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.
דמיינו שהייתם יכולים להקליט את חייכם -- כל מה שאמרתם, כל מה שעשיתם, זמין במחסן זיכרון הנגיש לקצוות אצבעותיכם, כך שהייתם יכולים לחזור אחורה ולאתר רגעים בלתי נשכחים ולחיות אותם מחדש, או לברור מתוך עקבות בזמן ולגלות תבניות בחייכם שהיו נסתרות לפני-כן. זה בדיוק המסע שמשפחתי החלה בו לפני חמש וחצי שנים. זוהי אישתי ושותפתי, רופאל. וביום זה, ברגע זה, צעדנו אל תוך הבית ביחד עם בנינו הראשון, בנינו התינוק היפהפה. וצעדנו אל תוך הבית עם מערכת ביתית מאוד מיוחדת להקלטת-וידאו.
(Video) Man: Okay.
(וידאו) גבר: בסדר.
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.
דב רוי: רגע זה ואלפי רגעים אחרים שהם מיוחדים עבורנו, הוקלטו בביתינו מפני שבכל חדר בבית, אם הסתכלתם למעלה, הייתם רואים מצלמה ומיקרופון, ואם הסתכלתם למטה, הייתם רואים את החדר במבט של מעוף-ציפור. הנה הסלון שלנו, חדר-השינה לתינוק, מטבח, חדר-אוכל ושאר הבית. וכל זה מוזן אל תוך מערך של דיסקים שתוכנן להקלטה מתמשכת ורצופה. כאן אנו עוברים על יום שלם בביתנו כאשר אנו נעים מבוקר שטוף-שמש דרך ערב זוהר ולבסוף, כיבוי אורות לאותו יום. במהלך שלוש שנים, הקלטנו 8-10 שעות ביום, דבר שהסתכם בערך ב-250 אלף שעות של אודיו ווידאו רבי-ערוצים.
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.
אתם מסתכלים על משהו שנכון לעכשיו הוא אוסף הוידאו הביתי הגדול ביותר שנוצר אי-פעם. (צחוק) ומה שהמידע הזה מייצג עבור משפחתנו ברמה האישית, השפעתו כבר עצומה, ואנו עדיין לומדים את משמעותו. אין-ספור רגעים טבעיים, לא מתוכננים, ללא הצגות, מוקלטים שם, ואנו מתחילים ללמוד כיצד לאתרם ולגלותם.
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.
אבל ישנה גם סיבה מדעית שהניעה מיזם זה, והיא, להשתמש במידע הטבעי והמקיף הזה כדי להבין את התהליך בו ילד לומד שפה -- במקרה זה הילד הוא בני. תוך נקיטת אמצעי זהירות רבים לשמירת הפרטיות כדי להגן על כל אחד שהוקלט, חשפנו נתונים שונים בפני קבוצת המחקר המוסמכת שלי ב-MIT כדי שנוכל להתחיל לסרוק למציאת תבניות במאגר הנתונים האדיר הזה, בנסותנו להבין את ההשפעה של סביבות חברתיות על רכישת שפה. אנו מסתכלים כאן על אחד הדברים הראשונים שהתחלנו לעשות. כאן אישתי ואני מכינים ארוחת-בוקר במטבח. בעודנו נעים במרחב ובזמן, דפוס יומי בהחלט של חיים במטבח,
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.
כדי להפוך את 90,000 שעות הוידאו הסתומות למשהו שנוכל להתחיל לאבחן בהן משהו, אנו משתמשים באנליזת תנועה, כאשר אנו נעים דרך מרחב ודרך זמן, מה שנקרא תולעות מרחב-זמן. וזה הפך להיות חלק מארגז הכלים שלנו כדי שנוכל להביט ולראות היכן בנתונים נמצאת הפעילות, ואיתה, לאתר את התבנית, ובמיוחד, באותם המקומות שבני נע ברחבי הבית, כך שנוכל למקד את מאמצי הבלשנות שלנו, את כלל סביבת הדיבור, סביב בני -- כל המילים שהוא שמע ממני, מאישתי, המטפלת, ועם הזמן, המילים שהוא החל ליצור. כך שעם הטכנולוגיה הזו והנתונים הללו והיכולת, בסיוע מכונה, לשעתק דיבור, הצלחנו לשעתק יותר משבע מיליון מילים מההקלטות. וכעת עם כל זה, אקח אתכם לסיור הראשון בנתונים.
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.
