arbml/WAW · Datasets at Hugging Face

Arabic stringlengths 4 244	English stringlengths 4 311
لماذا هذا الطفل بارع جدًا.	why is it that this child who is so brilliant.
ومشترك في صورة أو ملعب كرة القدم.	and engaged on the football picture or the playground.
أو يتحدث ببلاغة مع أصدقائه الذين لا يستوعبوا هذا المفهوم.	or talk so articulately with their friends is not grasping that concept.
أو لماذا يبدو هذا الطالب كأنه يستوعب المفهوم.	or why is it the student looks like they grasp the concept.
لكن هذه الإجابة فقط ليست صحيحة تمامًا.	but that just the answer is not quite right.
وبالطبع المعلمين دائمًا بالتالي استخدموا تلك البيانات.	and of course teachers have always then used data.
البيانات التي استخدموها عادة في ملاحظاتهم الفردية، تقييمهم الخاص.	the data they have often used is their own individual observation, their own assessments.
اليومية، الاختبارات الأسبوعية النصائح التي يلتقطونها من أولياء الأمور.	the daily, the weekly tests the tips that they pick up from parents.
كيف يرون الأطفال مشتركين مع بعضهم البعض.	how they see the children engaged with each other.
ما يجب أن تفعله البيانات الكبيرة هو القوة التي من خلال عامل العديد من المرات.	what big data should do is power that by factor of many many times and fold.
ولذلك البيانات الكبيرة أعتقد أننا نتحدث عن آلاف من التفاعلات الفردية.	and so the big data I think we are talking about of a thousands of individual interactions.
التي لدى الطلاب الفرديين حول عملية التدريس والتعليم رسميًا وغير رسميًا كل يوم.	that individual students have around the teaching and learning process formally and informally each and everyday.
إنه يتخلص من الكثير من الثنائيات بين التعلم الرسمي وغير الرسمي وما شابه.	it gets rid of a lot of the sort of dichotomies between formal and informal learning and the like.
وبالتالي الغرض الحقيقي من البيانات الكبيرة هو صنع معلمين كبار، حتى معلمين أفضل.	and so the real purpose of big data has to be to make great teachers, even better teachers.
تحسين وتعزيز جودة التدريس.	improve and enhance the quality of teaching.
وكما قلت تحسين مخرجات وفرص التعليم لملايين من مواطنينا.	and as I said enhance the learning outcomes and opportunities for millions of our fellow citizens.
وهذا بالنسبة لي هو كل شيء.	and that to me is what this is all about.
أشكرك جون.	thank you John.
إيميليو. أعني إذا ذهبتم إلى إيميليو لا تترددوا.	Emilio. I mean if you have a go at John feel perfectly free.
كما تعرف رفعت درجة الحرارة قليلاً عندما بدأت استكشاف ذلك.	you know you have lift the temperature of the room a little bit as we start to explore this.
إيميليو.	Emilio.
نعم أريد أن أتابع تعليق وحديث جون حول البيانات الصغيرة.	yes I want to follow up on John's remark and talk about the little data.
لأنه كما ذكر نحن نضع الكثير من المجهود في جمع البيانات على المدخلات.	because as he mentioned we put a lot of effort on collecting data on input.
وأعتقد أننا جميعًا نؤدي بشكل جيد في هذا الشأن.	and we all think that we are doing okay in that regards.
لكن نحن نقوم بمهمة رديئة تمامًا.	but we actually doing a pretty lousy job.
على سبيل المثال إذا شاهدت الإحصائيات التي يجمعها معهد اليونسكو للإحصائيات.	like for example if you watch the statistics that UNESCO institute of statistics collect.
هم يجمعون معلومات حول 225 دولة.	they collect information about 225 countries.
وهم تقريبًا يجمعون حوالي 280 مؤشر.	and they are roughly collect around 280 indicators.
لكن توفر بيانات تلك المؤشرات أقل من 60٪.	but the data availability of those indicators is less than 60%.
حتى 40٪ من البيانات التي نفترض أن نجمعها، نحن حتى لا نعرف، إنها غير موجودة.	so for 40% of the data that we are suppose to collect, we do not even know, it is not there.
