Imagine if you could record your life -- everything you said, everything you did, available in a perfect memory store at your fingertips, so you could go back and find memorable moments and relive them, or sift through traces of time and discover patterns in your own life that previously had gone undiscovered. Well that's exactly the journey that my family began five and a half years ago. This is my wife and collaborator, Rupal. And on this day, at this moment, we walked into the house with our first child, our beautiful baby boy. And we walked into a house with a very special home video recording system.
تصور کنید می تونستید زندگی تان رو ضبط کنید همه حرفهایی که زدید، همه کارهایی که کردید، همه در یه حافظه کامل ذخیره شده، براحتی در دسترس شما ، به گونه ای که می تونستید به گذشته ها برگردید و لحظه های خاطره انگیز رو بیابید و دوباره از نو زنده کنید. و یا با دنبال کردن ردپای زمان ساختارهایی رو در زندگی تان کشف کنید که قبلا مخفی مانده بودند. این درست همون سفری است که خانواده من پنج سال و نیم پیش آغاز کرد. این روپال، همسر و همکار منه. و در این روز، در این لحظه ما با اولین فرزندمان ، پسر کوچولوی خوشگلمون وارد خونه شدیم. وارد خونه ای که مجهز به یه سیستم ضبط خونگی خیلی خاص بود.
(Video) Man: Okay.
عکاس: بسیار خب
Deb Roy: This moment and thousands of other moments special for us were captured in our home because in every room in the house, if you looked up, you'd see a camera and a microphone, and if you looked down, you'd get this bird's-eye view of the room. Here's our living room, the baby bedroom, kitchen, dining room and the rest of the house. And all of these fed into a disc array that was designed for a continuous capture. So here we are flying through a day in our home as we move from sunlit morning through incandescent evening and, finally, lights out for the day. Over the course of three years, we recorded eight to 10 hours a day, amassing roughly a quarter-million hours of multi-track audio and video.
این لحظه و هزاران لحظه خاص دیگر برای ما در خونه ما ضبط شدند. چرا که در تمام اطاق های خونه اگر به بالا نگاه می کردید، یک دوربین و میکروفون می دیدید و اگربه پایین نگاه می کردید این نمای کلی اطاق رو می دیدید. اینجا اطاق پذیرایی مان است، اطاق خواب بچه، آشپرخانه ، نهارخوری و مابقی جاهای خونه. تمام این صحنه ها در یه سری دیسک هایی که برای فیلمبرادری بدون وقفه طراحی شده اند ، ذخیره می شد. خب اینجا ما داریم در طول یه روز در خونه سریع حرکت می کنیم چنانکه از صبح یه روز روشن به سمت عصر می رویم و در انتهای روز هم چراغ ها خاموش می شوند. در طول سه سال ما روزی ۸ تا ۱۰ ساعت ضبط کردیم. در مجموع چیزی حدود یه چهارم میلیون ساعت بصورت فایل صوتی تصویری ضبط شد.
So you're looking at a piece of what is by far the largest home video collection ever made. (Laughter) And what this data represents for our family at a personal level, the impact has already been immense, and we're still learning its value. Countless moments of unsolicited natural moments, not posed moments, are captured there, and we're starting to learn how to discover them and find them.
پس شما شاهد قسمتی از به مراتب بزرگترین مجموعه ویدیوی خونگی که تا حالا ساخته شده هستید. ( خندیدن حضار) و آنچه این اطلاعات در وجه شخصی برای خانواده ما بیان می کنن تا الان تاثیر زیادی داشته و ما هنوز داریم از ارزش های این کار یاد میگیریم. لحظه های بیشماری لحظه های واقعی نه لحظه های ساختگی، ضبط شده اند. و ما تازه داریم یاد می گیریم که چگونه می شه تمام این لحظات روجستجو کرد و دریافت.
But there's also a scientific reason that drove this project, which was to use this natural longitudinal data to understand the process of how a child learns language -- that child being my son. And so with many privacy provisions put in place to protect everyone who was recorded in the data, we made elements of the data available to my trusted research team at MIT so we could start teasing apart patterns in this massive data set, trying to understand the influence of social environments on language acquisition. So we're looking here at one of the first things we started to do. This is my wife and I cooking breakfast in the kitchen, and as we move through space and through time, a very everyday pattern of life in the kitchen.
