.
Op de verticale as zie je
het percentage baby's
07:37
On the vertical axis, you'll see
the percentage of babies
dat in de bal kneep, per conditie.
07:40
who squeezed the ball in each condition,
En je ziet: baby's generaliseren
het bewijs eerder
07:42
and as you'll see, babies are much
more likely to generalize the evidence
als het representatief lijkt te zijn
voor de populatie
07:46
when it's plausibly representative
of the population
dan wanneer het bewijs
duidelijk gekozen is.
07:49
than when the evidence
is clearly cherry-picked.
En dit leidt tot een leuke voorspelling:
07:53
And this leads to a fun prediction:
stel dat je maar één blauwe bal pakt
uit de doos met vooral gele.
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
Drie blauwe ballen achter elkaar uit een
gele doos pakken is onwaarschijnlijk,
08:00
You [probably won't] pull three blue balls
in a row at random out of a yellow box,
maar je kunt wel toevallig
één blauwe bal pakken.
08:04
but you could randomly sample
just one blue ball.
Dat is geen onwaarschijnlijke steekproef.
08:07
That's not an improbable sample.
En als je willekeurig iets
uit een doos pakt
08:09
And if you could reach into
a box at random
en dat piept, misschien dat
alles in die doos dan wel piept.
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
Dus ook al zien de baby's
veel minder bewijs voor het piepen,
08:15
So even though babies are going to see
much less evidence for squeaking,
en veel minder voorbeelden om na te doen
08:20
and have many fewer actions to imitate
in deze conditie met één bal
dan in de conditie die je net zag,
08:22
in this one ball condition than in
the condition you just saw,
wij voorspelden dat meer baby's
in de ballen zouden knijpen,
08:25
we predicted that babies themselves
would squeeze more,
en dat is precies wat er gebeurde.
08:29
and that's exactly what we found.
Dus baby's van 15 maanden vinden,
net als wetenschappers,
08:32
So 15-month-old babies,
in this respect, like scientists,
het van belang of bewijs
uit een willekeurige steekproef komt.
08:37
care whether evidence
is randomly sampled or not,
En dat passen ze toe als ze verwachtingen
over de wereld scheppen:
08:40
and they use this to develop
expectations about the world:
wat piept en wat niet,
08:43
what squeaks and what doesn't,
wat te ontdekken en wat te negeren.
08:45
what to explore and what to ignore.
Ik zal nu een ander voorbeeld laten zien,
08:50
Let me show you another example now,
over het probleem van causaal redeneren.
08:52
this time about a problem
of causal reasoning.
En het begint met het verwarrende bewijs
08:55
And it starts with a problem
of confounded evidence
waar we allemaal over beschikken,
08:57
that all of us have,
namelijk dat we deel uitmaken
van de wereld.
08:59
which is that we are part of the world.
Misschien lijkt jullie dat geen probleem,
maar zoals meestal,
09:01
And this might not seem like a problem
to you, but like most problems,
is het alleen een probleem
als er iets mis gaat.
09:04
it's only a problem when things go wrong.
Neem bijvoorbeeld deze baby.
09:07
Take this baby, for instance.
Hij heeft een probleem:
09:09
Things are going wrong for him.
hij wil dat dit speeltje werkt
en dat lukt niet.
09:10
He would like to make
this toy go, and he can't.
Ik laat een paar seconden
van het filmpje zien.
09:13
I'll show you a few-second clip.
Er zijn twee mogelijkheden:
09:21
And there's two possibilities, broadly:
misschien doet hij iets fout,
09:23
Maybe he's doing something wrong,
of misschien is het speeltje kapot.
09:25
or maybe there's something
wrong with the toy.
Dus in het volgende experiment
09:30
So in this next experiment,
geven we de baby's
een heel klein beetje statistisch bewijs
09:32
we're going to give babies
just a tiny bit of statistical data
dat een van de hypotheses ondersteunt
09:35
supporting one hypothesis over the other,
en we kijken of baby's dat kunnen
gebruiken in hun beslissingen
09:38
and we're going to see if babies
can use that to make different decisions
over wat ze moeten doen.
09:41
about what to do.
Dit is wat we deden:
09:43
Here's the setup.
Hyowon probeert het speeltje en het werkt.
09:46
Hyowon is going to try to make
the toy go and succeed.
Daarna probeer ik het twee keer
en beide keren lukt het niet,
09:49
I am then going to try twice
and fail both times,
Hyowon probeert het nog een keer
en het werkt.
09:52
and then Hyowon is going
to try again and succeed,
En dit is ongeveer hoe het meestal gaat
tussen mij en mijn studenten
09:55
and this roughly sums up my relationship
to my graduate students
met de meeste technologische dingen.