אני בטוח שכולכם ראיתם פעם סרטון צילום-איטי בו רואים פרח פורח בזמן מואץ. הייתי רוצה שתתנסו כעת בפריחה של צורת דיבור. בני, מייד לאחר יום-הולדתו הראשון, היה אומר "גאגה" בהתכוונו למים. ובמהלך חצי שנה הבאה, הוא למד בהדרגה להתקרב אל הצורה ההולמת של בוגרים ,"מים (וואטר)". אז אנו עומדים לשייט דרך חצי שנה ב-40 שניות. אין כאן וידאו, לכן תוכלו להתרכז בקול, באקוסטיקה, של נתיב מסוג חדש: מגאגה אל מים (וואטר).
(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.
(קול) תינוק: גהגהגהגהגה גגה גגה גגה גוגה גוגה גוגה ואדה גגה גגה גוגה גגה וואדר גוגה גוגה וואטר וואטר וואטר וואטר וואטר וואטר וואטר וואטר וואטר.
DR: He sure nailed it, didn't he.
הוא עשה את זה, נכון?
(Applause)
(מחיאות כפיים)
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.
הוא לא רק למד מים. במהלך תקופה של 24 חודשים, בשנתיים הראשונות, שבהן התרכזנו, זוהי מפה של כל המילים שהוא למד בסדר כרונולוגי. ומאחר ויש לנו את כל התעתיקים, זיהינו כל אחת מה-503 מילים שהוא למד להגות עד יום הולדתו השני. הוא התחיל לדבר מוקדם. ולכן התחלנו לבדוק למה. מדוע מילים מסויימות נולדו לפני אחרות? זוהי אחת התוצאות הראשונות שהתקבלה ממחקרנו לפני קצת יותר משנה ואשר ממש הפתיעה אותנו. הדרך לפרש גרף פשוט זה לכאורה היא שהציר האנכי מתאר עד כמה מורכבים הביטויים של המטפלת בהתבסס על אורך הביטויים. והציר האופקי זה הזמן.
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.
ואת כל הנתונים, סידרנו לפי הרעיון הבא: בכל פעם שבני למד מילה, היינו משחזרים אחורה ומסתכלים על כל השפה שהוא שמע ואשר כללה את אותה מילה. והיינו משרטטים את האורך היחסי של הביטויים. ומה שמצאנו היתה התופעה המסקרנת שהדיבור של המטפלת היה שוקע בהתמדה למינימום, והשפה היתה הופכת לפשוטה ככל האפשר, ואז עולה בהדרגה ברמת המורכבות. והדבר המדהים היה שאותה קפיצה, אותה שקיעה, התאימו כמעט במדוייק למועד הולדתה של מילה כלשהי -- מילה אחר מילה, באופן שיטתי. כך שנראה שכל שלושת המטפלים -- אני, אישתי והמטפלת -- היו בשיטתיות, ואני סבור, באופן תת-הכרתי בונים מחדש את שפתינו כדי לתמוך בו בהולדתה של מילה ולהביאו בעדינות אל תוך שפה יותר מורכבת. וההשלכות של זה -- הן רבות, אבל ברצוני להצביע על אחת, והיא שחייבות להתקיים לולאות משוב מופלאות. כמובן, בני לומד מהסביבה הלשונית שלו, אבל הסביבה גם לומדת ממנו. באותה סביבה, אנשים נמצאים בתוך לולאות משוב הדוקות אלו ויוצרים מין מערכת פיגומים שעד היום לא שמו אליה לב.
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.
זה כאשר מדובר בהיבט הדיבורי. מה בנוגע להיבט החזותי? איננו מסתכלים על -- תחשבו שזה חתך בית-בובות של ביתינו. נטלנו את מצלמות עדשות עין-דג העגולות, ועשינו קצת תיקון אופטי, וכך אנו יכולים להביא זאת למצב תלת-מימדי חי. אז ברוכים הבאים לביתי. זהו רגע, רגע אחד שנלכד באמצעות מספר מצלמות. הסיבה שעשינו זאת היתה כדי ליצור מכונה בעלת זיכרון אולטימטיבי, בה ניתן לטוס כה וכה באופן אינטראקטיבי ואז להפיח חיי-וידאו אל תוך מערכת זו. מה שאני הולך לעשות הוא לתת לכם מבט מואץ של 30 דקות, שוב, רק של חיים בסלון. זהו בני על הריצפה. ושם זה מנתח וידאו אשר עוקב אחר תנועותינו. בני משאיר סימן אדום ואני ירוק. עכשיו אנו על הספה, מתבוננים דרך החלון במכוניות חולפות. ולבסוף, בני משחק בצעצוע.
