32. Using Our Languages Improves Our Health (I)
Notice bibliographique
Résumé
During this workshop, together we'll become aware of connections between language use and wellbeing. We'll talk about how different cultures define health. (“Western Desert Aborigines see 'health' not only in the absence of sickness, but more positively: on the physical side, in the presence of coldness and dryness in the body, and on the spiritual side, in having one’s spirit in the area of the stomach. Conversely, when the spirit moves to the back of a person or leaves the body altogether, when the body is hot and wet, then the person is considered sick.” Peile, A. R. 1997 Body and Soul: An Aboriginal View. Victoria Park, WA: Hesperian Press. p. xxi.) We'll review some case studies connecting ancestral language use to rates of diabetes, suicide, and substance abuse. (Oster, Richard, Angela Grier, Rick Lightning, Maria J. Mayan, and Ellen L. Toth. 2014. Cultural continuity, traditional Indigenous language, and diabetes in Alberta First Nations: a mixed methods study. International Journal for Equity in Health 13(92). (doi:10.1186/s12939-014-0092-4)) (Hallett, D., Chandler, M. J., & Lalonde, C. (2007). Aboriginal Language Knowledge and Youth Suicide. Cognitive Development 22 (3), pp. 392–399.) (Chandler, M. J. & Lalonde, C. E. (2008). Cultural Continuity as a Protective Factor against Suicide in First Nations Youth. Horizons --A Special Issue on Aboriginal Youth, Hope or Heartbreak: Aboriginal Youth and Canada’s Future. 10(1), 68-72.)) Weʼll share eye witness accounts of language use and its relation to health from our own and othersʼ experiences. Weʼll consider the difference between correlation and causation. Weʼll consider various health factors; emotional, physical, social, spiritual, economic, educational and how we might collect evidence-based data to support language-health causation. Weʼll practice our arguments to authorities [family, community, legislature, health industry, congress] to support ancestral Indigenous language based on the health benefits it provides.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,007 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,113 | 0,086 |
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 ».