09:58
in technology across the board.
Maar waar het hier om gaat is
dat het enigszins bewijst
10:02
But the important point here is
it provides a little bit of evidence
dat het niet aan het speeltje ligt,
maar aan de persoon.
10:05
that the problem isn't with the toy,
it's with the person.
Sommige mensen krijgen
dit speeltje aan de praat,
10:08
Some people can make this toy go,
en andere niet.
10:11
and some can't.
Wanneer de baby het speeltje krijgt,
heeft hij een keuze.
10:12
Now, when the baby gets the toy,
he's going to have a choice.
Zijn moeder zit naast hem,
10:16
His mom is right there,
dus hij kan het meteen aan haar geven
en de persoon veranderen.
10:18
so he can go ahead and hand off the toy
and change the person,
Maar er ligt ook nog speeltje
op het kleed,
10:21
but there's also going to be
another toy at the end of that cloth,
dus hij kan het kleed naar zich
toe trekken en het speeltje veranderen.
10:24
and he can pull the cloth towards him
and change the toy.
Kijk maar wat de baby doet.
10:28
So let's see what the baby does.
(Video) HG: Twee, drie, go!
(Muziek)
10:30
(Video) HG: Two, three. Go!
(Music)
LS: Een, twee, drie, go!
10:34
LS: One, two, three, go!
Arthur, ik probeer het nog een keer.
Een, twee drie, go!
10:37
Arthur, I'm going to try again.
One, two, three, go!
HG: Arthur, ik probeer het nog eens, oké?
10:45
YG: Arthur, let me try again, okay?
Een, twee, drie, go!
(Muziek)
10:48
One, two, three, go!
(Music)
Kijk eens! Ken je deze speeltjes nog?
10:53
Look at that. Remember these toys?
Zie je ze? Ik leg deze hier neer
10:55
See these toys? Yeah, I'm going
to put this one over here,
en deze geef ik aan jou.
10:58
and I'm going to give this one to you.
Speel er maar mee.
11:00
You can go ahead and play.
LS: Ja, Laura, maar natuurlijk houden
baby's van hun moeder.
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
Baby's geven hun moeder het speeltje
11:27
Of course babies give toys
to their mommies
als het niet werkt.
11:30
when they can't make them work.
Dus het gaat er ook hier weer om
wat er gebeurt
11:32
So again, the really important question
is what happens when we change
als we de statistische data
een beetje veranderen.
11:35
the statistical data ever so slightly.
Deze keer zien de baby's het speeltje
wel en niet werken in dezelfde volgorde,
11:38
This time, babies are going to see the toy
work and fail in exactly the same order,
maar we veranderen de distributie
van het bewijs.
11:42
but we're changing
the distribution of evidence.
Deze keer lukt het Hyowon één keer wel
en één keer niet, en mij ook.
11:45
This time, Hyowon is going to succeed
once and fail once, and so am I.
En dit suggereert dat het niet uitmaakt
wie het probeert, het speeltje is kapot.
11:49
And this suggests it doesn't matter
who tries this toy, the toy is broken.
Het doet het niet altijd.
11:55
It doesn't work all the time.
Ook nu heeft de baby weer een keuze.
11:57
Again, the baby's going to have a choice.
Haar moeder zit naast haar,
dus ze kan de persoon veranderen
11:59
Her mom is right next to her,
so she can change the person,
en er is nog een speeltje op het kleed.
12:02
and there's going to be another toy
at the end of the cloth.
Kijk maar wat ze doet.
12:05
Let's watch what she does.
(Video) HG: Twee, drie, go!
(Muziek)
12:07
(Video) HG: Two, three, go!
(Music)
Nog een keer. Een, twee, drie, go!
12:11
Let me try one more time.
One, two, three, go!
Hmm.
12:17
Hmm.
LS: Laat mij eens proberen, Clara.
12:19
LS: Let me try, Clara.
Een, twee, drie, go!
12:22
One, two, three, go!
Hmm, nog een keer.
12:27
Hmm, let me try again.
Een, twee, drie, go!
(Muziek)
12:29
One, two, three, go!
(Music)
HG: Ik leg deze hier neer,
12:35
HG: I'm going
to put this one over here,
en deze geef ik aan jou.
12:37
and I'm going to give this one to you.
Speel er maar mee.
12:39
You can go ahead and play.
(Applaus)
12:58
(Applause)
LS: Dit zijn de resultaten:
13:04
LS: Let me show you
the experimental results.
op de verticale as zie je de distributie
13:07
On the vertical axis,
you'll see the distribution
van de keuzes voor de beide condities,
13:09
of children's choices in each condition,
en je ziet dat de verdeling van de keuzes
die kinderen maken
13:12
and you'll see that the distribution
of the choices children make
afhangt van het bewijs dat ze zien.