اما در عین حال انجام این پروژه یه دلیل علمی هم داشت. دلیل علمی این پروژه، استفاده از این اطلاعاتِ دراز مدت برای فهمِ روندِ یادگیری زبان توسط یه کودک یعنی پسرم بود. با در نظر گرفتن حفظ بسیاری از مسایل شخصی برای محافظت از تمام کسانی که از اونها فیلم گرفته شده، ما اجزای اطلاعات رو در اختیار تیم تحقیقاتی مورد اعتمادم در MIT قرار دادیم تا شروع کنیم ساختارهایی رو در این مجموعه عظیم داده ها دربارهً تاثیر محیط های اجتماعی روی اکتساب زبان بیابیم. در این جا شما یکی از اولین کارهایی رو که انجام دادیم می بینید. این من و همسرم هستیم که در آشپزخانه مشغول درست کردن صبحانه ایم و همینطور که در طول مسیر زمان و مکان جلو میریم، کار روزمره زندگی در آشپزخانه رو می بینید.
In order to convert this opaque, 90,000 hours of video into something that we could start to see, we use motion analysis to pull out, as we move through space and through time, what we call space-time worms. And this has become part of our toolkit for being able to look and see where the activities are in the data, and with it, trace the pattern of, in particular, where my son moved throughout the home, so that we could focus our transcription efforts, all of the speech environment around my son -- all of the words that he heard from myself, my wife, our nanny, and over time, the words he began to produce. So with that technology and that data and the ability to, with machine assistance, transcribe speech, we've now transcribed well over seven million words of our home transcripts. And with that, let me take you now for a first tour into the data.
برای تبدیل کردن این ۹۰/۰۰۰ ساعت ویدیوی مبهم، به چیزی که بشه فهمید، ما از روش "تجزيهً حرکت" Motion analysis در محورهای زمان و مکان استفاده کردیم روشی که ما اون را " کرم های زمان- مکان" می نامیم. این یه بخشی از ابزار ما است برای اینکه بفهمیم در داده ها کجا فعالیتی رخ داده و به خصوص رد پای پسرم به جاهایی که در طول خونه می رفت رو دنبال کنیم بدین ترتیب، تونستیم روی فعالیت تبدیل گفتار به نوشتار تمرکز کنیم تمام محیط گفتاری اطراف پسرم، تمام کلماتی که از من، همسرم یا پرستارش می شنید ، و کلماتی که بعد از یه مدت شروع به گفتن کرد رو ثبت کردیم. به کمک این فناوری و داده ها و همچنین به کمک دستگاه تبدیل گفتار به نوشتار تا کنون بیش از ۷ میلیون کلمه از گفتارهای خونمون رو نوشته ایم. اجازه بدید تا شما رو به اولین سفر به درون این داده ها ببرم.
So you've all, I'm sure, seen time-lapse videos where a flower will blossom as you accelerate time. I'd like you to now experience the blossoming of a speech form. My son, soon after his first birthday, would say "gaga" to mean water. And over the course of the next half-year, he slowly learned to approximate the proper adult form, "water." So we're going to cruise through half a year in about 40 seconds. No video here, so you can focus on the sound, the acoustics, of a new kind of trajectory: gaga to water.
همه شما مطمئنا فیلم های گذر زمان رو دیدید فیلم هایی که می تونید با جلو بردن سریع زمان مثلا مراحل شکوفه دادن یه گل رو ببیند. دوست دارم الان یکی از اونها رو تجربه کنید منتها به جای گل ، شکوفه دادن یه نوع گفتار رو ببینید. پسرم، چند روز بعد از نخستین سال تولدش برای گفتن "آب" می گفت " gaga". و در عرض شش ماهِ بعد کم کم یاد گرفت که تقریبا به گونه ای که خاص بزرگتر هاست بگه "water (آب)" حالا می خواهیم تا ۶ ماه از سال رو در ۴۰ ثانیه پشت سر بذاریم. این قسمت تصویری نیست. پس می تونید روی صدا تمرکز کنید. نوع جدیدی از سیر صداها: از "gaga" تا " water (آب) "
(Audio) Baby: Gagagagagaga Gaga gaga gaga guga guga guga wada gaga gaga guga gaga wader guga guga water water water water water water water water water.
Gagagagagaga Gaga gaga gaga guga guga guga wada gaga gaga guga gaga wader guga guga water water water water water water water water water.
DR: He sure nailed it, didn't he.
بهتر از این نمی شد. مگه نه!