لذلك من الصعب جدًا القيام بالتحليل، كيف تؤدي النظم التعليمي حول العالم.	so it is very hard to do analysis, how the education systems around the world are doing.
لأننا حتى لا نعرف كم عدد الأشخاص في المدرسة أو خارج المدرسة.	because we do not even know how much people are in the school or out of the school.
علينا أن نضع افتراضات وتنبؤات.	we have to make assumptions and predications.
لكننا لا نعرف حقًا إذا كنا صادقين أم لا.	but we do not really know if we are true or not.
وأيضًا المشكلة مع الوقت المناسب للبيانات على سبيل المثال.	and also the issue with data timeliness for example.
نحن نتحدث عن أهداف الألفية.	we are talking about the millennium goals.
ونحن نعرف أن 2015 قاب قوسين أو أدنى.	and we know that 2015 is just around the corner.
لكن في الواقع نحن جميعًا سنحتفل بحلول 2017.	but actually we are all going to celebrate around the year 2017.
لأنه يستغرق عامين لجمع البيانات.	because it takes 2 years to collect the data.
لذلك في هذا العالم كما تعرفون من المدهش أن يستغرق عامين كما نعلم.	so in this world you know it is amazing that it takes 2 years to know.
كم عدد الأطفال في المدرسة حول العالم.	how many kids are in the school around the world.
بالتالي نعم البيانات الكبيرة تحدي جيد.	so yes big data is a good challenge.
من الجيد أن نفكر فيها.	it is good that we think about it.
لكن دعونا لا ننسى البيانات الصغيرة.	but let's not forget about the little data.
كنا نقوم بعمل سيء للغاية في جمع إحصائيات التعليم حتى الآن.	we have been doing a very bad job collecting education statistics so far.
رائع وفقط لالتقاط النقطة حيث نأتي إلى ديفينا.	brilliant and just pick up the point just as we come to Divina.
لكن ماذا عن غرض التدريس والتعليم.	but what about purpose around teaching and learning.
إذا كان لديك وجهة نظر حول الغرض عندما تفكر في البيانات الصغيرة، البيانات الكبيرة في نهاية المطاف.	if you have got a view about that purpose when you think about little data, big data ultimately.
تريد تعزيز ذلك في مصلحة أي نوع من التدريس والتعليم.	you want to promote this in the interest of what kind of teaching and learning.
حسنًا أعتقد ذلك من حيث التدريس والتعليم، ما زال هناك طريقًا طويلاً لنقطعه.	well I think that in the sense of teaching and learning, there is still a long way to go.
على سبيل المثال، حجم الدول النامية التي تشارك في البرنامج الدولي لتقييم الطلاب أو محدد جدًا.	for example the amount of developing countries that are participating in PISA or is very limited.
والدول التي تشارك لا تستفيد من المعلومات.	and the countries that do participate they do not take advantage of the information.
هناك الكثير من المجهود والأموال الموضوع في جمع البيانات.	there is a lot of effort and money put into collecting the data.
لكن بتحليل البيانات واستخدام تلك البيانات لاتخاذ قرار جيد على مستوى السياسة كدولة محدود للغاية.	but analyzing the data and using that data to take good decision in policy level as a country is very limited.
إذا رأيت جميع الأوراق حول البرنامج الدولي لتقييم الطلاب المنشورة حول العالم.	if you see all the papers about PISA published around the world.
أغلبها يقوم بها أكاديميون، منظمة البنك الدولي.	most are done by academics, World Bank Organization.
لكن المنشور الذي يأتي من الدولة على المستوى المحلي محدود جدًا.	but the publication that comes from the country at national level is very limited.
لدي وجهة نظر حول الكثير من مشروعات البنك الدولي وسافرت تقريبًا 50 دولة.	I have review a lot of World Bank projects and traveled around 50 country.
لنرى الجهد الذي يقومون به.	to see the effort that they are doing.
وترى دول قليلة جدًا بين، الدول التي في الواقع تستخدم البيانات.	and you see very little countries, among of countries that actually are using the data.
لتحسين سياساتها في العالم.	to improve their policies in the world.
لذلك هو تحدي كبير.	so it is a big challenge.
