ABOUT THE SPEAKER
Deb Roy - Cognitive scientist
Deb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs.

Why you should listen

Deb Roy directs the Cognitive Machines group at the MIT Media Lab, where he studies how children learn language, and designs machines that learn to communicate in human-like ways. To enable this work, he has pioneered new data-driven methods for analyzing and modeling human linguistic and social behavior. He has authored numerous scientific papers on artificial intelligence, cognitive modeling, human-machine interaction, data mining, and information visualization.

Deb Roy was the co-founder and serves as CEO of Bluefin Labs, a venture-backed technology company. Built upon deep machine learning principles developed in his research over the past 15 years, Bluefin has created a technology platform that analyzes social media commentary to measure real-time audience response to TV ads and shows.

Follow Deb Roy on Twitter>

Roy adds some relevant papers:

Deb Roy. (2009). New Horizons in the Study of Child Language Acquisition. Proceedings of Interspeech 2009. Brighton, England. bit.ly/fSP4Qh

Brandon C. Roy, Michael C. Frank and Deb Roy. (2009). Exploring word learning in a high-density longitudinal corpus. Proceedings of the 31st Annual Meeting of the Cognitive Science Society. Amsterdam, Netherlands. bit.ly/e1qxej

Plenty more papers on our research including technology and methodology can be found here, together with other research from my lab at MIT: bit.ly/h3paSQ

The work that I mentioned on relationships between television content and the social graph is being done at Bluefin Labs (www.bluefinlabs.com). Details of this work have not been published. The social structures we are finding (and that I highlighted in my TED talk) are indeed new. The social media communication channels that are leading to their formation did not even exist a few years ago, and Bluefin's technology platform for discovering these kinds of structures is the first of its kind. We'll certainly have more to say about all this as we continue to dig into this fascinating new kind of data, and as new social structures continue to evolve!

More profile about the speaker
Deb Roy | Speaker | TED.com
TED2011

Deb Roy: The birth of a word

Deb Roy: Narodziny słowa

Filmed:
2,809,941 views

Pracownik naukowy MIT-u Deb Roy chciał zrozumieć, w jaki sposób jego synek nauczył się mówić. W tym celu zainstalował w swoim domu kamery video, aby uchwycić każdy moment (z pewnymi wyjątkami) życia swojego syna, a następnie przeprowadził analizę składniową 90 tys. godzin amatorskiego filmu video, żeby zaobserować jak "gaaa" powoli zmienia się w "water" (wodę). Zdumiewające badanie naukowe, bogate w dane i niosące poważne implikacje na temat procesu uczenia się.
- Cognitive scientist
Deb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs. Full bio