(Applause)
(تشویق حضار)
So he didn't just learn water. Over the course of the 24 months, the first two years that we really focused on, this is a map of every word he learned in chronological order. And because we have full transcripts, we've identified each of the 503 words that he learned to produce by his second birthday. He was an early talker. And so we started to analyze why. Why were certain words born before others? This is one of the first results that came out of our study a little over a year ago that really surprised us. The way to interpret this apparently simple graph is, on the vertical is an indication of how complex caregiver utterances are based on the length of utterances. And the [horizontal] axis is time.
اون فقط کلمه " آب " رو یاد نگرفت در ۲۴ ماه ( دوسال اولی که خیلی تمرکز کردیم) این نقشه تمام کلماتی است که به ترتیب زمان یادگرفت. و به خاطر رونوشت کاملی که داشتیم تمام ۵۰۳ کلمه ای که تا دومین سال تولدش یاد گرفت رو شناسایی کردیم . پسرم زود زبون باز کرد. بعد شروع کردیم به تحلیل "چرا" چرا یک سری از کلمات زودتر از کلمات دیگر متولد شدند؟ این یکی از نخستین نتایجی است که حدوداٌ یک سال پیش، از تحقیقاتمان حاصل شد و واقعا ما رو شگفت زده کرد. روش تفسیر این نمودارِ به ظاهر ساده اینه که محور عمودی میزان پیچیدگی گفتارِ مراقب بچه ( بر اساس بلندی بندهای گفتار ) و محور افقی زمان رو نشان میدهد.
And all of the data, we aligned based on the following idea: Every time my son would learn a word, we would trace back and look at all of the language he heard that contained that word. And we would plot the relative length of the utterances. And what we found was this curious phenomena, that caregiver speech would systematically dip to a minimum, making language as simple as possible, and then slowly ascend back up in complexity. And the amazing thing was that bounce, that dip, lined up almost precisely with when each word was born -- word after word, systematically. So it appears that all three primary caregivers -- myself, my wife and our nanny -- were systematically and, I would think, subconsciously restructuring our language to meet him at the birth of a word and bring him gently into more complex language. And the implications of this -- there are many, but one I just want to point out, is that there must be amazing feedback loops. Of course, my son is learning from his linguistic environment, but the environment is learning from him. That environment, people, are in these tight feedback loops and creating a kind of scaffolding that has not been noticed until now.
ما تمام داده ها رو بر اساس ایده زیر مرتب کردیم: هر دفعه که پسرم یه لغت جدید یاد می گرفت ما به عقب بر می گشتیم و تمام حرفهایی که شنیده بود رو بررسی می کردیم. (حرفهایی که شامل آن کلمه می شدند.) و بعد رابطه طول بندهای گفتاری رو رسم کردیم. اونچیزی که به دست آمد این پدیده شگفت آور بود، که حرفهای مراقب بچه به شکل سازماندهی شده ای تا کمترین حد بندهای گفتاری پایین می رفت، (تا زبان را تا حد ممکن ساده و قابل فهم کنه) و بعد به آرامی بالا می اومد و به همون نقطه پیچیدگی برمی گشت. و چیزی که شگفت آور بود این بود که فراز و فرود پیچیدگی بندهای گفتار تقریبا به شکل یکسانی در زمان تولد هر کلمه بوجود می اومد. کلمه پشت کلمه ، (کاملا) سازماندهی شده. بنابراین مشخص شد که هر سه مراقبت اصلی یعنی من و همسرم و پرستار بچه به شکل سازماندهی شده ، و من فکر می کنم، نیمه آگاهانه در حال تغییر ساختار زبانمان بودیم تا در تولد یه کلمه، با پسرم همآهنگ بشیم. و سپس به آرامی او رو به زبان پیچیده تر ببریم. اینها مفاهیم زیادی داره ولی من فقط به یکی از اونها اشاره می کنم و آن این که باید حلقه های بازخوردی وجود داشته باشه. درسته که پسرم در حال یادگیری از محیط زبانی اطرافشه، اما محیط هم داره از اون یاد میگیره. محیط ، یعنی مردم، در این حلقههای تنگِ بازخورد حضور دارن و در حال ساخت یک نوع پایه و اساسی هستند که تا حالا مورد توجه قرار نگرفته .
But that's looking at the speech context. What about the visual context? We're not looking at -- think of this as a dollhouse cutaway of our house. We've taken those circular fish-eye lens cameras, and we've done some optical correction, and then we can bring it into three-dimensional life. So welcome to my home. This is a moment, one moment captured across multiple cameras. The reason we did this is to create the ultimate memory machine, where you can go back and interactively fly around and then breathe video-life into this system. What I'm going to do is give you an accelerated view of 30 minutes, again, of just life in the living room. That's me and my son on the floor. And there's video analytics that are tracking our movements. My son is leaving red ink. I am leaving green ink. We're now on the couch, looking out through the window at cars passing by. And finally, my son playing in a walking toy by himself.