الداتا التي ننشئها للتو لا نستخدمها كما ينبغي.	the data that we are just generating now we are not using it as we should.
شكرًا لكِ ديفينا.	thank you Divina.
نعم شكرًا لك.	yes thank you.
هل يمكننا أن نرى هذه الشريحة من فضلك.	can we see the slide please.
أعتقد أنني سأركز قليلاً بالنسبة لنا جميعًا.	I thought I would make it a bit concrete for all of us.
ما نتحدث عنه كما تعرفون تعدين البيانات.	what we are talking about you know data mining.
هذه هي الشريحة الأولى مشروعي البحثي الحالي حول القدرة على الفهم والتواصل.	this is the very first slides from my current research project on transliteracies.
نحن نحاول معرفة كيف يتم تداول معلومات الثقافات على الإنترنت.	we are trying to figure out how cultures information are circulating online.
وكما ترون إنه غير قابل للقراءة، صحيح.	and as you see it is unreadable, right.
نعم.	yeah.
من الصعب جدًا الحصول على هذه المعلومات.	it is very hard to get this information.
وكما كنتِ تقولين إيميليو معالجتها تتطلب بعض الممارسات.	and as you were saying Emilio processing it requires some training.
وهذا ما نقوم به في هذه اللحظة.	and that is what we are doing at the moment.
لكن بالأساس، يوضح الأحمر حيث تتركز جميع البيانات.	but basically, the red shows where all the data are concentrating about.
ثقافة المعلومات وكما ترى أن محو أمية المعلومات مرتفعة، قريبة جدًا.	culture of information and you see that the information literacy is high, is very close.
لكننا نضع فرضية أن تعليم الإعلام القراءة والكتابة الجديدة سيظهر أيضًا.	but we were making the hypothesis that media education over new literacies would also appear.
وأيضًا الحوسبة وهي ليست كذلك.	and also computing and they are not.
لذلك هم يظهرون لنا بعض الاتجاهات والتوجهات.	so they are showing us some directions and some trends.
وسيساعدوننا على اتخاذ القرارات.	and they are going to help us make decisions.
لذلك أود أن أقول أن تعدين البيانات بهذا المعنى مفيد.	so I would say that data mining in that sense is useful.
ويمكن أن تساعدنا ربما ليس في اتخذا القرارات لكن تشكيل القرارات.	and can help us maybe not make decisions but shape decisions.
فهي عملية.	they are decision shaping process.
ليس هناك علاقة سببية هنا.	there is no causality here.
لا يوجد أي مسار.	there is no path.
أنت فقط تعرض الروابط بين المفاهيم إلخ.	you are just showing connections between concepts etc.
لذلك أود أن أقول شيء إيجابي في هذا الاتجاه.	so that is I would say one positive in this direction.
أنا قلق أكثر بشأن تحليلات التعلم.	I am much more cold feet about learning analytics.
لأنه على الأغلب الآن ما يقومون هو تقديم لوحات.	because at most at the moment what they are doing is providing dashboards.
وهو نوعًا ما مفيد للمعلم والطالب.	which is sort of useful for a teacher and for a student.
لكن مكررات ما تقوله جنيفر حول الصوامع.	but replicates what Jennifer was saying about silos.
والتدقيق على المهام عندما نعرف أن مهارات القرن ال 21 أكثر شمولية بكثير.	and checking on tasks when we know that 21st century skills are much more holistic.
ولذلك ما نحتاجه هو التأكد من أنه إذا ذهبنا تجاه تحليلات التعلم.	and so what we need is to make sure that if we go into the direction of learning analytics.
وخمنوا ماذا، أعتقد أننا، فقط بسبب أن التأثيرات هناك.	and guess what, I think we are, just because the influences are there.
لمجرد أن السياسيين يعتادون عليها.	just because the politicians are getting used to them.
لأن الباحثين كانوا يفعلون ذلك أيضًا.	because researchers were doing it too.
وهي أداة إثراء، في الواقع.	and it is an enriching tool, really.
إنها يمكن أن توفر زيادة لمعرفتنا ومعرفة الطالب.	it can provide augmentation of our knowledge and the student knowledge.
أعتقد أن علينا أن نكون حريصين جدًا حول كيفية استخدمنا لها.	I think we have to be extremely careful about how we use it.

