Assisting users in a cross-cultural communication by providing culturally contextualized translations
Notice bibliographique
Résumé
In this paper, we present a web-chat application called Culture-to-Chat (C2C). The purpose of this chat is to help users to produce messages in a English as a Second Language - ESL. Regarding this task, C2C has two resources that we named Cultural Translator and Machine Translator. The Cultural Translator uses a Brazilian Portuguese cultural knowledge base (from the Open Mind Common Sense - Br Project in collaboration to Media Lab - MIT) that works with the sender's vocabulary expression in order to provide alternative suggestions that can have the same colloquial meaning. The Machine Translation converts texts from a source language to a target language. The process that we used to combine these features and develop the application was based on an user-centered design approach with a focus on prototyping. We used different types of fidelity-levels (low, mid, high) before developing the functional web prototype version of C2C. User tests were then applied to evaluate usability issues. After collecting data from questionnaires and observation, problems were corrected and now we are heading to a larger user study regarding the C2C functionality. We have been performing a study case involving Brazilian and Canadian users. There are some initial results available from this study that will be discussed further. These data show that users appreciate the resources that help them design messages for cross-cultural communication.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».