13:16
depends on the evidence they observe.
Dus in het tweede jaar van hun leven,
13:19
So in the second year of life,
kunnen baby's wat statistische data
gebruiken
13:21
babies can use a tiny bit
of statistical data
om te kiezen tussen twee
fundamenteel verschillende manieren
13:24
to decide between two
fundamentally different strategies
om je te gedragen:
13:27
for acting in the world:
hulp vragen en op verkenning gaan.
13:29
asking for help and exploring.
Ik heb jullie net twee
experimenten laten zien
13:33
I've just shown you
two laboratory experiments
van de honderden in dit gebied
die vergelijkbare dingen aantonen.
13:37
out of literally hundreds in the field
that make similar points,
Het echt cruciale punt
13:40
because the really critical point
is dat het vermogen van kinderen om rijke
conclusies te trekken uit weinig data
13:43
is that children's ability
to make rich inferences from sparse data
de grondslag is van hoe mensen leren.
13:48
underlies all the species-specific
cultural learning that we do.
Kinderen hebben maar een paar voorbeelden
nodig om een nieuw apparaat te begrijpen.
13:53
Children learn about new tools
from just a few examples.
Ze leren over nieuwe causale verbanden
van maar een paar voorbeelden.
13:58
They learn new causal relationships
from just a few examples.
Ze leren zelfs nieuwe woorden,
in dit geval in Amerikaanse gebarentaal.
14:03
They even learn new words,
in this case in American Sign Language.
Ik wil afsluiten met twee punten.
14:08
I want to close with just two points.
Als je mijn vakgebied, de neurocognitieve
wetenschappen, hebt gevolgd
14:12
If you've been following my world,
the field of brain and cognitive sciences,
in de afgelopen paar jaar,
14:15
for the past few years,
dan zullen drie grote ideeën
je zijn opgevallen.
14:17
three big ideas will have come
to your attention.
Het eerste is dat dit het tijdperk
is van de hersenen.
14:20
The first is that this is
the era of the brain.
En inderdaad, er zijn indrukwekkende
ontdekkingen gedaan in neurowetenschap:
14:23
And indeed, there have been
staggering discoveries in neuroscience:
het localiseren van functioneel specifieke
gebieden van de cortex,
14:27
localizing functionally specialized
regions of cortex,
het doorzichtig maken
van de hersenen van muizen,
14:30
turning mouse brains transparent,
neuronen activeren met licht.
14:33
activating neurons with light.
Een tweede groot idee
14:36
A second big idea
is dat dit het tijdperk is van veel data
en machinaal leren,
14:38
is that this is the era of big data
and machine learning,
en machinaal leren lijkt te zorgen
voor een revolutie in ons begrip
14:43
and machine learning promises
to revolutionize our understanding
van alles, van sociale netwerken
tot epidemiologie.
14:46
of everything from social networks
to epidemiology.
Naarmate vragen opgelost raken
rond het begrip van de omgeving
14:50
And maybe, as it tackles problems
of scene understanding
14:53
and natural language processing,
en natuurlijke taalverwerking
kan het ons misschien iets leren
overmenselijke cognitie.
14:55
to tell us something
about human cognition.
En het laatste grote idee
14:59
And the final big idea you'll have heard
is dat het misschien wel goed is
dat we zoveel over de hersenen leren
15:01
is that maybe it's a good idea we're going
to know so much about brains
en toegang hebben tot zoveel data,
15:05
and have so much access to big data,
want als we aan onszelf zijn overgelaten,
15:06
because left to our own devices,
dan zijn mensen feilbaar:
we nemen een kortere weg,
15:09
humans are fallible, we take shortcuts,
we vergissen ons, we maken fouten,
15:13
we err, we make mistakes,
we zijn partijdig,
en op ontelbaar veel manieren
15:16
we're biased, and in innumerable ways,
begrijpen we de wereld verkeerd.
15:20
we get the world wrong.
Ik denk dat dit allemaal
belangrijke ideeën zijn,
15:24
I think these are all important stories,
die ons veel vertellen over de mensheid,
15:27
and they have a lot to tell us
about what it means to be human,
maar ik heb jullie vandaag
een heel ander verhaal verteld.
15:31
but I want you to note that today
I told you a very different story.