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

00:15
ImagineWyobraź sobie if you could recordrekord your life --
0
0
4000
Wyobraźcie sobie, że możecie zarejestrować swoje życie -
00:19
everything you said, everything you did,
1
4000
3000
wszystko co mówicie i co robicie,
00:22
availabledostępny in a perfectidealny memorypamięć storesklep at your fingertipsręki,
2
7000
3000
dostępne w doskonałym magazynie pamięci w zasięgu ręki
00:25
so you could go back
3
10000
2000
po to, żeby można było wrócić,
00:27
and find memorableniezapomniany momentschwile and relivePrzeżyj them,
4
12000
3000
odnaleźć niezapomniane chwile i przeżyć je ponownie,
00:30
or siftprzesiać throughprzez tracesślady of time
5
15000
3000
albo przeszukać ślady czasu
00:33
and discoverodkryć patternswzorce in your ownwłasny life
6
18000
2000
i odkryć prawidłowości we własnym życiu,
00:35
that previouslypoprzednio had goneodszedł undiscoverednieodkryta.
7
20000
3000
których wcześniej nie udało się nam zaobserwować.
00:38
Well that's exactlydokładnie the journeypodróż
8
23000
2000
Tę właśnie podróż
00:40
that my familyrodzina beganrozpoczął się
9
25000
2000
moja rodzina rozpoczęła
00:42
fivepięć and a halfpół yearslat agotemu.
10
27000
2000
pięć i pół roku temu.
00:44
This is my wifeżona and collaboratorwspółpracownik, RupalRupal.
11
29000
3000
Oto moja żona i współpracownik - Rupal.
00:47
And on this day, at this momentza chwilę,
12
32000
2000
I tego właśnie dnia, w tym momencie,
00:49
we walkedchodził into the housedom with our first childdziecko,
13
34000
2000
wróciliśmy do domu z naszym pierwszym dzieckiem,
00:51
our beautifulpiękny babydziecko boychłopak.
14
36000
2000
z naszym pięknym synkiem.
00:53
And we walkedchodził into a housedom
15
38000
3000
Weszliśmy do domu
00:56
with a very specialspecjalny home videowideo recordingnagranie systemsystem.
16
41000
4000
wyposażonego w specjalny system nagrywania amatorskich filmów.
01:07
(VideoWideo) Man: Okay.
17
52000
2000
(Video) W porządku.
01:10
DebDeb RoyRoy: This momentza chwilę
18
55000
1000
Ta chwila,
01:11
and thousandstysiące of other momentschwile specialspecjalny for us
19
56000
3000
a także tysiące innych momentów dla nas szczególnych
01:14
were capturedschwytany in our home
20
59000
2000
zostało uchwyconych w naszym domu,
01:16
because in everykażdy roompokój in the housedom,
21
61000
2000
ponieważ w każdym pomieszczeniu,
01:18
if you lookedspojrzał up, you'dty byś see a cameraaparat fotograficzny and a microphonemikrofon,
22
63000
3000
jeżeli spojrzycie w górę, zobaczycie kamerę i mikrofon,
01:21
and if you lookedspojrzał down,
23
66000
2000
a jeśli spojrzycie w dół,
01:23
you'dty byś get this bird's-eyelotu ptaka viewwidok of the roompokój.
24
68000
2000
otrzymacie widok pokoju z lotu ptaka.
01:25
Here'sTutaj jest our livingżycie roompokój,
25
70000
3000
To jest nasz salon,
01:28
the babydziecko bedroomsypialnia,
26
73000
3000
pokój dziecięcy,
01:31
kitchenkuchnia, diningjadalnia roompokój
27
76000
2000
kuchnia, jadalnia,
01:33
and the restodpoczynek of the housedom.
28
78000
2000
a to reszta domu.
01:35
And all of these fedkarmiony into a discpłyty arrayszyk
29
80000
3000
Dane wprowadzane były w macierz dyskową,
01:38
that was designedzaprojektowany for a continuousciągły capturezdobyć.
30
83000
3000
którą zaprojektowano w celu ciągłej rejestracji obrazu.
01:41
So here we are flyinglatający throughprzez a day in our home
31
86000
3000
Spędzamy więc dzień w domu,
01:44
as we moveruszaj się from sunlitnasłonecznione morningranek
32
89000
3000
od słonecznego poranka,
01:47
throughprzez incandescentżarówki eveningwieczór
33
92000
2000
poprzez rozżarzony wieczór,
01:49
and, finallywreszcie, lightsświatła out for the day.
34
94000
3000
a na koniec dnia światła gasną.
01:53
Over the coursekurs of threetrzy yearslat,
35
98000
3000
W ciągu trzech lat
01:56
we recordednagrany eightosiem to 10 hoursgodziny a day,
36
101000
2000
nagrywaliśmy 8-10 godzin dziennie,
01:58
amassinggromadzenie roughlyw przybliżeniu a quarter-millionćwierć miliona hoursgodziny
37
103000
3000
gromadząc około ćwierć miliona godzin
02:01
of multi-trackwielo-track audioaudio and videowideo.
38
106000
3000
wielościeżkowych danych audiowizualnych.
02:04
So you're looking at a piecekawałek of what is by fardaleko
39
109000
2000
Patrzycie więc na fragment zdecydowanie
02:06
the largestNajwiększa home videowideo collectionkolekcja ever madezrobiony.
40
111000
2000
największej kolekcji amatorskich filmów jaka kiedykolwiek powstała.
02:08
(LaughterŚmiech)
41
113000
3000
(Śmiech)
02:11
And what this datadane representsreprezentuje
42
116000
2000
Co dane te przedstawiają
02:13
for our familyrodzina at a personalosobisty levelpoziom,
43
118000
4000
dla naszej rodziny na płaszczyźnie prywatnej,
02:17
the impactwpływ has alreadyjuż been immenseogromny,
44
122000
2000
już teraz mogę powiedzieć, że wpływ jest przeogromny,
02:19
and we're still learninguczenie się its valuewartość.
45
124000
3000
i nadal poznajemy jego wartość.
02:22
CountlessNiezliczone momentschwile
46
127000
2000
Niezliczone chwile
02:24
of unsolicitedniezamawiane naturalnaturalny momentschwile, not posedJakie momentschwile,
47
129000
3000
naturalnych, niewyćwiczonych momentów
02:27
are capturedschwytany there,
48
132000
2000
zostały tu utrwalone,
02:29
and we're startingstartowy to learnuczyć się how to discoverodkryć them and find them.
49
134000
3000
i zaczynamy się uczyć je odkrywać i znajdować.
02:32
But there's alsorównież a scientificnaukowy reasonpowód that drovestado this projectprojekt,
50
137000
3000
Jednak istnieje także powód naukowy, który leżał u podstaw tego projektu,
02:35
whichktóry was to use this naturalnaturalny longitudinalwzdłużne datadane
51
140000
4000
a mianowicie wykorzystanie naturalnych danych obserwacyjnych
02:39
to understandzrozumieć the processproces
52
144000
2000
do zrozumienia procesu
02:41
of how a childdziecko learnsuczy się languagejęzyk --
53
146000
2000
uczenia się przez dziecko mowy -
02:43
that childdziecko beingistota my sonsyn.
54
148000
2000
a tym dzieckiem był mój syn.
02:45
And so with manywiele privacyPrywatność provisionsprzepisy put in placemiejsce
55
150000
4000
Wykorzystując wiele rozwiązań z dziedziny ochrony prywatności,
02:49
to protectochraniać everyonekażdy who was recordednagrany in the datadane,
56
154000
3000
w celu ochrony wszystkich, których dane objęły,
02:52
we madezrobiony elementselementy of the datadane availabledostępny
57
157000
3000
udostępniliśmy ich fragmenty
02:55
to my trustedzaufany researchBadania teamzespół at MITMIT
58
160000
3000
mojemu zaufanemu zespołowi badawczemu w MIT
02:58
so we could startpoczątek teasingdokuczanie apartniezależnie patternswzorce
59
163000
3000
i mogliśmy rozpocząć pracę nad znalezieniem prawidłowości
03:01
in this massivemasywny datadane setzestaw,
60
166000
3000
w tym ogromnym zbiorze danych,
03:04
tryingpróbować to understandzrozumieć the influencewpływ of socialspołeczny environmentsśrodowiska
61
169000
3000
próbując zrozumieć wpływ środowisk społecznych
03:07
on languagejęzyk acquisitionnabycie.
62
172000
2000
na akwizycję języka.
03:09
So we're looking here
63
174000
2000
Widzimy tu
03:11
at one of the first things we startedRozpoczęty to do.
64
176000
2000
jedną z pierwszych rzeczy, na których się skoncentrowaliśmy.
03:13
This is my wifeżona and I cookinggotowanie breakfastśniadanie in the kitchenkuchnia,
65
178000
4000
To moja żona i ja, przygotowujący w kuchni śniadanie,♫
03:17
and as we moveruszaj się throughprzez spaceprzestrzeń and throughprzez time,
66
182000
3000
kiedy poruszamy się w czasie i przestrzeni,
03:20
a very everydaycodziennie patternwzór of life in the kitchenkuchnia.
67
185000
3000
bardzo codziennego modelu życia w kuchni.
03:23
In orderzamówienie to convertkonwertować
68
188000
2000
W celu przekonwertowania
03:25
this opaquenieprzezroczysty, 90,000 hoursgodziny of videowideo
69
190000
3000
tych złożonych 90 tys. godzin nagrań video
03:28
into something that we could startpoczątek to see,
70
193000
2000
w coś, co moglibyśmy zacząć rozumieć,
03:30
we use motionruch analysisanaliza to pullCiągnąć out,
71
195000
2000
korzystamy z analizy ruchu w celu wydobycia,
03:32
as we moveruszaj się throughprzez spaceprzestrzeń and throughprzez time,
72
197000
2000
w miarę jak poruszamy się w czasie i przestrzeni,
03:34
what we call space-timeczasoprzestrzeni wormsrobaki.
73
199000
3000
tzw. 'robaków czasoprzestrzennych'.
03:37
And this has becomestają się partczęść of our toolkitzestaw narzędzi
74
202000
3000
Stało się to częścią naszego zestawu narzędzi,
03:40
for beingistota ablezdolny to look and see
75
205000
3000
