Notice bibliographique
Résumé
Using a lingua franca for scholarly communication offers some advantages, but it also limits research diversity, and there is a growing movement to encourage publication in other languages. Both approaches require scholars to access material through other languages, and more people are turning to machine translation to help with this task. Machine translation has improved considerably in recent years with the introduction of artificial intelligence techniques such as machine learning; however, it is far from perfect and users who are not trained as professional translators need to improve their machine translation literacy to use this technology effectively. Machine translation literacy is less about acquiring techno-procedural skills and more about developing cognitive competences. In this way, machine translation literacy aligns with the overall direction of the Association of College & Research Libraries’ (2015) Framework for Information Literacy for Higher Education, which encourages a conceptual, rather than a skills-based, approach. This case study presents a pilot project in which machine translation literacy instruction was incorporated into a broader program of information literacy and delivered to first-year students—both Anglophone and non-Anglophone—at a Canadian university. Students were surveyed and, overall, they found the machine translation literacy module to be valuable and recommended that similar instruction be made available to all students. Academic librarians are well positioned to participate in the delivery of machine translation literacy instruction as part of a broader information literacy program, and in so doing, they can promote linguistic diversity and better enable students and researchers from all regions to participate in scholarly conversations.
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 | 0,002 | 0,002 |
| 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 | 0,015 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,035 |
| 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 ».