Een verhaal over het verstand
in plaats van over hersens,
15:35
It's a story about minds and not brains,
en vooral over het soort berekeningen die
15:39
and in particular, it's a story
about the kinds of computations
het menselijk verstand kan maken,
15:42
that uniquely human minds can perform,
op basis van rijke,
gestructureerde kennis
15:45
which involve rich, structured knowledge
and the ability to learn
en het vermogen om van een kleine
hoeveelheid data te leren,
15:49
from small amounts of data,
the evidence of just a few examples.
van het bewijs van enkele voorbeelden.
In de kern is het een verhaal
over hoe we van jongs af aan
15:56
And fundamentally, it's a story
about how starting as very small children
tot aan de meest indrukwekkende prestaties
16:00
and continuing out all the way
to the greatest accomplishments
van onze cultuur,
16:04
of our culture,
de wereld wél begrijpen.
16:08
we get the world right.
Het menselijk verstand leert natuurlijk
niet alleen van kleine hoeveelheden data.
16:12
Folks, human minds do not only learn
from small amounts of data.
Ons verstand kan nieuwe ideeën bedenken.
16:18
Human minds think
of altogether new ideas.
Ons verstand onderzoekt en ontdekt,
16:20
Human minds generate
research and discovery,
en het creëert kunst, literatuur,
poëzie en theater.
16:23
and human minds generate
art and literature and poetry and theater,
En met het menselijk verstand
kunnen we voor andere mensen zorgen:
16:29
and human minds take care of other humans:
de ouderen, jongeren, zieken.
16:32
our old, our young, our sick.
We kunnen ze zelfs genezen.
16:36
We even heal them.
In de komende jaren zullen we
technologische innovaties zien,
16:39
In the years to come, we're going
to see technological innovations
die mijn eigen verbeelding te boven gaan,
16:42
beyond anything I can even envision,
maar het is zeer onwaarschijnlijk
16:46
but we are very unlikely
dat we in onze tijd iets zullen zien
wat ook maar enigszins lijkt
16:48
to see anything even approximating
the computational power of a human child
op het calculerende vermogen van een kind.
16:54
in my lifetime or in yours.
Door te investeren in deze doortastende
lerenden en hun ontwikkeling,
16:58
If we invest in these most powerful
learners and their development,
in baby's en kinderen
17:03
in babies and children
en moeders en vaders
17:06
and mothers and fathers
en verzorgers en leraren
17:08
and caregivers and teachers
op dezelfde manier als we investeren
in onze andere fantastische, mooie vormen
17:11
the ways we invest in our other
most powerful and elegant forms
van techniek en design,
17:15
of technology, engineering and design,
dromen we niet alleen
van een betere toekomst,
17:18
we will not just be dreaming
of a better future,
maar maken we er plannen voor.
17:21
we will be planning for one.
Dank je wel.
17:23
Thank you very much.
(Applaus)
17:25
(Applause)
Chris Anderson: Laura, dank je wel.
Ik heb nog een vraag voor je.
17:29
Chris Anderson: Laura, thank you.
I do actually have a question for you.
Ten eerste, dit is onderzoek
is krankzinnig.
17:34
First of all, the research is insane.
Ik bedoel, wie doet er nou
zo'n experiment? (Gelach)
17:36
I mean, who would design
an experiment like that? (Laughter)
Ik heb dit een paar keer gezien,
17:41
I've seen that a couple of times,
en ik geloof nog steeds niet
dat het echt is,
17:42
and I still don't honestly believe
that that can truly be happening,
maar anderen hebben soortgelijke
experimenten gedaan; het klopt.
17:46
but other people have done
similar experiments; it checks out.
De baby's zijn echt zulke genieën.
17:49
The babies really are that genius.
LS: Ze zien er heel indrukwekkend uit
in onze experimenten,
17:50
LS: You know, they look really impressive
in our experiments,
maar let maar eens op hoe ze
er in het echt uitzien.
17:53
but think about what they
look like in real life, right?
Eerst is het een baby.
17:56
It starts out as a baby.
Achttien maanden later praat het met je,
17:57
Eighteen months later,
it's talking to you,
de eerste woordjes beperken zich niet
tot dingen als bal of eend,
17:59
and babies' first words aren't just
things like balls and ducks,
ze zeggen ook dingen als "op"
wat verwijst naar verdwijning,
18:02
they're things like "all gone,"
which refer to disappearance,
of "oh-oh", als iets per ongeluk gebeurt.
18:05
or "uh-oh," which refer
to unintentional actions.
Hij moet zoveel kunnen.
18:07
It has to be that powerful.
Hij moet veel meer kunnen
dan wat ik heb laten zien.
18:09
It has to be much more powerful
than anything I showed you.
Ze zijn de hele wereld aan het ontdekken.
18:12
They're figuring out the entire world.