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.
כעת אנו מקפיאים את התנועה, 30 דקות, אנו מסובבים את הזמן לציר אנכי, ואנו פותחים לצפייה את עקבות האינטראקציה שהשארנו זה עתה מאחור. ואנו רואים מבנים מדהימים -- לשני הקשרים הקטנים הללו של שני קוי צבעים אנו קוראים נקודות מפגש חמות. לקו החלזוני אנו קוראים נקודה חמה סולו. ואנו סבורים שזה משפיע על האופן בו שפה נלמדת. מה שהיינו רוצים לעשות זה להתחיל להבין את האינטראקציה בין שתי תבניות הללו ואת השפה שבני חשוף אליה כדי לראות אם ניתן לחזות כיצד המבנה של מועד שמיעת המילים משפיע כאשר הן נלמדות -- במילים אחרות, הקשר בין מילים לבין משמעותן בעולם הזה.
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.
וכך ניגשנו לפיתרון. בוידאו זה, שוב, יש מעקב אחר בני. הוא משאיר סימן אדום. והנה המטפלת ליד הדלת.
(Video) Nanny: You want water? (Baby: Aaaa.) Nanny: All right. (Baby: Aaaa.)
(וידאו) מטפלת: אתה רוצה מים? (תינוק: אההה.) מטפלת: בסדר. (תינוק: אההה.)
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.
ד.ר.: היא מציעה מים, ויוצאות שתי התולעות אל עבר המטבח לקחת מים. ומה שעשינו זה השתמשנו במילה "מים" כדי לסמן את הרגע הזה, את אותו שביב פעולה. וכעת אנו מנצלים את העוצמה שבנתונים ונוטלים את כל הפעמים שבני שמע אי-פעם את המילה מים ואת ההקשר בו הוא ראה אותה, ומשתמשים בזה כדי לחדור דרך הוידאו ולמצוא כל עיקבה של פעולה אשר התרחשה בו-זמנית עם אירוע המים. ומה שהנתונים משאירים בשובל שלהם זה תוואי-שטח. אנו קוראים לזה תוואי-מילים. זהו תוואי-המילים עבור המילה מים, ניתן לראות שרוב הפעילות היא במטבח. שם ישנם שני שיאים גדולים בצד שמאל. לשם המחשה, ניתן לעשות זאת עם כל מילה. נוכל לקחת את המילה "שלום" כמו ב"הייה שלום". ומתכנסים אל עבר הכניסה של הבית. מסתכלים, ומוצאים כמצופה, שינוי בתוואי-שטח בו המילה "שלום" מתרחשת הרבה יותר באופן מובנה. כך שאנו משתמשים במבנים הללו כדי לחזות את הסדר בו השפה נרכשת, וזו העבודה שנעשית נכון להיום.
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.
במעבדה שלי, שאנו מציצים אליה עכשיו, ב-MIT -- זה במעבדת תקשורת. זו הדרך האהובה עליי להקליט על וידאו חלל כלשהו. שלושת אנשי המפתח במיזם זה, מצולמים כאן פיליפ דה-קאמפ, רוני קובאט וברנדון רוי. פיליפ הוא שותף קרוב ביצירת כל ההמחשות החזותיות שאתם רואים. ומייקל פליישמן היה דוקטורנט נוסף במעבדה אשר עבד איתי על אנליזת וידאו ביתי זה, והוא הבחין בדבר הבא: ש"בדיוק באותו אופן בו אנו מנתחים כיצד שפה מתקשרת לאירועים המעניקים בסיס משותף לשפה, ניתן לקחת את אותו רעיון אל מחוץ לביתך, דב, וניתן ליישמו לעולם של תקשורת ההמונים." וכך מאמצינו קיבלו תפנית לא צפויה.
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.
תחשבו על תקשורת המונים בתור כזו המעניקה בסיס משותף ויש לכם המתכון ללקיחת רעיון זה אל מקום אחר לגמרי. התחלנו לנתח תוכן טלוויזיוני תוך שימוש באותם העקרונות -- ניתוח מבנה אירוע של אות טלוויזיה -- פרקי סדרות, פרסומות, כל המרכיבים שיוצרים מבנה אירוע. וכיום אנו מושכים ומנתחים בעזרת צלחות לוויינים חלק גדול מכל תוכניות הטלוויזיה הנצפות בארה"ב. ואין צורך ללכת ולרשת עם מיקרופונים סלונים בבתים כדי לקלוט שיחות בין אנשים, אלא רק להתחבר למשובים חברתיים הזמינים לכל הציבור.