اما این بررسي بافتِ گفتاری است، بافتِ دیداری چطور؟ چیزی رو که می بینید مثل یک برش مقطعی از خونه ما در نظر بگیرید ما دوربینهای با لنزهای چرخان رو برداشتیم و یه مقدار اصلاحات نوری انجام دادیم تا یک صحنه زندگی سه بعدی بسازیم. به خونه من خوش آمدید. این لحظه لحظه ایه که در برابر دوربینهای متعدد گرفته شده . هدف این کار ایجاد یک دستگاه حافظه اصلی است که در اون شما می تونید به عقب باز گردید و آزادانه در اطراف بچرخید و بعد ویدیو رو وارد سیستم کنید. کاری که من می خوام انجام بدم اینه که به شما بار دیگه نمایی سریع از ۳۰ دقیقه از زندگی ام رو در اطاق پذیرایی نشون بدم. اینجا من و پسرم هستیم که روی زمین نشستیم. اینم ویدیوی آنالیزیه که ردپای حرکت ما رو تو خونه دنبال می کنه. پسرم از خودش رنگ قرمز و منم رنگ سبز به جا میذارم. الان روی مبل هستیم و داریم از پنجره ماشین هایی که رد می شند رو تماشا می کنیم. در آخر هم پسرم داره تنهایی خودش بازی میکنه.
Now we freeze the action, 30 minutes, we turn time into the vertical axis, and we open up for a view of these interaction traces we've just left behind. And we see these amazing structures -- these little knots of two colors of thread we call "social hot spots." The spiral thread we call a "solo hot spot." And we think that these affect the way language is learned. What we'd like to do is start understanding the interaction between these patterns and the language that my son is exposed to to see if we can predict how the structure of when words are heard affects when they're learned -- so in other words, the relationship between words and what they're about in the world.
حالا فعالیت این ۳۰ دقیقه رو متوقف می کنیم و زمان رو محور عمودی قرار میدهم حالا بازش می کنیم تا نمایی از ردپای کارایی که از خودمون به جا گذاشتیم داشته باشیم. و با این ساختار حیرت آور روبرو می شیم به گره های ریز دورنگ این رشته "نقاط حساس اجتماعی " و به این رشته های مارپیچی "نقاط حساس فردی" می گوییم. ما معتقدیم که این نقاط بر روی روش یادگیری زبان تاثیر میذارند. کاری که ما می خواهیم انجام بدیم فهمیدن رابطه میان این ساختارها و زبانی است که پسرم در معرض اون قرار داره. تا ببنیم آیا می تونیم پیش بینی کنیم که چطور زمان شنیده شدن کلمات بر روی یادگیری اونها تاثیر می گذارد. به عبارت دیگه، رابطه بین کلمات و اینکه اونها در دنیا چه چیز رو بیان می کنند.
So here's how we're approaching this. In this video, again, my son is being traced out. He's leaving red ink behind. And there's our nanny by the door.
از این روی، این روشیه که ما در پیش گرفته ایم. در این ویدیو بار دیگه ، رد پای پسرم دنبال می شه. اون رنگ قرمز رو از خودش به جا میذاره. و اونجا هم پرستار بچه نزدیک در ایستاده .
(Video) Nanny: You want water? (Baby: Aaaa.) Nanny: All right. (Baby: Aaaa.)
پرستار: آب می خوای؟ ( بچه: Aaaa.) پرستار: باشه.( بچه: Aaaa.)
DR: She offers water, and off go the two worms over to the kitchen to get water. And what we've done is use the word "water" to tag that moment, that bit of activity. And now we take the power of data and take every time my son ever heard the word water and the context he saw it in, and we use it to penetrate through the video and find every activity trace that co-occurred with an instance of water. And what this data leaves in its wake is a landscape. We call these wordscapes. This is the wordscape for the word water, and you can see most of the action is in the kitchen. That's where those big peaks are over to the left. And just for contrast, we can do this with any word. We can take the word "bye" as in "good bye." And we're now zoomed in over the entrance to the house. And we look, and we find, as you would expect, a contrast in the landscape where the word "bye" occurs much more in a structured way. So we're using these structures to start predicting the order of language acquisition, and that's ongoing work now.