aby móc spojrzeć i dostrzec,
03:43
where the activitieszajęcia are in the datadane,
76
208000
2000
gdzie w danych znajdują się czynności
03:45
and with it, traceślad the patternwzór of, in particularszczególny,
77
210000
3000
i w ten sposób nakreślić schematy, w szczególności
03:48
where my sonsyn movedprzeniósł throughoutpoprzez the home,
78
213000
2000
którędy mój syn się poruszał po domu,
03:50
so that we could focusskupiać our transcriptionTranskrypcja effortsstarania,
79
215000
3000
abyśmy mogli się skupić na transkrypcji nagrań,
03:53
all of the speechprzemówienie environmentśrodowisko around my sonsyn --
80
218000
3000
zawierających zapis środowiska językowego wokół mojego syna -
03:56
all of the wordssłowa that he heardsłyszał from myselfsiebie, my wifeżona, our nannyniania,
81
221000
3000
wszystkich słów, które usłyszał ode mnie, od mojej żony i naszej niani
03:59
and over time, the wordssłowa he beganrozpoczął się to produceprodukować.
82
224000
3000
i na przestrzeni czasu słów, które zaczął wymawiać.
04:02
So with that technologytechnologia and that datadane
83
227000
3000
Dysponując taką technologią i danymi,
04:05
and the abilityzdolność to, with machinemaszyna assistancewsparcie,
84
230000
2000
a także możliwością, z pomocą programu,
04:07
transcribeTranskrypcja speechprzemówienie,
85
232000
2000
dokonania transkrypcji mowy,
04:09
we'vemamy now transcribedtranskrypcji
86
234000
2000
do tej pory sporządziliśmy transkrypcję
04:11
well over sevensiedem millionmilion wordssłowa of our home transcriptstranskrypcje.
87
236000
3000
ponad siedmiu milionów słów domowego zapisu.
04:14
And with that, let me take you now
88
239000
2000
Pozwólcie, że zabiorę was teraz
04:16
for a first tourwycieczka into the datadane.
89
241000
3000
w pierwszą podróż w dane.
04:19
So you've all, I'm sure,
90
244000
2000
Jestem pewien, że każdy z was
04:21
seenwidziany time-lapsepoklatkowy videosfilmy wideo
91
246000
2000
widział filmy poklatkowe,
04:23
where a flowerkwiat will blossomkwiat as you accelerateprzyśpieszyć time.
92
248000
3000
na których kwiat zakwita, kiedy przyspiesza się czas.
04:26
I'd like you to now experiencedoświadczenie
93
251000
2000
Chciałbym, żebyście teraz doświadczyli
04:28
the blossomingKwitnąca of a speechprzemówienie formformularz.
94
253000
2000
rozkwitu mowy.
04:30
My sonsyn, soonwkrótce after his first birthdayurodziny,
95
255000
2000
Mój syn, zaraz po swoich pierwszych urodzinach,
04:32
would say "gagaGaga" to mean waterwoda.
96
257000
3000
zaczął mówić "gaga" mając na myśli wodę.
04:35
And over the coursekurs of the nextNastępny half-yearpół roku,
97
260000
3000
Przez następne pół roku
04:38
he slowlypowoli learnednauczyli to approximatezbliżenie
98
263000
2000
powoli nauczył się wymawiać zbliżoną
04:40
the properprawidłowe adultdorosły formformularz, "waterwoda."
99
265000
3000
właściwą formę słowa "water" (woda).
04:43
So we're going to cruiserejs throughprzez halfpół a yearrok
100
268000
2000
Usłyszymy teraz pół roku
04:45
in about 40 secondstowary drugiej jakości.
101
270000
2000
w ciągu około 40 sekund.
04:47
No videowideo here,
102
272000
2000
Bez video,
04:49
so you can focusskupiać on the sounddźwięk, the acousticsAkustyka,
103
274000
3000
żebyście mogli skupić się na dźwięku, akustyce,
04:52
of a newNowy kinduprzejmy of trajectorytrajektoria:
104
277000
2000
nowego rodzaju trajektorii:
04:54
gagaGaga to waterwoda.
105
279000
2000
"gaga" to "water" (woda)
04:56
(AudioDźwięk) BabyDziecko: GagagagagagaGagagagagaga
106
281000
12000
(Audio) Dziecko: Gagagagagaga
05:08
GagaGaga gagaGaga gagaGaga
107
293000
4000
Gaga gaga gaga
05:12
gugaGuga gugaGuga gugaGuga
108
297000
5000
guga guga guga
05:17
wadawada gagaGaga gagaGaga gugaGuga gagaGaga
109
302000
5000
wada gaga gaga guga gaga
05:22
waderwader gugaGuga gugaGuga
110
307000
4000
wader guga guga
05:26
waterwoda waterwoda waterwoda
111
311000
3000
water water water (woda woda woda)
05:29
waterwoda waterwoda waterwoda
112
314000
6000
water water water (woda woda woda)
05:35
waterwoda waterwoda
113
320000
4000
water water (woda woda)
05:39
waterwoda.
114
324000
2000
water (woda).
05:41
DRDR: He sure nailedprzybity it, didn't he.
115
326000
2000
Dobrze sobie poradził, prawda?
05:43
(ApplauseAplauz)
116
328000
7000
(Brawa)
05:50
So he didn't just learnuczyć się waterwoda.
117
335000
2000
Nie nauczył się więc słowa "water" (woda) tak po prostu.
05:52
Over the coursekurs of the 24 monthsmiesiące,
118
337000
2000
W ciągu 24 miesięcy,
05:54
the first two yearslat that we really focusedskupiony on,
119
339000
3000
pierwszych dwóch lat życia, na których się szczególnie skoncentrowaliśmy,
05:57
this is a mapmapa of everykażdy wordsłowo he learnednauczyli in chronologicalchronologicznym orderzamówienie.
120
342000
4000
jest to mapa każdego słowa, którego się nauczył w porządku chronologicznym.
06:01
And because we have fullpełny transcriptstranskrypcje,
121
346000
3000
I ponieważ dysponujemy pełnymi zapisami tekstu,
06:04
we'vemamy identifiedzidentyfikowane eachkażdy of the 503 wordssłowa
122
349000
2000
zidentyfikowaliśmy każde z 503 słów,
06:06
that he learnednauczyli to produceprodukować by his seconddruga birthdayurodziny.
123
351000
2000
które nauczył się wymawiać przed swoimi drugimi urodzinami.
06:08
He was an earlywcześnie talkermówca.
124
353000
2000
Zaczął mówić wcześnie.
06:10
And so we startedRozpoczęty to analyzeanalizować why.
125
355000
3000
Zaczęliśmy więc analizować przyczyny.
06:13
Why were certainpewny wordssłowa bornurodzony before othersinni?
126
358000
3000
Dlaczego niektóre słowa rodzą się wcześniej niż inne.
06:16
This is one of the first resultswyniki
127
361000
2000
Jest to jeden z pierwszych wyników,
06:18
that cameoprawa ołowiana witrażu out of our studybadanie a little over a yearrok agotemu
128
363000
2000
naszego badania sprzed niewiele ponad roku temu,
06:20
that really surprisedzaskoczony us.
129
365000
2000
które naprawdę nas zakoczyły.
06:22
The way to interpretzinterpretować this apparentlywidocznie simpleprosty graphwykres
130
367000
3000
Oto interpretacja tego pozornie prostego wykresu,
06:25
is, on the verticalpionowy is an indicationwskazanie
131
370000
2000
oś pionowa oznacza
06:27
of how complexzłożony caregiveropiekun utteranceswypowiedzi are
132
372000
3000
stopień złożoności wypowiedzi opiekuna
06:30
basedna podstawie on the lengthdługość of utteranceswypowiedzi.
133
375000
2000
w oparciu o długość wypowiedzi.
06:32
And the [horizontalpoziomy] axis is time.
134
377000
3000
A oś pozioma to czas.
06:35
And all of the datadane,
135
380000
2000
Wszystkie te dane
06:37
we alignedwyrównane basedna podstawie on the followingnastępujący ideapomysł:
136
382000
3000
zestawiliśmy w oparciu o następującą myśl:
06:40
EveryKażdy time my sonsyn would learnuczyć się a wordsłowo,
137
385000
3000
za każdym razem, kiedy mój syn nauczył się nowego słowa,
06:43
we would traceślad back and look at all of the languagejęzyk he heardsłyszał
138
388000
3000
prześledziliśmy cały wkład językowy, który otrzymał
06:46
that containedzawarte that wordsłowo.
139
391000
2000
i który zawierał to słowo.
06:48
And we would plotwątek the relativekrewny lengthdługość of the utteranceswypowiedzi.
140
393000
4000
Sporządziliśmy względną długość wypowiedzi.
06:52
And what we founduznany was this curiousciekawy phenomenazjawiska,
141
397000
3000
I odkryliśmy ciekawe zjawisko, które polega na tym,
06:55
that caregiveropiekun speechprzemówienie would systematicallysystematycznie dipDIP to a minimumminimum,
142
400000
3000
że mowa opiekuna systematycznie spada do minimum,
06:58
makingzrobienie languagejęzyk as simpleprosty as possiblemożliwy,
143
403000
3000
upraszczając język do granic możliwości,
07:01
and then slowlypowoli ascendAscend back up in complexityzłożoność.
144
406000
3000
a następnie powoli znowu staje się bardziej skomplikowana.
07:04
And the amazingniesamowity thing was
145
409000
2000
Niesamowite było właśnie
07:06
that bounceBounce, that dipDIP,
146
411000
2000
to odbicie, ten spadek,
07:08
linedprążkowany up almostprawie preciselydokładnie
147
413000
2000
skoordynowany prawie dokładnie
07:10
with when eachkażdy wordsłowo was bornurodzony --
148
415000
2000
z początkiem narodzin każdego słowa -
07:12
wordsłowo after wordsłowo, systematicallysystematycznie.
149
417000
2000
słowo po słowie, systematycznie.
07:14
So it appearspojawia się that all threetrzy primarypodstawowa caregiversOpiekunowie --
150
419000
2000
Wygląda więc na to, że trzech głównych opiekunów -
07:16
myselfsiebie, my wifeżona and our nannyniania --
151
421000
3000
ja sam, moja żona i nasza niania -
07:19
