Social justice and translator training and education in a time of (non-)equitable tech
Notice bibliographique
Résumé
Social justice refers to the equitable distribution of resources, opportunities, and rights in society. Social justice frameworks acknowledge that structural inequalities can hinder accessibility to education and that the use of and recourse to technology is not always ethical or equitable. As translator trainers with more than two decades of experience in higher education, we reflect on the nexus between technology, translator training, ethics, and social justice, and put forward a list of strategies with which to humanize translator training or education and professional practice. We focus on Canada and draw from both a literature review using the Translation Studies Bibliography which shows that research on the subject of translator training or education and social justice is currently underdeveloped. We also draw from two media scans (conducted from November 2022 to October 2023) on the topics of higher education, translator training, social justice, and technological disruption and related digital divides, with a specific focus on machine translation and artificial intelligence. Along with other demolinguistic data from the 2021 Canadian Census, the review and scans contextualize the list of pedagogical recommendations and strategies we propose. We adopt the position that social justice should take precedence in the way we think about translator training and develop curricula rather than allowing market forces and the tech industry to determine training priorities and objectives. Artificial intelligence and other new(er) technologies can have pedagogical merit in higher education and in translator training, but it is imperative that we consider how and when to use the tools and to focus on issues that go beyond plagiarism and student surveillance. We therefore argue in favour of human, humane, and humanising translation in and beyond Canada and this means advocating and developing pedagogical strategies and curricula that align with the ethos of social justice.
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 | 0,022 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,023 | 0,063 |
| Communication savante | 0,020 | 0,017 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».