لماذا هذا الطفل بارع جدًا.

why is it that this child who is so brilliant.

ومشترك في صورة أو ملعب كرة القدم.

and engaged on the football picture or the playground.

أو يتحدث ببلاغة مع أصدقائه الذين لا يستوعبوا هذا المفهوم.

or talk so articulately with their friends is not grasping that concept.

أو لماذا يبدو هذا الطالب كأنه يستوعب المفهوم.

or why is it the student looks like they grasp the concept.

لكن هذه الإجابة فقط ليست صحيحة تمامًا.

but that just the answer is not quite right.

وبالطبع المعلمين دائمًا بالتالي استخدموا تلك البيانات.

and of course teachers have always then used data.

البيانات التي استخدموها عادة في ملاحظاتهم الفردية، تقييمهم الخاص.

the data they have often used is their own individual observation, their own assessments.

اليومية، الاختبارات الأسبوعية النصائح التي يلتقطونها من أولياء الأمور.

the daily, the weekly tests the tips that they pick up from parents.

كيف يرون الأطفال مشتركين مع بعضهم البعض.

how they see the children engaged with each other.

ما يجب أن تفعله البيانات الكبيرة هو القوة التي من خلال عامل العديد من المرات.

what big data should do is power that by factor of many many times and fold.

ولذلك البيانات الكبيرة أعتقد أننا نتحدث عن آلاف من التفاعلات الفردية.

and so the big data I think we are talking about of a thousands of individual interactions.

التي لدى الطلاب الفرديين حول عملية التدريس والتعليم رسميًا وغير رسميًا كل يوم.

that individual students have around the teaching and learning process formally and informally each and everyday.

إنه يتخلص من الكثير من الثنائيات بين التعلم الرسمي وغير الرسمي وما شابه.

it gets rid of a lot of the sort of dichotomies between formal and informal learning and the like.

وبالتالي الغرض الحقيقي من البيانات الكبيرة هو صنع معلمين كبار، حتى معلمين أفضل.

and so the real purpose of big data has to be to make great teachers, even better teachers.

تحسين وتعزيز جودة التدريس.

improve and enhance the quality of teaching.

وكما قلت تحسين مخرجات وفرص التعليم لملايين من مواطنينا.

and as I said enhance the learning outcomes and opportunities for millions of our fellow citizens.

وهذا بالنسبة لي هو كل شيء.

and that to me is what this is all about.

أشكرك جون.

thank you John.

إيميليو. أعني إذا ذهبتم إلى إيميليو لا تترددوا.

Emilio. I mean if you have a go at John feel perfectly free.

كما تعرف رفعت درجة الحرارة قليلاً عندما بدأت استكشاف ذلك.

you know you have lift the temperature of the room a little bit as we start to explore this.

إيميليو.

Emilio.

نعم أريد أن أتابع تعليق وحديث جون حول البيانات الصغيرة.

yes I want to follow up on John's remark and talk about the little data.

لأنه كما ذكر نحن نضع الكثير من المجهود في جمع البيانات على المدخلات.

because as he mentioned we put a lot of effort on collecting data on input.

وأعتقد أننا جميعًا نؤدي بشكل جيد في هذا الشأن.

and we all think that we are doing okay in that regards.

لكن نحن نقوم بمهمة رديئة تمامًا.

but we actually doing a pretty lousy job.

على سبيل المثال إذا شاهدت الإحصائيات التي يجمعها معهد اليونسكو للإحصائيات.

like for example if you watch the statistics that UNESCO institute of statistics collect.

هم يجمعون معلومات حول 225 دولة.

they collect information about 225 countries.

وهم تقريبًا يجمعون حوالي 280 مؤشر.

and they are roughly collect around 280 indicators.

لكن توفر بيانات تلك المؤشرات أقل من 60٪.

but the data availability of those indicators is less than 60%.

حتى 40٪ من البيانات التي نفترض أن نجمعها، نحن حتى لا نعرف، إنها غير موجودة.

so for 40% of the data that we are suppose to collect, we do not even know, it is not there.