were systematicallysystematycznie and, I would think, subconsciouslypodświadomie
152
424000
3000
systematycznie i, jak sądzę, podświadomie,
07:22
restructuringrestrukturyzacji our languagejęzyk
153
427000
2000
rekonstruowaliśmy swoją mowę
07:24
to meetspotykać się him at the birthnarodziny of a wordsłowo
154
429000
3000
aby asystować mojemu synowi przy narodzinach słowa
07:27
and bringprzynieść him gentlydelikatnie into more complexzłożony languagejęzyk.
155
432000
4000
i łagodnie wprowadzić go w bardziej złożony język.
07:31
And the implicationsimplikacje of this -- there are manywiele,
156
436000
2000
Jest wiele implikacji tego odkrycia,
07:33
but one I just want to pointpunkt out,
157
438000
2000
ale chciałbym wskazać na jedną z nich,
07:35
is that there mustmusi be amazingniesamowity feedbackinformacje zwrotne loopspętle.
158
440000
3000
że muszą istnieć niesamowite pętle przyczynowo-skutkowe.
07:38
Of coursekurs, my sonsyn is learninguczenie się
159
443000
2000
Oczywiście mój syn uczy się
07:40
from his linguisticlingwistyczny environmentśrodowisko,
160
445000
2000
ze swojego środowiska językowego,
07:42
but the environmentśrodowisko is learninguczenie się from him.
161
447000
3000
ale środowisko uczy się od niego.
07:45
That environmentśrodowisko, people, are in these tightmocno feedbackinformacje zwrotne loopspętle
162
450000
3000
Otoczenie, ludzie, znajdują się w tych szczelnych pętlach przyczynowo-skutkowych
07:48
and creatingtworzenie a kinduprzejmy of scaffoldingrusztowanie
163
453000
2000
i tworzą rodzaj rusztowania,
07:50
that has not been noticedzauważyłem untilaż do now.
164
455000
3000
które do tej pory nie zostało dostrzeżone.
07:54
But that's looking at the speechprzemówienie contextkontekst.
165
459000
2000
Wszystko to jest analizą kontekstu językowego.
07:56
What about the visualwizualny contextkontekst?
166
461000
2000
Co więc z kontekstem wizualnym?
07:58
We're not looking at --
167
463000
2000
Widzimy teraz -
08:00
think of this as a dollhouseDomek dla lalek cutawaycutaway of our housedom.
168
465000
2000
przyjmijmy, że to przekrój naszego domu w stylu domku dla lalek
08:02
We'veMamy takenwzięty those circularokólnik fish-eyerybie oko lensobiektyw cameraskamery,
169
467000
3000
Zastosowaliśmy kamery o kolistych soczewkach typu rybie oko
08:05
and we'vemamy doneGotowe some opticaloptyczne correctionkorekta,
170
470000
2000
i dokonaliśmy pewnej korekty optycznej,
08:07
and then we can bringprzynieść it into three-dimensionaltrójwymiarowy life.
171
472000
4000
a następnie wprowadziliśmy je do trójwymiarowego życia.
08:11
So welcomeWitamy to my home.
172
476000
2000
Witam więc w moim domu.
08:13
This is a momentza chwilę,
173
478000
2000
To jest moment,
08:15
one momentza chwilę capturedschwytany acrossprzez multiplewielokrotność cameraskamery.
174
480000
3000
jeden moment uchwycony wieloma kamerami.
08:18
The reasonpowód we did this is to createStwórz the ultimateostateczny memorypamięć machinemaszyna,
175
483000
3000
Powódem, dla którego to zrobiliśmy było stworzenie jedynej w swoim rodzaju maszyny pamięciowej,
08:21
where you can go back and interactivelyinteraktywnie flylatać around
176
486000
3000
w której można się cofać w czasie i korzystać w sposób interaktywny,
08:24
and then breatheoddychać video-lifewideo życie into this systemsystem.
177
489000
3000
a następnie tchnąć nagrane życie w ten system.
08:27
What I'm going to do
178
492000
2000
Pokażę wam teraz
08:29
is give you an acceleratedprzyśpieszony viewwidok of 30 minutesminuty,
179
494000
3000
przyspieszoną wersję trwającego 30 minut nagrania
08:32
again, of just life in the livingżycie roompokój.
180
497000
2000
ze zwykłego życia w salonie.
08:34
That's me and my sonsyn on the floorpiętro.
181
499000
3000
To ja i mój syn na podłodze.
08:37
And there's videowideo analyticsAnalytics
182
502000
2000
Widać tutaj analitykę video,
08:39
that are trackingśledzenie our movementsruchy.
183
504000
2000
która śledzi nasze ruchy.
08:41
My sonsyn is leavingodejście redczerwony inkatrament. I am leavingodejście greenZielony inkatrament.
184
506000
3000
Mój syn pozostawia ślad czerwony, a ja - zielony.
08:44
We're now on the couchsofa,
185
509000
2000
Siedzimy teraz na kanapie,
08:46
looking out throughprzez the windowokno at carssamochody passingprzechodzący by.
186
511000
3000
patrząc przez okno na przejeżdżające samochody.
08:49
And finallywreszcie, my sonsyn playinggra in a walkingpieszy toyzabawka by himselfsamego siebie.
187
514000
3000
I wreszcie mój syn sam bawi się w chodziku.
08:52
Now we freezezamrażać the actionczynność, 30 minutesminuty,
188
517000
3000
Teraz zatrzymujemy akcję, 30 minut,
08:55
we turnskręcać time into the verticalpionowy axis,
189
520000
2000
zmieniamy czas w oś pionową
08:57
and we openotwarty up for a viewwidok
190
522000
2000
i otrzymujemy perspektywę
08:59
of these interactioninterakcja tracesślady we'vemamy just left behindza.
191
524000
3000
tych śladów interakcji, które zostawiliśmy za sobą.
09:02
And we see these amazingniesamowity structuresStruktury --
192
527000
3000
Widać tu te niesamowite konstrukcje,
09:05
these little knotswęzłów of two colorszabarwienie of threadwątek
193
530000
3000
supełki dwóch kolorów nici,
09:08
we call "socialspołeczny hotgorąco spotskropki."
194
533000
2000
które nazywamy społecznymi miejscami aktywnymi.
09:10
The spiralspirala threadwątek
195
535000
2000
Spiralną nić
09:12
we call a "soloSolo hotgorąco spotmiejsce."
196
537000
2000
nazywamy pojedyńczym miejscem aktywnym
09:14
And we think that these affectoddziaływać the way languagejęzyk is learnednauczyli.
197
539000
3000
Sądzimy, że punkty te wpływają na to, w jaki sposób uczymy się języka.
09:17
What we'dpoślubić like to do
198
542000
2000
Chcielibyśmy
09:19
is startpoczątek understandingzrozumienie
199
544000
2000
zacząć rozumieć
09:21
the interactioninterakcja betweenpomiędzy these patternswzorce
200
546000
2000
relację pomiędzy tymi prawidłowościami
09:23
and the languagejęzyk that my sonsyn is exposednarażony to
201
548000
2000
i językiem, z jakim ma kontakt mój syn,
09:25
to see if we can predictprzepowiadać, wywróżyć
202
550000
2000
aby spróbować przewidzieć,
09:27
how the structureStruktura of when wordssłowa are heardsłyszał
203
552000
2000
w jaki sposób struktura momentu, w którym dziecko słyszy słowa
09:29
affectsma wpływ when they're learnednauczyli --
204
554000
2000
wpływa na to, kiedy ich się uczy -
09:31
so in other wordssłowa, the relationshipzwiązek
205
556000
2000
innymi słowy, związek
09:33
betweenpomiędzy wordssłowa and what they're about in the worldświat.
206
558000
4000
słów i tym co reprezentują.
09:37
So here'soto jest how we're approachingzbliża się this.
207
562000
2000
Dokonujemy tego w taki sposób.
09:39
In this videowideo,
208
564000
2000
Na tym filmie
09:41
again, my sonsyn is beingistota tracedśledzone out.
209
566000
2000
mój syn po raz kolejny pozostawia za sobą ślad.
09:43
He's leavingodejście redczerwony inkatrament behindza.
210
568000
2000
Czerwony.
09:45
And there's our nannyniania by the doordrzwi.
211
570000
2000
Przy drzwiach stoi niania.
09:47
(VideoWideo) NannyNiania: You want waterwoda? (BabyDziecko: AaaaAAAA.)
212
572000
3000
(Video) Niania: Chcesz wody? (Dziecko: Aaaa)
09:50
NannyNiania: All right. (BabyDziecko: AaaaAAAA.)
213
575000
3000
Niania: W porządku. (Dziecko: Aaaa)
09:53
DRDR: She offersoferuje waterwoda,
214
578000
2000
DR: Niania proponuje wodę,
09:55
and off go the two wormsrobaki
215
580000
2000
i oba "robaki" idą
09:57
over to the kitchenkuchnia to get waterwoda.
216
582000
2000
do kuchni po wodę.
09:59
And what we'vemamy doneGotowe is use the wordsłowo "waterwoda"
217
584000
2000
Wykorzystaliśmy słowo "water" (woda),
10:01
to tagznacznik that momentza chwilę, that bitkawałek of activityczynność.
218
586000
2000
żeby oznakować ten moment, tę krótką czynność.
10:03
And now we take the powermoc of datadane
219
588000
2000
Korzystamy teraz z potęgi danych
10:05
and take everykażdy time my sonsyn
220
590000
3000
i analizujemy każdy moment, kiedy mój syn
10:08
ever heardsłyszał the wordsłowo waterwoda
221
593000
2000
usłyszał słowo "water" (woda)
10:10
and the contextkontekst he saw it in,
222
595000
2000
i kontekst, w którym ją zobaczył.
10:12
and we use it to penetrateprzenikać throughprzez the videowideo
223
597000
3000
Wykorzystujemy te dane, żeby przeanalizować film
10:15
and find everykażdy activityczynność traceślad
224
600000
3000
i odnaleźć każdy ślad czynności,
10:18
that co-occurredwspólnie wystąpiły with an instanceinstancja of waterwoda.
225
603000
3000
który wystąpił z przykładem wody.
10:21
And what this datadane leavesodchodzi in its wakebudzić
226
606000
