La traducción comunitaria y el aprendizaje-servicio en Canadá y Estados Unidos como herramientas de justicia social para migrantes del Sur global
Notice bibliographique
Résumé
Este artículo presenta un estudio de caso en el que dos profesoras de traducción de la Universidad de Moncton y la Universidad de Texas en Arlington, en colaboración con dos organizaciones no gubernamentales —la Clinique des réfugiés du Nouveau-Brunswick y Proyecto Inmigrante—, desarrollaron talleres de traducción comunitaria para capacitar voluntarios. El artículo analiza la implementación y los resultados de esta iniciativa, que nace como respuesta a la necesidad real de servicios de traducción e interpretación comunitaria para salvar la barrera lingüística que enfrentan los migrantes en Estados Unidos, concretamente en Texas, y en Canadá, en la provincia de Nuevo Brunswick. Esta falta de acceso a servicios lingüísticos, lejos de ser algo puntual, es un reto permanente sin solución a la vista. Aunque la investigación no se contextualiza en el Sur global ni considera al español como lengua minoritaria, es preciso señalar que los principales afectados por la falta de servicios accesibles y de calidad en traducción e interpretación comunitaria en Estados Unidos y Canadá son ciudadanos provenientes de ese contexto. La capacitación de voluntarios sin formación profesional y, en el caso del proyecto en Estados Unidos, la participación de estudiantes a través de un proyecto de aprendizaje-servicio fortalecen la equidad y promueven la justicia lingüística. Este estudio se suma a los que exploran el papel de la traducción comunitaria como compromiso social, destacando su relevancia en contextos donde los migrantes se hallan en situación de desamparo lingüístico y donde iniciativas como estos talleres promueven equidad, compromiso social y acceso a derechos fundamentales para comunidades migrantes procedentes del Sur global en Canadá y Estados Unidos.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,020 | 0,009 |
| Communication savante | 0,009 | 0,002 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».