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.
כך שאנו מושכים כ-3 מיליארד תגובות בחודש. ואז מתרחש הקסם. יש את מבנה האירוע, הבסיס המשותף שהמילים נסבות סביבו, היוצא מתוך הטלוויזיה; יש את השיחות הקשורות באותם הנושאים; ובאמצעות ניתוח סמנטי -- ובעצם אלה הם הנתונים האמיתיים שאתם רואים עכשיו מתוך תהליך עיבוד הנתונים שלנו -- כל קו צהוב מסמל קישור שנעשה בין תגובה בתוך הסבך ושביב של מבנה אירוע אשר יוצא מתוך אות הטלוויזיה. וכעת ניתן לבנות את אותו רעיון ואנו מקבלים את תוואי-המילים הזה, אלא שכעת המילים אינן מורכבות בסלון שלי. במקום זה, ההקשר, פעולות הנוגעות לבסיס המשותף, הוא תוכן טלוויזיוני אשר מדרבן שיחות. ומה שאנו רואים כאן, גורדי-השחקים הללו, הם פרשנות הקשורה לתוכן טלוויזיוני. אותו רעיון, אבל בהתבוננות על דינמיקה תקשורתית בתחום שונה לגמרי.
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.
ולכן באופן בסיסי, במקום, לדוגמא, מדידת תוכן לפי כמה אנשים צופים בו, הדבר הזה נותן לנו נתונים בסיסיים המאפשרים להסתכל על מידת ההתעסקות בתוכן. ובדיוק כמו שאנו יכולים להסתכל על מעגלים של משובים ודינמיקה בתוך משפחה, כעת אנו יכולים לפתוח את אותם הרעיונות ולהתבונן על קבוצות הרבה יותר גדולות של אנשים. זוהי תת-מערכת של נתונים מבסיס הנתונים שלנו -- רק 50,000 מתוך כמה מיליונים -- והגרף החברתי המקשר אותם באמצעות מקורות הזמינים לכל. ואם תניחו אותם במישור אחד, המישור השני הוא היכן שמונח התוכן. כך שיש לנו את התוכניות ואירועי הספורט והפרסומות, ואת כל מבני הקישור אשר קושרים אותם יחד והיוצרים תרשים תוכן. ואז מגיע המימד השלישי החשוב. כל אחד מהקישורים שאתם רואים כאן הוא קשר אמיתי שנוצר בין משהו שמישהו אמר לבין קטע של תוכן. והנה שוב, עכשיו עשרות מיליוני קישורים כאלה שנותנים לנו את הריקמה החיבורית של גרפים חברתיים והאופן בו הם קשורים לתוכן. וכעת אנו יכולים להתחיל לחקור את המבנה בדרכים מעניינות.
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.
כך שאם אנו לדוגמא עוקבים אחר נתיב של קטע תוכן אחד אשר גורם למישהו להעיר עליו, ואז אנו עוקבים להיכן מגיעה אותה הערה, ואחר-כך מסתכלים על כל התרשים החברתי שמופעל ולאחר-מכן עוקבים כדי לראות את הקשר בין אותו תרשים חברתי לבין תוכן, מופיע מול עינינו מבנה מאוד מעניין. אנו מכנים אותו מועדון צפייה-משותפת, סלון וירטואלי אם תרצו. דינמיקה מרתקת ממלאת כאן תפקיד. זו לא דרך חד-סיטרית. קטע של תוכן, אירוע, גורם למישהו לדבר. הם מדברים לאנשים אחרים. וזה גורם להתנהגות מכווננת החוזרת לתקשורת המונית, ואז מקבלים את המעגלים הללו שמניעים את ההתנהגות הכוללת.
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.
דוגמא אחרת -- שונה מאוד -- אדם אחר בבסיס הנתונים שלנו -- ואנו מוצאים לפחות מאות, אם לא אלפים כאלה. ונתנו שם לאדם זה. זהו מקצוען-חובב, מבקר תקשורת שלדעותיו יש פריסה רחבה. כך שהרבה אנשים עוקבים אחר אדם זה -- משפיע מאוד -- ויש להם נטייה לדבר על מה משודר בטלוויזיה. כך שאדם זה הוא חוליית מפתח המקשרת תקשורת המונית ותקשורת חברתית ביחד.
