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.
Bir an yaşantınızı kaydedebileceğinizi düşünün -- söylediğiniz her şeyi, yaptığınız her şeyi, hepsi elinizi uzatarak ulaşabilceğiniz kusursuz bir bellekte saklı, böylece geri dönüp anımsamaya değer olayları bulup yeniden yaşayabilir, ya da zamanı eşeleyerek hayatınızla ilgili daha önce keşfetmediğiniz farklı kalıplar keşfedebilirsiniz. Bu, tam olarak benim ailemin beş buçuk yıl önce giriştiği yolculuğun tanımı. Bu benim eşim ve destekçim, Rupal. Ve bu gün, tam da bu anda, kucağımızda ilk çocuğumuzla evimize girdik, harika bir erkek bebek. Girdiğimiz ev özel bir video düzeneği ile donanmış bir evdi.
(Video) Man: Okay.
(Video) Adam: Tamam.
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.
Deb Roy: İşte bu an ve biim için önemli olan binlerce diğer an evimizde kaydedildi çinkü evdeki her odada eğer yukarı bakarsanız görebileceğiniz bir kamera ve mikrofon sistemi var eğer yukarıdan bakacak olursanız, tüm odayı balık gözü şeklinde görebilirsiniz. Burası bizim oturma odamız, burası bebek odası, mutfak, yemek odası ve evin diğer kısımları. Bu verilerin tamamı, sürekli gorüntü alabilecek biçimde tasarlanmış bir dizi diske kaydedildi. Burada, evde geçen bir günü hızlı bir şekilde görüyoruz sabahın ilk ışıklarından başlayıp aydınlatılmış akşama ve sonunda gecenin karanlığına kadar. Üç yıl boyunca, günde sekiz ila on saat arası kayıt yaptık, yaklaşık 250.000 saatlik çok kanallı ses ve görüntü kaydı.
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.
Yani, eğer gelmiş geçmiş en büyük ev videoları koleksiyonunu arıyorsanız o burada. (Gülüşmeler) Bu verinin bizim ailemiz için kişisel seviyedeki anlamı zaten çok yoğun oldu ve ne kadar değerli olduğunu fark etmeye devam ediyoruz. Sayısız an poz verilmemiş, ayralanmamış doğal anlar burada kayda alındı, ve bizler bunları nasıl keşfedeceğimizi ve bulacağımızı yeni yeni öğreniyoruz.
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.
Ama bu projeye ivme veren bir bilimsel neden de var, o da bu dikey veriyi kullanarak bi çocuğun konuşmayı öğrenme sürecini nasıl anlayabiliriz -- ki buradaki çocuk benim oğlum. Böylece, kayıtların içinde yer alan kişilerin özel hayatını koruyacak pekçok önlemden sonra, bu verinin bileşenlerini MIT'deki güvenilir araştırma ekibimle paylaştık, böylece bu yoğun veri setini inceleyerek, içindeki şablonları ayıklayarak dil öğrenme sürecindeki sosyal çevrenin etkisini anlamaya başlayabildik. Burada gördüğümüz şey ilk yapmaya başladığımız şeylerden biri. Bu eşim ve mutfakta kahvaltı hazırlıyor. Zaman ve mekan içinde hareket ederken, mutfakta günlük bir şablon var.
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.
Bu 90.000 saatlik videoyu birşeyler görebileceğimiz hale getirebilmek için hareket analiz noktaları yerleştirdik, böylece zaman ve mekanda hareket ettikçe zaman-mekan solucanı dediğimiz şeyler ortaya çıkıyor. Bu, bizim verinin içinde nerede aktivite olduğunu görmemize yarayan bir yöntem oldu, bununla, özellikle de oğlumun evin içindeki hareketinin izini çıkarıyoruz, böylece kayıt çabalarımızı oğlumun etrafında oluşan konuşma ortamına odaklayabiliyoruz -- benden, eşimden ya da dadısından duyduğu tüm kelimeler, ve zaman içinde onun üretmeye başladığı kelimeler. Elimizdeki bu teknoloji, veri ve makina yardımı ile konuşmayı kaydetme yetisi aracılığı ile, ev ortamımızdaki kelimelerden yedi milyondan fazlasını kayda almayı başardık. Bu verinin içindeki ilk tura sizi götürmeme izin verin.
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.
Eminim hepiniz time-lapse videolar seyretmişssinizdir, hani bir çiçek açarken çekilen ve hızlı oynatılan videolardan. Şimdi ise sizlerin bir dilin ortaya çımasına şahit olmanızı istiyorum. Oğlum, birinci yaşgününden hemen sonra su (water) yerine "gaga" demeye başladı. Ve bunu takiben altı ay içinde de yavaş yavaş yetişkin formu olan "su" (water) kelimesini geçiş yaptı. Şimdi bu altı aylık süreyi yaklaşık 40 sn içinde göreceğiz. Burada video yok, böylelikle sese ve akustiklere odaklanabilirsiniz, gaga'dan su (water)'a yeni bir rota.
(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.
(Ses kaydı) Bebek: Gagagagaga Gaga gaga gaga guga guga guga wada gaga gaga guga gaga wader guga guga water water water water water water water water water. (su)
DR: He sure nailed it, didn't he.
DR: Sonunda becerdi, değil mi?
(Applause)
(Alkışlar)
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.
Sadece su'yu değil, başka şeyleri de öğrendi. 24 ay boyunca, ilk iki yıl süresince, gerçekten iyi odaklandık, bu öğrendiği her kelimenin tarihsel sıralaması. Elimizde tüm kayıtlar olduğu için ikinci yaşgününe dek söylemeyi öğrendiği bu 503 kelimeyi tek tek saptayabildik. Erken konuşan bir çocuk. Biz de nedenleri araştırmaya başladık. Neden bazı kelimeler diğerlerinden önce öğreniliyor? Bu vardığımız sonuçlardan ilki, araştırmamızda bir sene kadar önce saptadık ve bizi epey şaşırttı. Bu basit görünen grafiği anlamak için şu önemli dikey eksende bakıcının konuşmasındaki karmaşıklık gösteriliyor. bunu tekrarların sayısına göre işaretledik. yatay eksen ise zamanı gösteriyor.
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.
Buraya yerleştirdiğimiz tüm veriler şu fikre dayalı: Oğlum her bir yeni kelimeyi öğrendiğinde, zamanda geriye gidip duyduğu konuşmalar içinde o kelimeyi arıyoruz. Ve o kelimenin kaç kere tekrarlandığını kaydediyoruz. Bunun sonucunda şöyle ilginç bir şey bulduk, bakıcının konuşması önce en aza iniyor, dili olabildiğince basit hale getiriyor, daha sonra yavaş yavaş karmaşıklığı artırıyor. İnanılmaz olan şey ise bu çukur noktanın hemen hemen her bir kelimenin doğuşu ile eş zamanlı ortaya çıkması -- kelime kelime, düzenli bir şekilde bu oldu. Görünen o ki, oğlumun üç bakıcısı da -- yani ben, eşim ve dadımız -- sistematik olarak, ve sanırım bilinçaltımızda konuştuğumuz dili yeniden yapılandırıyor ve onunla bir kelimenin doğuşunda aynı seviyeye iniyor sonra onu daha karmaşık dil yapısına taşıyoruz. Bunun sonuçları ise -- ki birden fazlalar, ama bir tanesini hemen göstermek istiyorum, bu sürecin içinde inanılmaz geri bildirim döngülerinin varlığı. Elbette, oğlum çevresindeki dilden zengin ortamdan öğreniyor, ama o ortam da ondan öğreniyor. Bu sıkı geri bildirim döngüsündeki çevre, çevredeki insanlar, ve böylesine bir yapı şimdiye dek fark edilmemişti.
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.
Bu kısma kadar konuşmanın içeriğine baktık. Peki ya görsel içerik? Ona bakmıyoruz -- bunun evimizim oyuncak ev kesiti olduğunu varsayın. Şu dairesel balık gözü kameralardan aldık ve biraz optik düzeltme yaparak görüntüleri üç boyutlu hale getirdik. Evime hoş geldiniz. Bu gördüğünüz an, birden fazla kamera tarafından kaydedilmiş bir an. Bunu yapmamızdaki neden, en yetkin hafıza makinasını yaratmak idi, zamanda geri gidebileceğiniz ve interaktif olarak içinde gezinebileceğiniz canlı görüntüler oluşturmak istedik. Şimdi size, sadece oturma odasındaki yaşantımızdan hızlandırılmış bir 30 dk'lık kesit göstereceğim. Bu benim, ve yerde de oğlum var. Bunlar da hareketlerimizi izleyen video analiz cihazları. Oğlum görüntüde kırmızı iz bırakıyor, benimki ise yeşil. Şimdi koltuktayız, camdan dışarıdan geçen arabalara bakıyoruz. Sonrasında da oğlum kendi kendine yürüyen bir oyuncakla oynuyor.