2000
Dane te pozostawiają za sobą
10:23
is a landscapekrajobraz.
227
608000
2000
krajobraz.
10:25
We call these wordscapeswordscapes.
228
610000
2000
Nazywamy je wordscapes (ang. "word" - słowo + "-scape" - obraz, scena)
10:27
This is the wordscapewordscape for the wordsłowo waterwoda,
229
612000
2000
To jest wordscape dla słowa "woda"
10:29
and you can see mostwiększość of the actionczynność is in the kitchenkuchnia.
230
614000
2000
i jak możecie zauważyć, większość sytuacji ma miejsce w kuchni.
10:31
That's where those bigduży peaksszczyty are over to the left.
231
616000
3000
Oznaczone są one tymi wysokimi wierzchołkami po lewej stronie.
10:34
And just for contrastkontrast, we can do this with any wordsłowo.
232
619000
3000
W celu porównania, możemy dokonać podobnej analizy każdego słowa.
10:37
We can take the wordsłowo "byeBye"
233
622000
2000
Weźmy słowo "bye"
10:39
as in "good byeBye."
234
624000
2000
w sensie "do widzenia".
10:41
And we're now zoomedpowiększony in over the entrancewejście to the housedom.
235
626000
2000
Zrobiliśmy zbliżenie wejścia do domu.
10:43
And we look, and we find, as you would expectoczekiwać,
236
628000
3000
Widzimy, tak jak przypuszczaliście,
10:46
a contrastkontrast in the landscapekrajobraz
237
631000
2000
kontrast w krajobrazie,
10:48
where the wordsłowo "byeBye" occurswystępuje much more in a structuredzbudowany way.
238
633000
3000
gdzie słowo "do widzenia" pojawia się w sposób znacznie bardziej zorganizowany.
10:51
So we're usingza pomocą these structuresStruktury
239
636000
2000
Korzystamy więc z tych konstrukcji,
10:53
to startpoczątek predictingprzewidywanie
240
638000
2000
aby zacząć przewidywać
10:55
the orderzamówienie of languagejęzyk acquisitionnabycie,
241
640000
3000
kolejność akwizycji języka,
10:58
and that's ongoingtrwający work now.
242
643000
2000
prace nad tym zagadnieniem właśnie trwają,
11:00
In my lablaboratorium, whichktóry we're peeringWpatrując się into now, at MITMIT --
243
645000
3000
w moim laboratorium w MIT, do którego właśnie zaglądamy,
11:03
this is at the mediagłoska bezdźwięczna lablaboratorium.
244
648000
2000
to jest w media lab.
11:05
This has becomestają się my favoriteulubiony way
245
650000
2000
Stało się to moim ulubionym sposobem
11:07
of videographingvideographing just about any spaceprzestrzeń.
246
652000
2000
videografowania praktycznie każdej przestrzeni.
11:09
ThreeTrzy of the keyklawisz people in this projectprojekt,
247
654000
2000
Trzy kluczowe osoby w tym projekcie,
11:11
PhilipFilip DeCampDeCamp, RonyRony KubatKubat and BrandonBrandon RoyRoy are picturedna zdjęciu here.
248
656000
3000
Philip DeCamp, Rony Kubat i Brandon Roy są tutaj pokazane.
11:14
PhilipFilip has been a closeblisko collaboratorwspółpracownik
249
659000
2000
Philip jest moim bliskim współpracownikiem
11:16
on all the visualizationswizualizacje you're seeingwidzenie.
250
661000
2000
we wszystkich wizualizacjach, które oglądacie.
11:18
And MichaelMichael FleischmanFleischman
251
663000
3000
Michael Fleischman
11:21
was anotherinne PhPH.D. studentstudent in my lablaboratorium
252
666000
2000
był kolejnym doktorantem w moim laboratorium,
11:23
who workedpracował with me on this home videowideo analysisanaliza,
253
668000
3000
który pracował ze mną nad analizą tego amatorskiego nagrania
11:26
and he madezrobiony the followingnastępujący observationobserwacja:
254
671000
3000
i dokonał następujących obserwacji:
11:29
that "just the way that we're analyzinganalizowanie
255
674000
2000
"W ten sam sposób, w jaki analizujemy
11:31
how languagejęzyk connectsłączy to eventswydarzenia
256
676000
3000
związek języka z wydarzeniami,
11:34
whichktóry providezapewniać commonpospolity groundziemia for languagejęzyk,
257
679000
2000
które dostarczają językowi wspólnej płaszczyzny,
11:36
that samepodobnie ideapomysł we can take out of your home, DebDeb,
258
681000
4000
tę samą technikę, Deb, możemy wykorzystać poza domem,
11:40
and we can applyzastosować it to the worldświat of publicpubliczny mediagłoska bezdźwięczna."
259
685000
3000
i zastosować ją w świecie mediów publicznych".
11:43
And so our effortwysiłek tookwziął an unexpectedniespodziewany turnskręcać.
260
688000
3000
Wysiłki nasze przybrały więc nieoczekiwany zwrot.
11:46
Think of massmasa mediagłoska bezdźwięczna
261
691000
2000
Wyobraźcie sobie środki masowego przekazu
11:48
as providingże commonpospolity groundziemia
262
693000
2000
dostarczające wspólnej płaszczyzny
11:50
and you have the recipePrzepis
263
695000
2000
i mamy gotowy przepis
11:52
for takingnabierający this ideapomysł to a wholecały newNowy placemiejsce.
264
697000
3000
na wykorzystanie tego pomysłu w zupełnie nowy sposób.
11:55
We'veMamy startedRozpoczęty analyzinganalizowanie televisiontelewizja contentzadowolony
265
700000
3000
Zaczęliśmy analizować treść programów telewizyjnych
11:58
usingza pomocą the samepodobnie principleszasady --
266
703000
2000
korzystając z tej samej zasady -
12:00
analyzinganalizowanie eventzdarzenie structureStruktura of a TVTELEWIZOR signalsygnał --
267
705000
3000
analizując strukturę wydarzenia sygnału telewizyjnego -
12:03
episodesodcinki of showsprzedstawia,
268
708000
2000
odcinków programów,
12:05
commercialsreklamy,
269
710000
2000
reklam,
12:07
all of the componentsskładniki that make up the eventzdarzenie structureStruktura.
270
712000
3000
wszystkich elementów, które składają się na strukturę wydarzenia.
12:10
And we're now, with satellitesatelita dishesnaczynia, pullingciągnięcie and analyzinganalizowanie
271
715000
3000
I teraz przy pomocy anten satelitarnych wydobywamy i analizujemy
12:13
a good partczęść of all the TVTELEWIZOR beingistota watchedoglądaliśmy in the UnitedStany Zjednoczone StatesPaństwa.
272
718000
3000
sporą część wszystkich programów telewizyjnych oglądanych w Stanach Zjednoczonych.
12:16
And you don't have to now go and instrumentinstrument livingżycie roomspokoje with microphonesMikrofony
273
721000
3000
Nie potrzeba już umieszczać mikrofonów w salonie,
12:19
to get people'sludzie conversationsrozmowy,
274
724000
2000
żeby usłyszeć rozmowy,
12:21
you just tuneTune into publiclypublicznie availabledostępny socialspołeczny mediagłoska bezdźwięczna feedskanały.
275
726000
3000
po prostu ustawia się odbiór publicznie dostępnych kanałów mediów społecznych.
12:24
So we're pullingciągnięcie in
276
729000
2000
Mamy dostęp do
12:26
about threetrzy billionmiliard commentskomentarze a monthmiesiąc,
277
731000
2000
około trzech miliardów komentarzy na miesiąc.
12:28
and then the magicmagia happensdzieje się.
278
733000
2000
Potem dzieje się rzecz magiczna.
12:30
You have the eventzdarzenie structureStruktura,
279
735000
2000
Mamy strukturę wydarzenia,
12:32
the commonpospolity groundziemia that the wordssłowa are about,
280
737000
2000
wspólną płaszczyznę opisaną słowami,
12:34
comingprzyjście out of the televisiontelewizja feedskanały;
281
739000
3000
wyłaniającą się z kanałów telewizyjnych;
12:37
you've got the conversationsrozmowy
282
742000
2000
mamy rozmowy
12:39
that are about those topicstematy;
283
744000
2000
na te tematy;
12:41
and throughprzez semanticsemantyczny analysisanaliza --
284
746000
3000
poprzez analizę semantyczną -
12:44
and this is actuallytak właściwie realreal datadane you're looking at
285
749000
2000
patrzycie teraz na rzeczywiste dane
12:46
from our datadane processingprzetwarzanie --
286
751000
2000
uzyskane metodą przetwarzania danych -
12:48
eachkażdy yellowżółty linelinia is showingseans a linkpołączyć beingistota madezrobiony
287
753000
3000
każda żółta linia pokazuje związek
12:51
betweenpomiędzy a commentkomentarz in the wilddziki
288
756000
3000
między komentarzem w społeczeństwie
12:54
and a piecekawałek of eventzdarzenie structureStruktura comingprzyjście out of the televisiontelewizja signalsygnał.
289
759000
3000
a fragmentem struktury wydarzenia pochodzącym od sygnału telewizyjnego.
12:57
And the samepodobnie ideapomysł now
290
762000
2000
Tę samą ideę
12:59
can be builtwybudowany up.
291
764000
2000
można nasilić.
13:01
And we get this wordscapewordscape,
292
766000
2000
W ten sposób otrzymujemy wordscape,
13:03
exceptz wyjątkiem now wordssłowa are not assembledzmontowany in my livingżycie roompokój.
293
768000
3000
z wyjątkiem tego, że słowa nie są teraz gromadzone w moim salonie.
13:06
InsteadZamiast tego, the contextkontekst, the commonpospolity groundziemia activitieszajęcia,
294
771000
4000
Zamiast tego, kontekstem, czynnościami na wspólnej płaszczyźnie,
13:10
are the contentzadowolony on televisiontelewizja that's drivingnapędowy the conversationsrozmowy.
295
775000
3000
są treści programów telewizyjnych, które napędzają te rozmowy.
