#KeepOurLanguagesStrong: Indigenous Language Revitalization on Social Media during the Early COVID-19 Pandemic
Notice bibliographique
Résumé
Indigenous communities, organizations, and individuals work tirelessly to #KeepOurLanguagesStrong. The COVID-19 pandemic was potentially detrimental to Indigenous language revitalization (ILR) as this mostly in-person work shifted online. This article shares findings from an analysis of public social media posts, dated March through July 2020 and primarily from Canada and the US, about ILR and the COVID-19 pandemic. The research team, affiliated with the NEȾOLṈEW̱ “one mind, one people” Indigenous language research partnership at the University of Victoria, identified six key themes of social media posts concerning ILR and the pandemic, including: 1. language promotion, 2. using Indigenous languages to talk about COVID-19, 3. trainings to support ILR, 4. language education, 5. creating and sharing language resources, and 6. information about ILR and COVID-19. Enacting the principle of reciprocity in Indigenous research, part of the research process was to create a short video to share research findings back to social media. This article presents a selection of slides from the video accompanied by an in-depth analysis of the themes. Written about the pandemic, during the pandemic, this article seeks to offer some insights and understandings of a time during which much is uncertain. Therefore, this article does not have a formal conclusion; rather, it closes with ideas about long-term implications and future research directions that can benefit ILR.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,005 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».