Een vierjarige kan over bijna alles
met je praten.
18:14
A four-year-old can talk to you
about almost anything.
(Applaus)
18:17
(Applause)
CA: En als ik het goed begrijp,
is jouw andere punt
18:19
CA: And if I understand you right,
the other key point you're making is,
dat er de afgelopen jaren
zo vaak is gezegd dat ons verstand
18:22
we've been through these years
where there's all this talk
maar eigenzinnig en gebrekkig is,
18:25
of how quirky and buggy our minds are,
de gedragseconomie
en al die theorieën daarachter,
18:27
that behavioral economics
and the whole theories behind that
dat we niet rationeel zijn.
18:29
that we're not rational agents.
Jij legt juist de nadruk
op hoe buitengewoon,
18:31
You're really saying that the bigger
story is how extraordinary,
dat er echte genialiteit is
die wordt ondergewaardeerd.
18:35
and there really is genius there
that is underappreciated.
LS: Deze quote uit de psychologie
18:40
LS: One of my favorite
quotes in psychology
is van sociaal psycholoog Solomon Asch;
18:42
comes from the social
psychologist Solomon Asch,
hij zei dat de fundamentele taak
van de psychologie is om
18:45
and he said the fundamental task
of psychology is to remove
de sluier van vanzelfsprekendheid
weg te nemen.
18:47
the veil of self-evidence from things.
We maken elke dag ontelbaar veel meer
beslissingen waaruit blijkt
18:50
There are orders of magnitude
more decisions you make every day
dat we de wereld begrijpen.
18:55
that get the world right.
Je kent objecten en hun eigenschappen.
18:56
You know about objects
and their properties.
Je kent ze als ze verstopt zijn.
Je kent ze in het donker.
18:58
You know them when they're occluded.
You know them in the dark.
Je kunt door ruimtes lopen.
19:01
You can walk through rooms.
Je kunt erachter komen wat andere mensen
denken. Je kunt met ze praten.
19:02
You can figure out what other people
are thinking. You can talk to them.
Je kunt navigeren. Je kent cijfers.
19:06
You can navigate space.
You know about numbers.
Je kent causale verbanden.
Je kan moreel redeneren.
19:08
You know causal relationships.
You know about moral reasoning.
Je doet het vanzelf, dus we zien het niet,
19:11
You do this effortlessly,
so we don't see it,
maar zo begrijpen we de wereld,
en dat is een wonderbaarlijke
19:14
but that is how we get the world right,
and it's a remarkable
en moeilijk te begrijpen prestatie.
19:16
and very difficult-to-understand
accomplishment.
CA: Ik vermoed dat er mensen
in het publiek zijn die
19:19
CA: I suspect there are people
in the audience who have
een beeld hebben van
technologische ontwikkeling,
19:21
this view of accelerating
technological power
die het er niet mee eens zijn
dat er nooit in ons leven
19:24
who might dispute your statement
that never in our lifetimes
een computer zal doen
wat een driejarig kind kan doen,
19:27
will a computer do what
a three-year-old child can do,
maar wat hier in ieder geval uit blijkt
19:29
but what's clear is that in any scenario,
is dat onze apparaten nog heel veel
kunnen leren van onze peuters.
19:32
our machines have so much to learn
from our toddlers.
LS: Ja dat denk ik wel.
Machinaal leren zit hier vast ook.
19:38
LS: I think so. You'll have some
machine learning folks up here.
Je moet natuurlijk nooit
tegen baby's of chimpansees
19:41
I mean, you should never bet
against babies or chimpanzees
of techniek zijn, enkel uit principe,
19:45
or technology as a matter of practice,
maar het gaat niet alleen
om een verschil in kwantiteit,
19:49
but it's not just
a difference in quantity,
het is een verschil in aard.
19:53
it's a difference in kind.
We hebben ontzettend slimme computers,
19:55
We have incredibly powerful computers,
en ze doen ongelooflijk
geavanceerde dingen,
19:57
and they do do amazingly
sophisticated things,
vaak met gigantisch veel data.
20:00
often with very big amounts of data.
Mensen doen iets heel anders
20:03
Human minds do, I think,
something quite different,
en ik denk dat het de gestructureerde,
hiërarchische aard van onze kennis is,
20:05
and I think it's the structured,
hierarchical nature of human knowledge
wat een echte uitdaging blijft.
20:09
that remains a real challenge.
CA: Laura Schulz, mooi om
over na te denken. Dank je wel.
20:11
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
LS: Bedankt.
(Applaus)
20:14
LS: Thank you.
(Applause)
Translated by Saskia O'Neill
Reviewed by Els De Keyser

▲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