13:13
And what we're seeingwidzenie here, these skyscrapersdrapacze chmur now,
296
778000
3000
Te drapacze chmur, na które teraz patrzymy
13:16
are commentarykomentarz
297
781000
2000
to komentarze,
13:18
that are linkedpołączony to contentzadowolony on televisiontelewizja.
298
783000
2000
które powiązane są z treściami w telewizji.
13:20
SameTym samym conceptpojęcie,
299
785000
2000
To samo pojęcie,
13:22
but looking at communicationkomunikacja dynamicsdynamika
300
787000
2000
ale patrząc na dynamikę komunikacji
13:24
in a very differentróżne spherekula.
301
789000
2000
w zupełnie odmiennej sferze.
13:26
And so fundamentallyzasadniczo, ratherraczej than, for exampleprzykład,
302
791000
2000
Zasadniczo więc, zamiast, na przykład
13:28
measuringzmierzenie contentzadowolony basedna podstawie on how manywiele people are watchingoglądanie,
303
793000
3000
pomiarów treści opartych na liczbie osób oglądających programy,
13:31
this givesdaje us the basicpodstawowy datadane
304
796000
2000
dostarcza nam to podstawowych danych,
13:33
for looking at engagementzaręczynowy propertiesnieruchomości of contentzadowolony.
305
798000
3000
aby przyjrzeć się właściwościom treści, które wzbudzają zainteresowanie odbiorców.
13:36
And just like we can look at feedbackinformacje zwrotne cyclescykle
306
801000
3000
W taki sam sposób jak przyglądamy się cyklom przyczynowo-skutkowym
13:39
and dynamicsdynamika in a familyrodzina,
307
804000
3000
i dynamice rodziny,
13:42
we can now openotwarty up the samepodobnie conceptskoncepcje
308
807000
3000
możemy teraz poszerzyć te same pojęcia
13:45
and look at much largerwiększy groupsgrupy of people.
309
810000
3000
i przyjrzeć się znacznie większej grupie ludzi.
13:48
This is a subsetpodzbiór of datadane from our databaseBaza danych --
310
813000
3000
To jest podzbiór danych z naszej bazy -
13:51
just 50,000 out of severalkilka millionmilion --
311
816000
3000
jedynie 50 tys. z kilku milionów -
13:54
and the socialspołeczny graphwykres that connectsłączy them
312
819000
2000
i wykres społeczny, który je łączy
13:56
throughprzez publiclypublicznie availabledostępny sourcesźródła.
313
821000
3000
poprzez publicznie dostępne źródła.
13:59
And if you put them on one plainRównina,
314
824000
2000
I jeśli postawimy je na jednej płaszczyźnie,
14:01
a seconddruga plainRównina is where the contentzadowolony liveszyje.
315
826000
3000
na drugiej płaszczyźnie znajduje się treść.
14:04
So we have the programsprogramy
316
829000
3000
Mamy więc programy
14:07
and the sportingsportowy eventswydarzenia
317
832000
2000
i wydarzenia sportowe,
14:09
and the commercialsreklamy,
318
834000
2000
reklamy,
14:11
and all of the linkpołączyć structuresStruktury that tiewiązanie them togetherRazem
319
836000
2000
i wszystkie struktury łączące, które je ze sobą wiążą
14:13
make a contentzadowolony graphwykres.
320
838000
2000
składają się na wykres oparty o treść.
14:15
And then the importantważny thirdtrzeci dimensionwymiar.
321
840000
4000
Czas na ważny, trzeci wymiar.
14:19
EachKażdy of the linksspinki do mankietów that you're seeingwidzenie renderedrenderowane here
322
844000
2000
Każdy ze związków tu przedstawionych
14:21
is an actualrzeczywisty connectionpołączenie madezrobiony
323
846000
2000
stanowi rzeczywisty związek
14:23
betweenpomiędzy something someonektoś said
324
848000
3000
pomiędzy wypowiedzią,
14:26
and a piecekawałek of contentzadowolony.
325
851000
2000
a elementem treści.
14:28
And there are, again, now tenskilkadziesiąt of millionsmiliony of these linksspinki do mankietów
326
853000
3000
Obecnie dysponujemy dziesiątkami milionów takich związków,
14:31
that give us the connectivełączący tissuetkanka of socialspołeczny graphswykresy
327
856000
3000
które dostarczają nam tkanki łącznej wykresów społecznych
14:34
and how they relateodnosić się to contentzadowolony.
328
859000
3000
i informacji o tym, jak odnoszą się one do treści.
14:37
And we can now startpoczątek to probesonda the structureStruktura
329
862000
2000
Możemy teraz rozpocząć badanie struktury
14:39
in interestingciekawy wayssposoby.
330
864000
2000
na interesujące sposoby.
14:41
So if we, for exampleprzykład, traceślad the pathścieżka
331
866000
3000
A więc jeśli, na przykład, prześledzimy drogę
14:44
of one piecekawałek of contentzadowolony
332
869000
2000
jednego elementu treści,
14:46
that drivesdyski someonektoś to commentkomentarz on it,
333
871000
2000
który wywołuje komentarz,
14:48
and then we followśledzić where that commentkomentarz goesidzie,
334
873000
3000
a następnie prześledzimy dokąd ten komentarz zmierza,
14:51
and then look at the entireCały socialspołeczny graphwykres that becomesstaje się activatedaktywowany
335
876000
3000
i przyjrzymy się całemu wykresowi społecznemu, który się uaktywnia,
14:54
and then traceślad back to see the relationshipzwiązek
336
879000
3000
a następnie wrócimy do związku
14:57
betweenpomiędzy that socialspołeczny graphwykres and contentzadowolony,
337
882000
2000
pomiędzy tym wykresem społecznym i treścią,
14:59
a very interestingciekawy structureStruktura becomesstaje się visiblewidoczny.
338
884000
2000
pojawia się bardzo interesująca struktura.
15:01
We call this a co-viewingjednoczesnego wyświetlania cliquekliki,
339
886000
2000
Nazywamy ją 'wspólnie oglądającą grupą'
15:03
a virtualwirtualny livingżycie roompokój if you will.
340
888000
3000
wirtualnym salonem, jeśli wolicie.
15:06
And there are fascinatingfascynujący dynamicsdynamika at playgrać.
341
891000
2000
Ma tu miejsce fascynująca dynamika.
15:08
It's not one way.
342
893000
2000
Niejednostronna.
15:10
A piecekawałek of contentzadowolony, an eventzdarzenie, causesprzyczyny someonektoś to talk.
343
895000
3000
Element treści, wydarzenie, zmusza ludzi do mówienia.
15:13
They talk to other people.
344
898000
2000
Rozmawiają oni z innymi ludźmi.
15:15
That drivesdyski tune-inTune w behaviorzachowanie back into massmasa mediagłoska bezdźwięczna,
345
900000
3000
Zestrojone zachowanie wraca z powrotem do mediów
15:18
and you have these cyclescykle
346
903000
2000
i otrzymujemy procesy cykliczne,
15:20
that drivenapęd the overallogólnie behaviorzachowanie.
347
905000
2000
które napędzają ogólne zachowanie.
15:22
AnotherInnym exampleprzykład -- very differentróżne --
348
907000
2000
Inny przykład - bardzo różny -
15:24
anotherinne actualrzeczywisty personosoba in our databaseBaza danych --
349
909000
3000
kolejna faktyczna osoba w naszej bazie danych -
15:27
and we're findingodkrycie at leastnajmniej hundredssetki, if not thousandstysiące, of these.
350
912000
3000
znajdujemy ich przynajmniej setki, jeśli nie tysiące.
15:30
We'veMamy givendany this personosoba a nameNazwa.
351
915000
2000
Nadaliśmy tej osobie imię.
15:32
This is a pro-amateurPro-amator, or pro-ampro-am mediagłoska bezdźwięczna critickrytyk
352
917000
3000
Jest to zawodowy amator, krytyk medialny,
15:35
who has this highwysoki fan-outwyjściowy rateoceniać.
353
920000
3000
wiele z jego opinii odbija się szerokim echem.
15:38
So a lot of people are followingnastępujący this personosoba -- very influentialwpływowych --
354
923000
3000
Wielu ludzi interesuje się tym, co ta wpływowa osoba ma do powiedzenia,
15:41
and they have a propensityskłonność to talk about what's on TVTELEWIZOR.
355
926000
2000
i wypowiada się na temat tego, co jest w telewizji.
15:43
So this personosoba is a keyklawisz linkpołączyć
356
928000
3000
Osoba ta jest głównym ogniwem
15:46
in connectingzłączony massmasa mediagłoska bezdźwięczna and socialspołeczny mediagłoska bezdźwięczna togetherRazem.
357
931000
3000
łączącym ze sobą mass media i media społeczne.
15:49
One last exampleprzykład from this datadane:
358
934000
3000
Ostatni przykład pochodzący z tych danych:
15:52
SometimesCzasami it's actuallytak właściwie a piecekawałek of contentzadowolony that is specialspecjalny.
359
937000
3000
czasami to właśnie element treści ma szczególne znaczenie.
15:55
So if we go and look at this piecekawałek of contentzadowolony,
360
940000
4000
A więc jeśli przyjrzymy się temu elementowi,
15:59
PresidentPrezydent Obama'sObama's StatePaństwa of the UnionUnii addressadres
361
944000
3000
orędziu noworocznemu prezydenta Obamy
16:02
from just a fewkilka weekstygodnie agotemu,
362
947000
2000
sprzed zaledwie kilku tygodni,
16:04
and look at what we find in this samepodobnie datadane setzestaw,
363
949000
3000
i przyjrzymy się temu, co znajduje się w tym samym zbiorze danych,
16:07
at the samepodobnie scaleskala,
364
952000
3000
w tej samej skali,
16:10
the engagementzaręczynowy propertiesnieruchomości of this piecekawałek of contentzadowolony
365
955000
2000