آب بهش پیشنهاد می کنه و با جا گذاشتن دو مسیر به آشپرخونه می ره تا آب بیاره. و کاری که ما انجام دادیم استفاده از کلمه "آب" برای برچسب زدن این لحظه، این کار کوچک بود. و حالا با به کاربردن توان داده ها و با درنظر گرفتن تمام لحظه هایی که پسرم کلمه "آب " رو شنیده و همچنین بافتی که این کلمه رو در اون دیده، به درون ویدیو نفوذ می کنیم و رد پای تمام فعالیت هایی که به نوعی با گفتن کلمه "آب" همزمان بوده رو پیدا می کنیم. و ردی که این داده ها از خودشون به جا میذارند یه نماست. ما بهش می گیم " نمای لغتی". این نمای لغتی کلمه "آب" است، و می بینید که بیشترین فعالیت در آشپزخونه است. اونجا که اون دوتا قله بزرگ در سمت چپ قرار دارن. و برای مقایسه، می تونیم این روش رو با هر کلمه ای آزمایش کنیم. می تونیم کلمه "bye" رو در نظر بگیریم مثل " goodbye( خداحافظ )". حالا روی ورودی خونه متمرکز می شیم. و همونطور که انتظار می ره، شاهد یه تفاوت در نما هستیم جایی که کلمه "bye" در یه شیوه ساختاری بیشتر به کار میره. بنابراین از این ساختارها استفاده می کنیم تا شروع کنیم به پیش بینی کردن ترتیب مراحل اکتساب زبان. و در حال حاضر داریم روی اون کار میکنیم.
In my lab, which we're peering into now, at MIT -- this is at the media lab. This has become my favorite way of videographing just about any space. Three of the key people in this project, Philip DeCamp, Rony Kubat and Brandon Roy are pictured here. Philip has been a close collaborator on all the visualizations you're seeing. And Michael Fleischman was another Ph.D. student in my lab who worked with me on this home video analysis, and he made the following observation: that "just the way that we're analyzing how language connects to events which provide common ground for language, that same idea we can take out of your home, Deb, and we can apply it to the world of public media." And so our effort took an unexpected turn.
در آزمایشگاه من ، جایی که الان می بینید ، در MIT-- اینجا آزمایشگاه رسانه ایست. این یکی از روش های مورد علاقه من در تهیه ودیوی های گرافیکی در هر محدوده مکانی است. اینجا سه نفر از افراد کلیدی در این تحقیق، فلیپ دی کمپ، رونی کوبات و براندون روی رو می بینید. فیلیپ یه پای اصلی در تهیه تمام کارهای تصویری است که می بینید. و مایکل فلیشمن یکی دیگه از دانشجوهای دکتری در آزمایشگاه من بود که با من در تجزیه این ویدیوهای خونگی همکاری می کرد و این دیدگاه رو عنوان کرد که : "درست همون روشی که در تحلیل چگونگی ارتباط زبان با رویدادهایی که زمینه های مشترک برای زبان مهیا می کنند رو می تونیم از خونه تو برداریم ،دب و در دنیای رسانه ها هم به کار بریم". اینگونه، تلاش های ما وارد یه دور غیر منتظره شد.
Think of mass media as providing common ground and you have the recipe for taking this idea to a whole new place. We've started analyzing television content using the same principles -- analyzing event structure of a TV signal -- episodes of shows, commercials, all of the components that make up the event structure. And we're now, with satellite dishes, pulling and analyzing a good part of all the TV being watched in the United States. And you don't have to now go and instrument living rooms with microphones to get people's conversations, you just tune into publicly available social media feeds.
فکر کردن به رسانه های گروهی به عنوان فراهم کننده های زمینه مشترک برای گفت و گوی مردم، راهکاری است برای به کار این ایده در مکان کاملا جدید. شروع کردیم به تحلیل محتوای تلویزیون. با استفاده از اصول قبلی-- تحلیل ساختار وقایع یه کانال تلویزیون بخش های نمایشی، پیام های بازرگانی، و کلا همه اجزایی که ساختار وقایع رو شکل می دهند. در حال حاظر ، به کمک دیش های ماهواره در حال تحلیل بخشِ قابل توجهي از تمام برنامه های تلویزیونی که در آمریکا دیده می شن هستیم. و شما مجبور نیستید در اطاقهای نشیمن میکروفن بذارید تا مکالمه افراد رو بفهمید، فقط کافیه در فیدهای عمومی رسانههای اجتماعی موجود عضو باشید.