لذلك من الصعب جدًا القيام بالتحليل، كيف تؤدي النظم التعليمي حول العالم.

so it is very hard to do analysis, how the education systems around the world are doing.

لأننا حتى لا نعرف كم عدد الأشخاص في المدرسة أو خارج المدرسة.

because we do not even know how much people are in the school or out of the school.

علينا أن نضع افتراضات وتنبؤات.

we have to make assumptions and predications.

لكننا لا نعرف حقًا إذا كنا صادقين أم لا.

but we do not really know if we are true or not.

وأيضًا المشكلة مع الوقت المناسب للبيانات على سبيل المثال.

and also the issue with data timeliness for example.

نحن نتحدث عن أهداف الألفية.

we are talking about the millennium goals.

ونحن نعرف أن 2015 قاب قوسين أو أدنى.

and we know that 2015 is just around the corner.

لكن في الواقع نحن جميعًا سنحتفل بحلول 2017.

but actually we are all going to celebrate around the year 2017.

لأنه يستغرق عامين لجمع البيانات.

because it takes 2 years to collect the data.

لذلك في هذا العالم كما تعرفون من المدهش أن يستغرق عامين كما نعلم.

so in this world you know it is amazing that it takes 2 years to know.

كم عدد الأطفال في المدرسة حول العالم.

how many kids are in the school around the world.

بالتالي نعم البيانات الكبيرة تحدي جيد.

so yes big data is a good challenge.

من الجيد أن نفكر فيها.

it is good that we think about it.

لكن دعونا لا ننسى البيانات الصغيرة.

but let's not forget about the little data.

كنا نقوم بعمل سيء للغاية في جمع إحصائيات التعليم حتى الآن.

we have been doing a very bad job collecting education statistics so far.

رائع وفقط لالتقاط النقطة حيث نأتي إلى ديفينا.

brilliant and just pick up the point just as we come to Divina.

لكن ماذا عن غرض التدريس والتعليم.

but what about purpose around teaching and learning.

إذا كان لديك وجهة نظر حول الغرض عندما تفكر في البيانات الصغيرة، البيانات الكبيرة في نهاية المطاف.

if you have got a view about that purpose when you think about little data, big data ultimately.

تريد تعزيز ذلك في مصلحة أي نوع من التدريس والتعليم.

you want to promote this in the interest of what kind of teaching and learning.

حسنًا أعتقد ذلك من حيث التدريس والتعليم، ما زال هناك طريقًا طويلاً لنقطعه.

well I think that in the sense of teaching and learning, there is still a long way to go.

على سبيل المثال، حجم الدول النامية التي تشارك في البرنامج الدولي لتقييم الطلاب أو محدد جدًا.

for example the amount of developing countries that are participating in PISA or is very limited.

والدول التي تشارك لا تستفيد من المعلومات.

and the countries that do participate they do not take advantage of the information.

هناك الكثير من المجهود والأموال الموضوع في جمع البيانات.

there is a lot of effort and money put into collecting the data.

لكن بتحليل البيانات واستخدام تلك البيانات لاتخاذ قرار جيد على مستوى السياسة كدولة محدود للغاية.

but analyzing the data and using that data to take good decision in policy level as a country is very limited.

إذا رأيت جميع الأوراق حول البرنامج الدولي لتقييم الطلاب المنشورة حول العالم.

if you see all the papers about PISA published around the world.

أغلبها يقوم بها أكاديميون، منظمة البنك الدولي.

most are done by academics, World Bank Organization.

لكن المنشور الذي يأتي من الدولة على المستوى المحلي محدود جدًا.

but the publication that comes from the country at national level is very limited.

لدي وجهة نظر حول الكثير من مشروعات البنك الدولي وسافرت تقريبًا 50 دولة.

I have review a lot of World Bank projects and traveled around 50 country.

لنرى الجهد الذي يقومون به.

to see the effort that they are doing.

وترى دول قليلة جدًا بين، الدول التي في الواقع تستخدم البيانات.

and you see very little countries, among of countries that actually are using the data.

لتحسين سياساتها في العالم.

to improve their policies in the world.

لذلك هو تحدي كبير.

so it is a big challenge.

الداتا التي ننشئها للتو لا نستخدمها كما ينبغي.

the data that we are just generating now we are not using it as we should.