właściwości tej treści, które wzbudzają zainteresowanie
16:12
are trulynaprawdę remarkableznakomity.
366
957000
2000
są naprawdę niezwykłe.
16:14
A nationnaród explodingwybuchający in conversationrozmowa
367
959000
2000
Naród toczący dyskusję
16:16
in realreal time
368
961000
2000
w czasie rzeczywistym
16:18
in responseodpowiedź to what's on the broadcasttransmisji.
369
963000
3000
w odpowiedzi na treść programu.
16:21
And of coursekurs, throughprzez all of these lineskwestia
370
966000
2000
I oczywiście wszystkie słowa
16:23
are flowingpłynący unstructuredbez struktury languagejęzyk.
371
968000
2000
to potok luźnej mowy.
16:25
We can X-rayX-ray
372
970000
2000
Możemy prześwietlić
16:27
and get a real-timeczas rzeczywisty pulsepuls of a nationnaród,
373
972000
2000
i poczuć tętno narodu w czasie rzeczywistym,
16:29
real-timeczas rzeczywisty sensesens
374
974000
2000
rzeczywiste odczucie
16:31
of the socialspołeczny reactionsreakcje in the differentróżne circuitsobwody in the socialspołeczny graphwykres
375
976000
3000
reakcji społecznych w różnych cyklach na wykresie społecznym
16:34
beingistota activatedaktywowany by contentzadowolony.
376
979000
3000
wywołanych treścią.
16:37
So, to summarizepodsumować, the ideapomysł is this:
377
982000
3000
Podsumuję następującą myślą:
16:40
As our worldświat becomesstaje się increasinglycoraz bardziej instrumentedoprzyrządowanie
378
985000
3000
świat staje się wyposażony w coraz różniejsze przyrządy
16:43
and we have the capabilitiesmożliwości
379
988000
2000
i dysponujemy możliwością
16:45
to collectzebrać and connectpołączyć the dotskropki
380
990000
2000
zbierania i łączenia punkcików
16:47
betweenpomiędzy what people are sayingpowiedzenie
381
992000
2000
pomiędzy tym co mówią ludzie,
16:49
and the contextkontekst they're sayingpowiedzenie it in,
382
994000
2000
a kontekstem.
16:51
what's emergingwyłaniający się is an abilityzdolność
383
996000
2000
Wyłania się z tego umiejętność
16:53
to see newNowy socialspołeczny structuresStruktury and dynamicsdynamika
384
998000
3000
dostrzegania nowych struktur społecznych i dynamiki,
16:56
that have previouslypoprzednio not been seenwidziany.
385
1001000
2000
które poprzednio pozostawały niezauważone.
16:58
It's like buildingbudynek a microscopemikroskopu or telescopeteleskop
386
1003000
2000
To tak jak budowanie mikroskopu lub teleskopu
17:00
and revealingodkrywczy newNowy structuresStruktury
387
1005000
2000
i ukazywanie nowych struktur
17:02
about our ownwłasny behaviorzachowanie around communicationkomunikacja.
388
1007000
3000
na temat naszego zachowania i komunikacji.
17:05
And I think the implicationsimplikacje here are profoundgłęboki,
389
1010000
3000
Myślę, że implikacje są przemożne,
17:08
whetherczy it's for sciencenauka,
390
1013000
2000
zarówno dla nauki,
17:10
for commercehandel, for governmentrząd,
391
1015000
2000
jak i handlu, rządu,
17:12
or perhapsmoże mostwiększość of all,
392
1017000
2000
a może nawet najbardziej
17:14
for us as individualsosoby prywatne.
393
1019000
3000
dla nas jako jednostek.
17:17
And so just to returnpowrót to my sonsyn,
394
1022000
3000
Wróćmy więc do mojego syna,
17:20
when I was preparingprzygotowanie this talk, he was looking over my shoulderramię,
395
1025000
3000
kiedy przygotowywałem ten wykład, patrzył mi przez ramię
17:23
and I showedpokazał him the clipsklipy I was going to showpokazać to you todaydzisiaj,
396
1028000
2000
i pokazałem mu fragmenty video, które obejrzeliście.
17:25
and I askedspytał him for permissionpozwolenie -- grantedZgoda.
397
1030000
3000
Zapytałem o pozwolenie - udzielił mi go.
17:28
And then I wentposzedł on to reflectodzwierciedlić,
398
1033000
2000
Zacząłem się zastanawiać:
17:30
"Isn't it amazingniesamowity,
399
1035000
3000
"To niewiarygodne,
17:33
this entireCały databaseBaza danych, all these recordingsnagrania,
400
1038000
3000
całą tę bazę danych, wszystkie nagrania,
17:36
I'm going to handdłoń off to you and to your sistersiostra" --
401
1041000
2000
przekażę tobie i twojej siostrze",
17:38
who arrivedprzybył two yearslat laterpóźniej --
402
1043000
3000
która pojawiła się na świecie dla lata później.
17:41
"and you guys are going to be ablezdolny to go back and re-experienceprzeżyć momentschwile
403
1046000
3000
"I będziecie mogli powrócić do przeszłości i przeżyć na nowo te momenty,
17:44
that you could never, with your biologicalbiologiczny memorypamięć,
404
1049000
3000
których nigdy nie bylibyście w stanie swoją pamięcią biologiczną
17:47
possiblymożliwie rememberZapamiętaj the way you can now?"
405
1052000
2000
zapamiętać tak, jak teraz, dysponując tymi nagraniami".
17:49
And he was quietcichy for a momentza chwilę.
406
1054000
2000
Przez chwilę nic nie mówił.
17:51
And I thought, "What am I thinkingmyślący?
407
1056000
2000
I pomyślałem: "Co jak sobie myślę?
17:53
He's fivepięć yearslat oldstary. He's not going to understandzrozumieć this."
408
1058000
2000
Mój syn ma pięć lat. Nie zrozumie".
17:55
And just as I was havingmający that thought, he lookedspojrzał up at me and said,
409
1060000
3000
I w momencie, kiedy tak myślałem, spojrzał na mnie i powiedział:
17:58
"So that when I growrosnąć up,
410
1063000
2000
"A więc kiedy dorosnę,
18:00
I can showpokazać this to my kidsdzieciaki?"
411
1065000
2000
mogę pokazać to moim dzieciom?"
18:02
And I thought, "WowWow, this is powerfulpotężny stuffrzeczy."
412
1067000
3000
I pomyślałem: "No, no! To jest naprawdę potężne".
18:05
So I want to leavepozostawiać you
413
1070000
2000
Chciałbym zakończyć
18:07
with one last memorableniezapomniany momentza chwilę
414
1072000
2000
jeszcze jedną niezapomnianą chwilą
18:09
from our familyrodzina.
415
1074000
3000
z życia mojej rodziny.
18:12
This is the first time our sonsyn
416
1077000
2000
Tutaj nasz syn po raz pierwszy
18:14
tookwziął more than two stepskroki at oncepewnego razu --
417
1079000
2000
zrobił więcej niż dwa kroki naraz -
18:16
capturedschwytany on filmfilm.
418
1081000
2000
uchwycone na filmie.
18:18
And I really want you to focusskupiać on something
419
1083000
3000
Chciałbym, żebyście skoncentrowali się na czymś,
18:21
as I take you throughprzez.
420
1086000
2000
w czasie oglądania.
18:23
It's a clutteredbałagan environmentśrodowisko; it's naturalnaturalny life.
421
1088000
2000
Otoczenie jest trochę zagracone - normalne życie.
18:25
My mother'smatki in the kitchenkuchnia, cookinggotowanie,
422
1090000
2000
Moja mama gotuje w kuchni,
18:27
and, of all placesmiejsca, in the hallwaykorytarz,
423
1092000
2000
a ja w korytarzu, ostatnim miejscu na ziemi,
18:29
I realizerealizować he's about to do it, about to take more than two stepskroki.
424
1094000
3000
zdałem sobię sprawę, że mój syn właśnie zaraz zrobi więcej niż jeden krok.
18:32
And so you hearsłyszeć me encouragingzachęcający him,
425
1097000
2000
Usłyszycie, jak go zachęcam,
18:34
realizingzrealizowanie what's happeningwydarzenie,
426
1099000
2000
zdając sobie sprawę z tego, co się dzieje.
18:36
and then the magicmagia happensdzieje się.
427
1101000
2000
Wtedy stała się rzecz magiczna.
18:38
Listen very carefullyostrożnie.
428
1103000
2000
Posłuchajcie uważnie.
18:40
About threetrzy stepskroki in,
429
1105000
2000
Po trzech krokach
18:42
he realizesuświadamia sobie something magicmagia is happeningwydarzenie,
430
1107000
2000
on sam zdaje sobie sprawę z tego, że dzieje się coś magicznego
18:44
and the mostwiększość amazingniesamowity feedbackinformacje zwrotne looppętla of all kicksrzuty in,
431
1109000
3000
i uruchamia się najbardziej niesamowita pętla przyczynowo-skutkowa,
18:47
and he takes a breathoddech in,
432
1112000
2000
bierze on wdech
18:49
and he whispersSzepty "wowłał"
433
1114000
2000
i szepce "wow",
18:51
and instinctivelyinstynktownie I echoEcho back the samepodobnie.
434
1116000
4000
a ja instynktownie powtarzam to samo.
18:56
And so let's flylatać back in time
435
1121000
3000
Przenieśmy się więc w czasie
18:59
to that memorableniezapomniany momentza chwilę.
436
1124000
2000
do tej niezapomnianej chwili.
19:05
(VideoWideo) DRDR: Hey.
437
1130000
2000
(Video) DR: Hej!
19:07
Come here.
438
1132000
2000
Chodź tutaj.
19:09
Can you do it?
439
1134000
3000
Potrafisz to zrobić?
19:13
Oh, boychłopak.
440
1138000
2000
O rany!
19:15
Can you do it?
441
1140000
3000
Potrafisz to zrobić?
19:18
BabyDziecko: Yeah.
442
1143000
2000
Dziecko: Tak
19:20
DRDR: MaMa, he's walkingpieszy.
443
1145000
3000
DR: Mamo, on chodzi.
19:24
(LaughterŚmiech)
444
1149000
2000
(Śmiech)
19:26
(ApplauseAplauz)
445
1151000
2000
(Brawa)
19:28
DRDR: Thank you.
446
1153000
2000
DR: Dziękuję
19:30
(ApplauseAplauz)
447
1155000
15000
(Brawa)
Translated by Karolina Ginalska
Reviewed by Joanna W.