So we're pulling in about three billion comments a month, and then the magic happens. You have the event structure, the common ground that the words are about, coming out of the television feeds; you've got the conversations that are about those topics; and through semantic analysis -- and this is actually real data you're looking at from our data processing -- each yellow line is showing a link being made between a comment in the wild and a piece of event structure coming out of the television signal. And the same idea now can be built up. And we get this wordscape, except now words are not assembled in my living room. Instead, the context, the common ground activities, are the content on television that's driving the conversations. And what we're seeing here, these skyscrapers now, are commentary that are linked to content on television. Same concept, but looking at communication dynamics in a very different sphere.
اینجوری ماهانه حدود سه میلیارد پیام دریافت می کنیم. اینجاست که شگفتی رخ میده. شما ساختارِ اتفاق، یعنی برنامه تلویزیون رو دارید ( زمینه مشترکی که کلمات و از فید های تلویزیونی بیرون میاد) بدین ترتیب شما مکالمه هایی رو که درباره اون موضوعات هستند مورد بررسی قرار میدهید و در تحلیل اجزای معنایی اینها که می بینید اطلاعات واقعی اند که از پردازش داده هایمان بدست آمده. هر خط زرد بیانگر ارتباطیه که داره شکل میگیره. بین یه پیام در دنیای واقعی و ساختار اتفاقی که از یک شبکه تلویزیونی حاصل شده. اینگونه یه ایده مشابه می تونه ساخته بشه. و ما به این نمای لغتی می رسیم، منتها اینبار کلمات از محدوده اطاق من جمع آوری نشدند. در عوض بافت ، فعالیت هایی با زمینه مشترک، محتوایی از برنامه تلویزیون هستن که مکالمه ها در اونها شکل می گیرند. و اونچه اینجا شاهدش هستیم، این آسمان خراشها، تفاسیری هستند که با بافت تلویزیون مرتبط شده اند. مفهوم یکسانه اما ببینید چگونه ارتباط در محیطی کاملا متفاوت، فعال است.
And so fundamentally, rather than, for example, measuring content based on how many people are watching, this gives us the basic data for looking at engagement properties of content. And just like we can look at feedback cycles and dynamics in a family, we can now open up the same concepts and look at much larger groups of people. This is a subset of data from our database -- just 50,000 out of several million -- and the social graph that connects them through publicly available sources. And if you put them on one plain, a second plain is where the content lives. So we have the programs and the sporting events and the commercials, and all of the link structures that tie them together make a content graph. And then the important third dimension. Each of the links that you're seeing rendered here is an actual connection made between something someone said and a piece of content. And there are, again, now tens of millions of these links that give us the connective tissue of social graphs and how they relate to content. And we can now start to probe the structure in interesting ways.
و به طور اساسی، به جای مثلا ارزیابی بافت براساس اینکه چه تعداد در حال تماشا کردنن، این به ما داده اصلی برای بررسی ویژگی های تعاملی بافت رو می ده. و همونطور که می تونیم چرخه های بازخورد و فعالیت های یه خانواده رو بررسی کنیم، می تونیم مفاهیم یکسانی داشته باشیم و گروهای بزرگتری از افراد رو بررسی کنیم. این بخشی از داده هاست-- تنها ۵۰/۰۰۰ از چندین میلیون داده-- و نمودار اجتماعی که اونها رو در منابع عمومی موجود به همدیگه مرتبط می سازه. اگه اونها رو در یه سطح قرار بدید، سطح دوم جایی است که محتوا وجود داره. بنابراین ما برنامه ها و وقایع ورزشی و پیام های بازرگانی ، و تمام ساختارهای ارتباطی که اونها رو به هم گره میزنن و یه نمودار محتوایی رو می سازن رو با هم داریم. و حالا سومین بعد پراهمیت. تمام ارتباطاتی که شما در اینجا می بینید یه ارتباط واقعی بین یه چیزی که یه کسی گفته و زمینهً اون گفته است. و بازدوباره ، ده ها میلیون از این ارتباط ها وجود داره که به ما نمودار شبکه ارتباطی اجتماعی و اینکه اونها چگونه در ارتباط با محتوا هستند رو ارایه می دن. و حالا می تونیم به روشهای جالب شروع کنیم به کنکاش در ساختار.
So if we, for example, trace the path of one piece of content that drives someone to comment on it, and then we follow where that comment goes, and then look at the entire social graph that becomes activated and then trace back to see the relationship between that social graph and content, a very interesting structure becomes visible. We call this a co-viewing clique, a virtual living room if you will. And there are fascinating dynamics at play. It's not one way. A piece of content, an event, causes someone to talk. They talk to other people. That drives tune-in behavior back into mass media, and you have these cycles that drive the overall behavior.
