Lost in Machine Translation: The Promises and Pitfalls of Machine Translation for Multilingual Group Work in Global Health Education
Notice bibliographique
Résumé
Abstract The rapid adoption of online technologies to deliver postsecondary education amid the COVID-19 pandemic has highlighted the potential for online learning, as well as important equity gaps to be addressed. For over ten years, McMaster University has delivered graduate global health education through a blended-learning approach. In partnership with universities in the Netherlands, India, Thailand, Norway, Colombia, and Sudan, experts from across the Consortium deliver lectures online to students around the world. As the Consortium has expanded, we have reflected on how artificial intelligence can be harnessed to integrate multilingual group work into course offerings, challenging the dominant use of English as the principal language of instruction in global health education. In 2020, two courses were piloted with small groups of students from Canada and Colombia using machine translation supported by bilingual tutors. Students met weekly via video conferencing software, speaking in English and Spanish and relying on machine translation software to transcribe and translate for group members. Our experience as tutors and instructors in these multilingual groups highlights the potential for machine translation to bridge language divides, while also underscoring the limitations of currently available technology. Further research is needed to investigate the potential for machine translation in facilitating multilingual online education as a pathway to more equitable and inclusive online learning environments.
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 | 0,060 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,018 |
| Communication savante | 0,021 | 0,028 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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 ».