▲Back to top

ABOUT THE SPEAKER
Deb Roy - Cognitive scientist
Deb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs.

Why you should listen

Deb Roy directs the Cognitive Machines group at the MIT Media Lab, where he studies how children learn language, and designs machines that learn to communicate in human-like ways. To enable this work, he has pioneered new data-driven methods for analyzing and modeling human linguistic and social behavior. He has authored numerous scientific papers on artificial intelligence, cognitive modeling, human-machine interaction, data mining, and information visualization.

Deb Roy was the co-founder and serves as CEO of Bluefin Labs, a venture-backed technology company. Built upon deep machine learning principles developed in his research over the past 15 years, Bluefin has created a technology platform that analyzes social media commentary to measure real-time audience response to TV ads and shows.

Follow Deb Roy on Twitter>

Roy adds some relevant papers:

Deb Roy. (2009). New Horizons in the Study of Child Language Acquisition. Proceedings of Interspeech 2009. Brighton, England. bit.ly/fSP4Qh

Brandon C. Roy, Michael C. Frank and Deb Roy. (2009). Exploring word learning in a high-density longitudinal corpus. Proceedings of the 31st Annual Meeting of the Cognitive Science Society. Amsterdam, Netherlands. bit.ly/e1qxej

Plenty more papers on our research including technology and methodology can be found here, together with other research from my lab at MIT: bit.ly/h3paSQ

The work that I mentioned on relationships between television content and the social graph is being done at Bluefin Labs (www.bluefinlabs.com). Details of this work have not been published. The social structures we are finding (and that I highlighted in my TED talk) are indeed new. The social media communication channels that are leading to their formation did not even exist a few years ago, and Bluefin's technology platform for discovering these kinds of structures is the first of its kind. We'll certainly have more to say about all this as we continue to dig into this fascinating new kind of data, and as new social structures continue to evolve!

More profile about the speaker
Deb Roy | Speaker | TED.com