برای مثال ما بخشی از محتوا که سبب میشه یه فرد مطلبی رو درباره آن محتوا بیان کنه در نظر می گیریم، و بعد جاهایی که آن نظر می رود رو دنبال می کنیم، وحالا بینید که تمام نمودار اجتماعی فعال شده و بعد بر می گردیم تا رابطه بین آن نمودار اجتماعی و محتوا رو بفهمیم ، در اینجا یه ساختار بسیار جالب آشکار میشه. ما بهش می گیم " دسته ناظران همزمان " یا به قولی" یه اطاق نشیمن مجازی". جریان پویای بسیار حیرت آوری در جریانه. این یه طرفه نیست. یه بخش از محتوا،یه اتفاق، سبب میشه تا یه نفر "صحبت کنه". بعد اونها با دیگران صحبت می کنند. این باعث میشه تا رفتار شکل گرفته دوباره به رسانه های اجتماعی بر گرده، و شما این چرخه ها رو در تمام رفتارها می بینید.
Another example -- very different -- another actual person in our database -- and we're finding at least hundreds, if not thousands, of these. We've given this person a name. This is a pro-amateur, or pro-am media critic who has this high fan-out rate. So a lot of people are following this person -- very influential -- and they have a propensity to talk about what's on TV. So this person is a key link in connecting mass media and social media together.
یه مثال دیگه --کاملا متفاوت یه فرد واقعی دیگه در داده هایمان و اگه نگم هزاران، حداقل صدها نوع از این چرخه رو می بینیم. ما برای این فرد یه اسم گذاشتیم. او یه "طرفدار تازه کار" ، یه منتقد رسانه ایست که هوادارای بسیار زیادی داره. بنابراین افراد زیادی این فرد رو دنبال می کنند --خیلی با نفوذه اونها تمایل زیادی به صحبت کردن درباره برنامه های تلویزیون دارند. بنابراین این فرد یه ارتباط اصلی در برقراری ارتباط بین رسانه های گروهی و اجتماعی است.
One last example from this data: Sometimes it's actually a piece of content that is special. So if we go and look at this piece of content, President Obama's State of the Union address from just a few weeks ago, and look at what we find in this same data set, at the same scale, the engagement properties of this piece of content are truly remarkable. A nation exploding in conversation in real time in response to what's on the broadcast. And of course, through all of these lines are flowing unstructured language. We can X-ray and get a real-time pulse of a nation, real-time sense of the social reactions in the different circuits in the social graph being activated by content.
آخرین مثال از این داده ها: یه وقتهایی درواقع یه بخشی از محتواست که خیلی خاصه. بنابراین اگه به این بخش از محتوا(در این فیلم) نگاه کنید، (سخنرانی پرزیدنت اوباما درخطاب به اتحادیه ایالات درست چند هفته پیش) و ببیند در این مجموعه داده های یکسان چه چیزی رو پیدا می کنیم، به میزان یکسان، ویژگی های تعاملی این بخش از محتوا بسیار قابل توجه هستند. یه ملت در گفتگو حضور دارند در یه زمان واقعی در پاسخ به اونچه که از تلویزیون پخش می شه. و قطعا تمام این خط ها در حال به جریان انداختن یه زبان سازمان نیافته هستند. می تونیم با اشعه ایکس نبض یک ملت رو همزمان بگیریم، همزمان واکنش اجتماعی که در چرخه های مختلف نمودار اجتماعی بوسیله محتوا فعال می شود رو دریابیم.
So, to summarize, the idea is this: As our world becomes increasingly instrumented and we have the capabilities to collect and connect the dots between what people are saying and the context they're saying it in, what's emerging is an ability to see new social structures and dynamics that have previously not been seen. It's like building a microscope or telescope and revealing new structures about our own behavior around communication. And I think the implications here are profound, whether it's for science, for commerce, for government, or perhaps most of all, for us as individuals.
به طور خلاصه، ایده اینه: هر چقدر که دنیا بیشتر به سمت ابزاری شدن پیش می ره ما توانایی اینو داریم که نقاط بین اونچه که مردم می گویند و محتوایی که در اون صحبت میکنند رو جمع آوری کنیم و به هم مرتبط سازیم. چیزی که نمایان می شه ساختارهای اجتماعی و فعالیت های جدیدی است که قبلا دیده نمی شدند. این درست مثل ساخت یه میکروسکوپ یا تلسکوپ است پرده برداشتن از ساختار های جدید از رفتارمان در حوزه ارتباطات. و به نظر من مفاهیم در اینجا بسیار عمیق هستند، خواه برای علم باشه، یا برای تجارت ،یا دولت و قطعا بالاتر از همه، برای ما به عنوان افراد.