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.
Burada hareketi donduralım, 30 dakikalık hareket, ve zamanı dikey eksene çevirelim, ve bu birbirimizle etkileşim izlerimizi incelemeye açalım. Burada müthiş bir yapı görüyoruz -- bu iki rengin birbiri ile iç içe girip düğümlendiği noktalara sosyal sıcak noktalar diyoruz. Bu spiral ize ise yalın sıcak nokta diyoruz. Bu noktaların, dil öğrenme sürecimizi etkilediği görüşündeyiz. Yapmak istediğimiz bu şablonlar arasındaki iletişimi, ya da oğlumun deneyimlediği konuşmaları anlamaya çalışmak ve böylece kelimelerin duyulduğu zamanın öğrenildiği zamanı ne şekilde etkilediğini öngörebilirmiyiz anlamak. bir diğer deyişle, kelimeler ve dünyada taşıdıkları anlam arasındaki ilişkiyi gözlemek.
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.
Bu duruma şöyle yaklaşıyoruz. Bu videoda, oğlumun bıraktığı izi görebiliyorsunuz. Kırmızı bir iz bırakıyor. Kapıda gördüğünüz dadımız.
(Video) Nanny: You want water? (Baby: Aaaa.) Nanny: All right. (Baby: Aaaa.)
(Video) Dadı: Su mu istiyorsun? (Bebek: Aaaa.) Dadı: Tamam. (Bebek: 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.
DR: Ona su veriyor, ve iki solucanın mutfağa, su almaya yöneldiğini görüyorsunuz. Bizim yaptığımız "su" kelimesi ile o anı, o aktiviteyi etiketlemek. Şimdi verinin gücünü kullanıyoruz ve oğlumun "su" kelimesini duyduğu her anı ve "su"yu gördüğü her bir anı alıyoruz ve bu anları video kaydı üzerinde kesiştirerek su ile ilgili olan eş zamanlı gerçekleşmiş her tür aktivite izini bulabiliyoruz. Bu veri, derlenmesinin sonunda bir yüzey şekli oluşturuyor. Bunlara kelime-haritaları adını taktık. Bu gördüğünüz su kelimesinin kelime haritası, çoğu hareketin mutfakta olduğunu görebilirsiniz. Şu soldaki yüksek tepeler mutfakta. Karşılaştırma için bunu herhangi bir kelime için yapabiliriz. Mesela "hoşçakal" kelimesini alalım, "hadi hoşçakal"daki gibi. Şimdi gördüğümüz yer evin giriş kapısı. Ve baktığımızda, tahmin ettiğiniz gibi "hoşçakal" kelimesinin daha sıklıkla yapısal olarak kullandığı yerin farklı olduğunu görüyoruz. Biz, bu yapıları dil öğrenme basamaklarını öngörmede kullanıyoruz, bu halen devam eden bir süreç.
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.
Benim laboratuvarımda, ki şu an ona bakıyoruz, MIT'de -- burası medya laboratuvarı. Herhangi bir mekanın bu tip videografını çekmek benim en sevdiğim yöntem haline geldi. Bu projede çalışan üç kilit isim var, Philip DeCamp, Rony Kubat ve Brandon Roy, burada resimde görüyorsunuz. Phillip, izlediğiniz görüntülemeler konusunda çok katkıda bulundu. Laboratuvarımdaki bir başka doktora öğrencisi olan Michael Fleishman ise ev videolarının analizinde benimle çalıştı, ve şu gözlemini benimle paylaştı: "Senin evinde, konuşmanın, bir dilin oluşmasına zemin hazırlayan olaylarla bağlantısını incelerken kullandığımız yöntemi evin dışında da kullanabiliriz Deb, bunu kamusal medya ile de yapabiliriz." Böylece çalışmalarımız beklenmedik bir yöne kaydı.
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.
