A Localization Theory: User Experience Research in the United States & Canada
Notice bibliographique
Résumé
abstract: Today, in the internet-age with global communication every day, it is more important than ever to learn how best to communicate across cultures. However, a review of literature and localization research reveals no studies comparing written communication preferences between cultures using the English language. This gap in research led me to my question–How do localization needs or preferences differ between English-speakers in the U.S. and Canada? To answer my research question, I created a study focused on written communication using a quality measure after consulting the IBM rubric (Hofstede, 1984). I incorporated a demographics questionnaire, a sample document of an Alberta Government brochure, and a survey to measure participant perceptions of quality for use with the sample document. Participants for the study were recruited from Phoenix, Arizona and Edmonton, Alberta, Canada. All participants reviewed the Canada-based sample document and answered the questions from the survey. The survey responses were designed to obtain data on culturally specific variables on contexting, which were critical in understanding cultural differences and communication preferences between the two groups. Results of the data analysis indicate differences in cultural preferences specific to language, the amount of text, and document organization. The results suggest that there may be more significant differences than previously assumed (Hall, 1976) between U.S. and Canadian English-speaking populations. Further research could include a similar study using a U.S.–based document and administering it to the same target population. Additionally, a quality-based measure could be applied as a way of understanding other cultures for localization needs, since inadequate localization can have an adverse impact on perceptions of quality.
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 | 0,008 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,011 | 0,004 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».