And so just to return to my son, when I was preparing this talk, he was looking over my shoulder, and I showed him the clips I was going to show to you today, and I asked him for permission -- granted. And then I went on to reflect, "Isn't it amazing, this entire database, all these recordings, I'm going to hand off to you and to your sister" -- who arrived two years later -- "and you guys are going to be able to go back and re-experience moments that you could never, with your biological memory, possibly remember the way you can now?" And he was quiet for a moment. And I thought, "What am I thinking? He's five years old. He's not going to understand this." And just as I was having that thought, he looked up at me and said, "So that when I grow up, I can show this to my kids?" And I thought, "Wow, this is powerful stuff."
و برگردیم به پسرم، وقتی داشتم خودم رو برای سخنرانی آماده می کردم، از روی شونه ام داشت نگاه میکرد داشتم کلیپ هایی که امروز نشونتون دادم ، نشونش می دادم. مطمئن باشید ازش اجازه گرفتم. و بعد بهش گفتم، "به نظرت این هیجان آور نیست، که من می خوام تمام این اطلاعات رو، همه این فیلم های ضبط شده رو، به تو و خواهرت بدم، " ( که دوسال بعد متولد شد.) و شما بچه ها میتونید به گذشته برگردید و بار دیگه لحظاتی رو تجربه کنید که هرگز نمی تونید با حافظه بیولوژیکی تان، اینجوری که الان می تونید، به یاد بیارید. برای لحظه ای ساکت موند. با خودم فکردم" به چی دارم فکر می کنم؟ اون فقط پنج سالشه. نمی تونه اینها رو بفهمه." تو همین فکرا بودم که به من نگاه کرد و گفت: " پس وقتی بزرگ شدم می تونم اینو به بچه هام نشون بدم" با خودم گفتم" واوو. اون خیلی می فهمه".
So I want to leave you with one last memorable moment from our family. This is the first time our son took more than two steps at once -- captured on film. And I really want you to focus on something as I take you through. It's a cluttered environment; it's natural life. My mother's in the kitchen, cooking, and, of all places, in the hallway, I realize he's about to do it, about to take more than two steps. And so you hear me encouraging him, realizing what's happening, and then the magic happens. Listen very carefully. About three steps in, he realizes something magic is happening, and the most amazing feedback loop of all kicks in, and he takes a breath in, and he whispers "wow" and instinctively I echo back the same. And so let's fly back in time to that memorable moment.
بنابراین قبل از اینکه حرفم رو تموم کنم شما رو با یکی از آخرین لحظات خاطره انگیز از خانواده ام تنها میذارم. این اولین باریه که پسرمون داره بیشتر از دو قدم بر میداره فیلمش گرفته شده. ازتون میخوام رو چیزی که می بینید خوب تمرکز کنید. خونه ریخت و پاشه، خب یه جور زندگیه. مامانم در آشپزخونه در حال غذا پختنه، و صرفنظر از جاهای دیگه، در راهرو متوجه شدم که داره سعی میکنه راه بره. شما صدای منو می شنوید که دارم تشویقش می کنم و نشون می دم که متوجه ام چه اتفاقی داره می افته اینجاست که شگفتی رخ می ده. خوب گوش کنید حدود سه قدم تا اون درک کنه یه چیز شگفت آور داره اتفاق می افته. و جالب تر از همه واکنشیه که در هر قدم که برمیداره نشون میده، یه نفس می کشه و زیر لب زمزمه کنان میگه " واوو.." و منم ناخودآگاهانه همونو در جواب تکرار میکنم. بریم به عقب برگردیم، به اون لحظه خاطره انگیز.
(Video) DR: Hey. Come here. Can you do it? Oh, boy. Can you do it? Baby: Yeah. DR: Ma, he's walking.
دب روی: سلام. بیا اینجا می تونی انجامش بدی؟ بیا پسر می تونی انجامش بدی؟ بچه : آره... دب روی: مامان، اون داره راه می ره.
(Laughter)
(خندیدن حضار)
(Applause)
(تشویق حضار)
DR: Thank you.
متشکرم.
(Applause)
(تشویق حضار)