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.
דוגמא אחת אחרונה לנתונים אלה: לפעמים זה בעצם קטע תוכן שהינו מיוחד. כך שאם מסתכלים על קטע תוכן זה, נאומו של הנשיא אובאמה על מצב האומה לפני מספר שבועות, ומסתכלים על מה שמוצאים באותה מערכת נתונים, באותו קנה-מידה, מידת ההתעסקות בתוכן הזה היא באמת מרשימה. אומה המתפוצצת בשיחות בזמן אמת בתגובה למה שמשודר באותו רגע. וכמובן, על-גבי כל השורות הללו זורמת שפה לא-מובנית. אנו יכולים לצלם תמונת עומק ולקבל את דופק האומה בזמן אמיתי, תחושה בזמן אמיתי של התגובות הציבוריות במעגלים השונים בתרשים החברתי אשר מתעוררות בגלל התוכן.
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.
לסיכום, הרעיון הוא כזה: ככל שהעולם הופך לממוכשר יותר ויש לנו היכולות לאסוף ולחבר בין מה שאנשים אומרים לבין ההקשר לגביו הם אומרים זאת, מה שעולה וצומח היא היכולת להבחין במבנים חברתיים ודינמיקות חדשים שלא נראו קודם לכן. זה כמו לבנות מיקרוסקופ או טלסקופ ולגלות מבנים חדשים של התנהגותנו הנוצרים סביב תקשורת. אני סבור שההשלכות הן עמוקות, בין אם זה לגבי מדע, או לגבי מסחר, או לגבי ממשלה, או אולי יותר מהכל, לגבינו כיחידים.
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."
אז אם לחזור לבני, כאשר הכנתי הרצאה זו, הוא הסתכל מעבר לכתפי, והראתי לו את הסרטונים שאני הראתי לכם כאן, וביקשתי את רשותו -- שניתנה. ואז המשכתי להרהר בקול רם, "האין זה מדהים, שכל בסיס הנתונים הזה, כל ההקלטות האלו, אני הולך למסור לך ולאחותך," שהגיעה לעולם שנתיים יותר מאוחר. "ואתם תהיו מסוגלים לשוב אחורה ולחוות מחדש רגעים שלא הייתם יכולים אף פעם, עם הזיכרון הביולוגי שלכם, לזכור באופן בו אתם יכולים כעת." והוא השתתק לרגע. ואני חשבתי, "מה אני חושב לעצמי? הוא רק בן 5. הוא בטח לא יבין את זה." ובדיוק כאשר המחשבה הזו עברה במוחי, הוא הרים את מבטו ואמר, "אז כאשר אני אגדל, אוכל להראות את זה לילדיי?" ואני חשבתי לעצמי, "וואו, זה משהו עוצמתי."
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.
אם כך, ברצוני להשאיר אתכם עם רגע אחד אחרון בלתי-נשכח הקשור במשפחתי. זוהי הפעם הראשונה שבני עשה יותר משני צעדים רצוף -- וצולם במצלמה. ואני רוצה שתתרכזו במשהו בעוד אני מוביל אתכם. זו סביבה מבולגנת; אלה חיים רגילים. אימי מבשלת במטבח, ומכל המקומות, במסדרון, אני מגלה שהוא עומד לעשות זאת, לבצע יותר משני צעדים. ולכן שומעים אותי מעודד אותו, תופס מה קורה כאן, ואז הקסם מתרחש. הקשיבו היטב. לאחר כשלושה צעדים, הוא מבין שיש כאן איזה קסם שקורה. ואז מתפרץ פנימה המשוב הכי מדהים מכולם, הוא שואף פנימה, ואז לוחש "וואו" ובאופן אינסטינקטיבי חוזר ממני מין הד זהה. אז הבה נפליג אחורה בזמן אל אותו רגע בלתי נשכח.
(Video) DR: Hey. Come here. Can you do it? Oh, boy. Can you do it? Baby: Yeah. DR: Ma, he's walking.
(סרטון) ד.ר.: היי. בוא לכאן. האם תוכל לעשות זאת? אוי. האם תוכל לעשות זאת? תינוק: וואו. ד.ר.: (וואו). אימא, הוא הולך.
(Laughter)
(צחוק)
(Applause)
(מחיאות כפיים)
DR: Thank you.
ד.ר.: תודה לכם.
(Applause)
(מחיאות כפיים)