Bibliographic record
Abstract
Dans cette intervention, je présente quelques aspects de mon travail de linguiste traducteur et interprète dans des contextes de santé auprès des peuples indigènes, notamment les Avá-Canoeiro et les peuples indigènes de l’Amazonie brésilienne. J’ai travaillé de 2014 à 2017, à la demande de la FUNAI et de la SESAI, en tant qu’accompagnateur des autochtones Avá-Canoeiro dans les hôpitaux. Les Avá-Canoeiro sont un peuple de contact récent avec un haut degré de vulnérabilité. J’ai essayé d’offrir un accompagnement sensible aux différences culturelles dans la conception de la santé et de la maladie, en faisant en sorte que mon rôle de traducteur-interprète tienne également compte des différences culturelles. Dans le contexte de la pandémie de COVID-19, j’ai eu l’occasion de fournir des services de conseil à la COIAB, en supervisant la traduction de documents sur la maladie, sur la violence aux enfants, aux adolescents et aux femmes, et sur la santé mentale des autochtones dans une vingtaine de langues autochtones de l’Amazonie brésilienne.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.012 | 0.016 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.008 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".