Medya'nın orta bir payda yarattığını ve sizin de elinizde bu fikirleri yeni bir yerlere taşıyacak bir reçete olduğunu düşünün. Aynı prensipleri kullanarak televizyon programlarının içeriklerini incelemeye başladık -- TV sinyalinin içindeki olayların yapısı -- dizilerin bölümleri, reklamlar, ve bir olay yapısını ortaya çıkaran tüm bileşenler. Ve şu anda, uydu antenleri sayesinde, Amerika'da seyredilen TV programlarının büyük çoğunluğunu analiz edebiliyoruz. İnsanların konuşmalarınıa kaydedebilmek için oturma odalarına girip oralara mikrofon döşemenize gerek kalmıyor, sadece kamuya açık olan sosyal medya verilerine ulaşmanız yeterli.
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.
Şu anda ayda yaklaşık 3 milyar yorum indiriyoruz. Sonra büyülü bir şey oluyor. Elinizde bir olay yapısı mevcut, kelimelerin içerikleri ile ilgili ortak bir yapı, televizyon yayınlarından geliyor; bu konularla ilgili karşılıklı konuşmalar da var; ve kelime analizleri ile -- ki şu anda bizim gerçekten üzerinde çalıştığımız bir veriye bakıyorsunuz -- her bir sarı çizgi ortaya yapılan bir yorum ile televiyon yayınlarından gelen program yapısı arasındaki bağlantıyı oluşturuyor. Şimdi aynı fikri buraya da uygulayabiliriz. Böylece bu kelime haritasını elde ediyoruz, tek farkı artık kelimelerin benim oturma odamla sınırlı olmaması. Onun yerine, içerik, ortak aktivitelerden değil televizyon programlarının içerdiklerinden ortaya çıkıyor. Burada gördüğümüz bu gökdelen benzeri yapılar televiyon programlarının içerikleri ile bağlantısı olan yorumlar. Aynı fikir, ama farklı bir boyuttan iletişim dinamiklerine bakıyor.
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.
Temelde, örneğin, içeriği kaç kişinin izlediğine bakarak ölçümlemek yerine, içeriğin ortak özelliklerine bakmak bize daha temel bir veri sunuyor. Aynı bir ailenin içindeki geri bildirim döngülerine ve dinamiklere bakmak gibi. Artık aynı kavramları açarak çok daha büyük insan gruplarına bakabiliriz. Bu bizim veri bankamızdan bir alıntı -- birkaç milyon veri içinden sadece 50.000 tanesi -- ve kamuya açık kaynaklar aracılığı ile elde edilen onları birbirine bağlayan sosyal grafik. Bunları bir düzleme koyarsanız, diğer düzlem içeriklerin bulunduğu yerdir. Burada programlar, spor programları, ve reklamlar var, ve birbirleri ile olan bağlantıları, onları şekillendirerek bir içerik grafiği oluşturuyor. ve çok önemli bu üçüncü boyutu. Burada gördüğünüz her bir bağlantı bir kimsenin söylediği bir şey ile içerikler arasındaki gerçek ğlantıları gösteriyor. Burada da öyle, onlarca milyon bağlantı sosyal grafiklerin bağ dokusunu oluşturuyor ve içerikle olan bağlantılarını gösteriyor. Artık bu yapıyı ilginç şekillerde kurcalayabiliriz.
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.
Örneğin, biri tarafından yorum yapılmış bir içeriğin bağlantısını takip edelim ve bakalım o yorum nereye gidiyor, daha sonra aktif hale gelen tüm sosyal grafiğe bakalım ilk içerik ile sosyal grafik arasındaki ilişkinin sınırlarını izleyelim, çok ilginç bir yapı ortaya çıkıyor. Biz buna eş-zamanlı izlem grubu diyoruz, bir nevi sanal oturma odası. Ve burada inanılmaz dinamikler iş başında. Tek yönlü değil. Bir içerik, bir olay, birilerinin konuşmasına neden oluyor. Onlar da başka insanlarla konuşuyorlar. Bu durum, kitle iletişim araçlarında belirli bir davranışa neden oluyor ve toplu davranışları yöneten döngüleri görebiliyorsunuz.
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.
Bir başka örnek -- oldukça farklı -- bizim veri tabanımızdaki gerçek bir insan -- ve bunlardan yüzlerce hatta balki de binlercesini buluyoruz. Bu kişiye bir isim verdik. Bu yarı profesyonel amatör, bir medya eleştirmeni ve gittikçe yayılan bir popülerliği var. Bu nedenle pek çok kişi bu kişiyi takip ediyor -- çok etkili birisi-- ve genelde de TV'de olan şeyler hakkında konuşmaya eğilimliler. Bu kişi, anahtar kitle iletişim araçları ile sosyal iletişim araçlarını birlşetiren kilit bir konumda.
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.
Bu verilerden son bir örnek daha vermek istiyorum. Bazen, içeriğin bir parçası gerçekten de çok özel ve önemlidir. O zaman gidip bu bileşeni aramaya koyuluruz. Başkan Obama'nın birkaç hafta önce yaptığı Ulusa Sesleniş konuşması, bakın bu veri dizisinde ne bulduk, aynı oranda, bu içeriğin birleştirici özelliği gerçekten de takdire değerdi. Gerçek zamanlı olarak bir ulus yapılan yayına cevap olarak inanılmaz bir şekilde iletişime geçti. Ve tüm bu satırlar içinde yapılanmamış bir dil akışı var. Bir röntgen çeker gibi bir ulusun gerçek zamanlı nabzını sosyal grafikteki farklı devreler içinde içerikle aktive olan farklı sosyal tepkilere bakarak gerçek zamanlı olarak ölçebiliriz.
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.
Özetleyecek olursak, ana fikir şu: Dünyamız gittikçe artan bir şekilde cihazlarla donanırken, bizler insanların söylediği şeyleri ve bunları hangi içerikte söylediklerini toplayacak ve noktaları birleştirecek imkana sahibiz. Şu anda gelişmekte olan şey ise daha önce görülmemiş, yeni sosyal yapılar ve dinamikler görmek. Bu bir mikroskop ya da teleskop yapmak gibi birşey kendi davranışlarımız ve aramızdaki iletişimimiz hakkında yeni yapılar ortaya çıkarmak. Ve bence bunun sonuçları da çok yoğun, ister bilim için olsun, ister ticaret ya da devlet için, ya da en önemlisi, bizler, bireyler için olsun.
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."
Tekrar oğluma dönecek olursak, ben bu konuşmayı yaparken, omuzumun üzerinden bakıyordu, ben de ona, size bugün göstereceğim klibi gösterdim. ve ondan iznini istedim -- ve aldım da. Daha sonra da ona dedim ki, "Bu müthiş bir şey değil mi? bu verinin tamamı, tüm bu kayıtlar, bunları sana ve kızkardeşine vereceğim," kızkardeşi iki yıl sonra doğdu. "Ve sizler de zamanda geri gidip, biyolojik hafızanızla asla anımsayamayacağınız, ya da şimdiki gibi anımsayamayacağınız özel anları yeniden deneyimleyebileceksiniz." Bir an sessizce durdu. Ben de kendi kendime "Ne düşünüyordum ki? O sadece beş yaşında. Bunun ne anlama geldiğini anlayamaz." dedim. Tam ben bunları düşünürken, bana baktı ve dedi ki, "Yani ben büyüdüğümde, bunu çocuklarıma gösterebilir miyim?" O zaman "Bu gerçekten de çok güçlü bir şey" diye düşündüm.
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.
Bu nedenle sizi bizim ailemizin en öenmli anılarından sonuncusu ile başbaşa bırakıyorum. Bu, oğlumuzun iki adımdan uzun yürümeyi becerdiği anın kaydı. Ve bunu izlerken bir şeye dikkat etmenizi istiyorum. Bu gördüğünüz karmaşık bir ortam; doğal bir hayat. Annem mutfakte, yemek pişiriyor, ve bütün ev dururken, koridorda oğlumun iki adımdan fazla atacağını fark ediyorum. Beni, onu yüreklendirmeye çalışırken duyacaksınız, ne olduğunu farketmiş durumdayım, derken büyülü bir şey oluyor. Dikkatli dinleyin. Hemen hemen üçüncü adımda, oğlum da büyülü bir şey olduğunu fark ediyor. ve en inanılmaz geri bildirim döngülerinden biri devreye giriyor, derin bir nefes alıyor ve fısıldıyor "Vay be!" ben de dürtüsel olarak aynı şeyi tekrarlıyorum. Şimdi zamanda geri gidelim ve bu unutulmaz anı görelim.
(Video) DR: Hey. Come here. Can you do it? Oh, boy. Can you do it? Baby: Yeah. DR: Ma, he's walking.
(Video) DR: Hey. Buraya gel. Becerebilir misin? Hadi oğlum. Becerebilir misin? Bebek: Evet. DR: Anne, yürüyor.
(Laughter)
(Gülüşmeler)
(Applause)
(Alkışlar)
DR: Thank you.
DR: Teşekkür ederim.
(Applause)
(Alkışlar)