شكرًا لكِ ديفينا.

thank you Divina.

نعم شكرًا لك.

yes thank you.

هل يمكننا أن نرى هذه الشريحة من فضلك.

can we see the slide please.

أعتقد أنني سأركز قليلاً بالنسبة لنا جميعًا.

I thought I would make it a bit concrete for all of us.

ما نتحدث عنه كما تعرفون تعدين البيانات.

what we are talking about you know data mining.

هذه هي الشريحة الأولى مشروعي البحثي الحالي حول القدرة على الفهم والتواصل.

this is the very first slides from my current research project on transliteracies.

نحن نحاول معرفة كيف يتم تداول معلومات الثقافات على الإنترنت.

we are trying to figure out how cultures information are circulating online.

وكما ترون إنه غير قابل للقراءة، صحيح.

and as you see it is unreadable, right.

نعم.

yeah.

من الصعب جدًا الحصول على هذه المعلومات.

it is very hard to get this information.

وكما كنتِ تقولين إيميليو معالجتها تتطلب بعض الممارسات.

and as you were saying Emilio processing it requires some training.

وهذا ما نقوم به في هذه اللحظة.

and that is what we are doing at the moment.

لكن بالأساس، يوضح الأحمر حيث تتركز جميع البيانات.

but basically, the red shows where all the data are concentrating about.

ثقافة المعلومات وكما ترى أن محو أمية المعلومات مرتفعة، قريبة جدًا.

culture of information and you see that the information literacy is high, is very close.

لكننا نضع فرضية أن تعليم الإعلام القراءة والكتابة الجديدة سيظهر أيضًا.

but we were making the hypothesis that media education over new literacies would also appear.

وأيضًا الحوسبة وهي ليست كذلك.

and also computing and they are not.

لذلك هم يظهرون لنا بعض الاتجاهات والتوجهات.

so they are showing us some directions and some trends.

وسيساعدوننا على اتخاذ القرارات.

and they are going to help us make decisions.

لذلك أود أن أقول أن تعدين البيانات بهذا المعنى مفيد.

so I would say that data mining in that sense is useful.

ويمكن أن تساعدنا ربما ليس في اتخذا القرارات لكن تشكيل القرارات.

and can help us maybe not make decisions but shape decisions.

فهي عملية.

they are decision shaping process.

ليس هناك علاقة سببية هنا.

there is no causality here.

لا يوجد أي مسار.

there is no path.

أنت فقط تعرض الروابط بين المفاهيم إلخ.

you are just showing connections between concepts etc.

لذلك أود أن أقول شيء إيجابي في هذا الاتجاه.

so that is I would say one positive in this direction.

أنا قلق أكثر بشأن تحليلات التعلم.

I am much more cold feet about learning analytics.

لأنه على الأغلب الآن ما يقومون هو تقديم لوحات.

because at most at the moment what they are doing is providing dashboards.

وهو نوعًا ما مفيد للمعلم والطالب.

which is sort of useful for a teacher and for a student.

لكن مكررات ما تقوله جنيفر حول الصوامع.

but replicates what Jennifer was saying about silos.

والتدقيق على المهام عندما نعرف أن مهارات القرن ال 21 أكثر شمولية بكثير.

and checking on tasks when we know that 21st century skills are much more holistic.

ولذلك ما نحتاجه هو التأكد من أنه إذا ذهبنا تجاه تحليلات التعلم.

and so what we need is to make sure that if we go into the direction of learning analytics.

وخمنوا ماذا، أعتقد أننا، فقط بسبب أن التأثيرات هناك.

and guess what, I think we are, just because the influences are there.

لمجرد أن السياسيين يعتادون عليها.

just because the politicians are getting used to them.

لأن الباحثين كانوا يفعلون ذلك أيضًا.

because researchers were doing it too.

وهي أداة إثراء، في الواقع.

and it is an enriching tool, really.

إنها يمكن أن توفر زيادة لمعرفتنا ومعرفة الطالب.

it can provide augmentation of our knowledge and the student knowledge.

أعتقد أن علينا أن نكون حريصين جدًا حول كيفية استخدمنا لها.

I think we have to be extremely careful about how we use it.