Citizen interpreters in crisis response: Social capital, ethical trade-offs, and hybrid quality control in emergency language services—A comparative analysis of volunteer-led practices in COVID-19 pandemic and climate disasters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study investigates the dual role of citizen interpreters in addressing emergency language gaps during crises, combining social capital theory and crisis ethics. Through comparative case studies of coronavirus disease 2019 responses in Montreal's multilingual communities and Hurricane Ida relief efforts within Louisiana's Haitian-Cajun networks, this research identifies three core tensions: the paradox of relational proximity, trade-offs between immediacy and accuracy in terminology translation, and challenges in scaling informal volunteer networks. The study introduces a hybrid quality control model integrating three components: (1) rapid crisis terminology training to bridge institutional-lay knowledge gaps, (2) peer review circles for contextual meaning-making, eg, negotiating "heat exhaustion" in Punjabi dialects, and (3) institutional mentorship to resolve ethical dilemmas, eg, disclosing shelter capacities without triggering trauma. By operationalizing Putnam's bridging/bonding capital and Bourdieu's cultural capital, the model reconciles grassroots agility with professional accountability, demonstrating that citizen interpreters' cultural embeddedness-when systematically supported-can transform emergency language services into participatory practices of language justice. Findings highlight the need for crisis communication frameworks that prioritize both interpretive accuracy and community trust, offering theoretical insights into the sociology of translation and practical guidelines for disaster preparedness.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle