Please sign in to see the alerts.

Summary

Project website lsj.readthedocs.io
Instructions for translators

Dear translators,

welcome and thank you for your willingness to contribute to the translation of the “learning statistics with jamovi”-text book!

There are a couple of things that I would like to ask you, in order to make your and my life a bit easier (manual corrections need time, so that what you translated won't appear until I fixed it):

[1] There are buttons underneath the “Translation” box. One of them is “Automatic suggestions” which provides you with a machine translation of the text to be translated. This can just be copied into the target field for the translation and adjusted.

[2] markdown-formattings for italics or bold - italics are enclosed with one star (*italics*), bold with two (**bold**): please ensure that the stars are placed around the same word / meaning in the translation as in the original

[3] There are a couple of text elements that should be treated different from the rest of the text (please check: the automatic suggestions might translate this “wrong”):

  • placeholders (marked by |) should not be translated: e.g., |placeholder| or |placeholder|_, among them is |continuous| which produces an icon denoting a continuous level of measurement

  • double backticks (``): they typically are used for variable or analysis names – the variable names shouldn't be changed, for the analysis names, it is up to your discretion whether to translate them or not (I decided to rather go with the English analysis since the feature to set the UI language in jamovi is fairly new, and it is relatively simple to figure out the translated name from the English one)

  • be careful that :doc:`` does not contain spaces at the beginning of the string, also ensure to leave the part enclosed by <> as it is (it points to a file; therefore, please double-check that the automatic translation did not translate it otherwise it will end up as a broken link)

  • figure references, e.g., fig12-1 in :numref:`` should not to be translated

  • (language-specific) quotation marks: there are buttons above the text field for the target translation that can be used to replace "'s by your language specific quotation marks

    [4] if there doesn't exist a good translation of a particular word or technical term, either try "translation (original word / phrase)" or "original word / phrase" (this shows the original English term in italics either with a translation that you may not be completely happy with or without a translation

    Finally, I would like to suggest that you install LanguageTool (browser add-on) as an additional check that your translations are correct (however, LanguageTool might not be available for every language).

    Don't hesitate to contact me (@sjentsch) if you have questions or suggestions.
Project maintainers1 User avatar sjentsch
Translation license Creative Commons Attribution Share Alike 4.0 International
Translation process
  • Translations can be made directly.
  • Translation suggestions can be made.
  • Any authenticated user can contribute.
  • The translation uses bilingual files.
Source code repository git@github.com:sjentsch/lsjDocs-i18n.git
Repository branch main
Last remote commit Translated using Weblate (Tamil) d9ce01457
User avatar TamilNeram authored 03/19/2026
Last commit in Weblate Translated using Weblate (Tamil) d9ce01457
User avatar TamilNeram authored 03/19/2026
Weblate repository https://hosted.weblate.org/git/lsjdocs/start/
File mask */LC_MESSAGES/Ch01.po
03/27/2026

String statistics

Strings percent Hosted strings Words percent Hosted words Characters percent Hosted characters
Total 3,240 112,320 667,251
Source 120 4,160 24,713
Translated 41% 1,338 19% 22,078 19% 129,664
Needs editing 0% 0 0% 0 0% 0
Read-only 3% 120 3% 4,160 3% 24,713
Failing checks 1% 21 2% 2,432 2% 14,640
Strings with suggestions 0% 0 0% 0 0% 0
Untranslated strings 58% 1,902 80% 90,242 80% 537,587
Last 12 months Previous

Activity in last 12 months

0 changes 314 changes 0 changes 49 changes 0 changes 211 changes 0 changes 285 changes 145 changes 95 changes 0 changes 0 changes 0 changes 23 changes 0 changes 0 changes 0 changes 0 changes 244 changes 0 changes 0 changes 0 changes 236 changes 1 change
AprMayJunJulAugSepOctNovDecJanFebMar

Quick numbers

112 k
Hosted words
3,240
Hosted strings
41%
Translated
11
Contributors
0
Components
27
Languages
27
Translations
0
Screenshots
and previous 30 days

Trends of last 30 days

—
Hosted words
+100%
—
Hosted strings
+100%
—
Translated
+41%
—
Contributors
—
User avatar None

Alert triggered
Broken project website URL 03/27/2026
User avatar weblate:commit

Changes committed
Changes committed 01/12/2026
User avatar K_VN

Translation added
Why do we learn statistics?
Tại sao chúng tôi học thống kê?
01/12/2026
User avatar K_VN

Contributor joined
Contributor joined 01/12/2026
User avatar weblate:commit

Changes committed
Changes committed 10/13/2025
User avatar TamilNeram

Translation changed
Here’s what’s going on. Firstly, notice that the departments are *not* equal to one another in terms of their admission percentages: some departments (e.g., A, B) tended to admit a high percentage of the qualified applicants, whereas others (e.g., F) tended to reject most of the candidates, even if they were high quality. So, among the six departments shown above, notice that department A is the most generous, followed by B, C, D, E and F in that order. Next, notice that males and females tended to apply to different departments. If we rank the departments in terms of the total number of male applicants, we get **A** > **B** > D > C > F > E (the “easy” departments are in bold). On the whole, males tended to apply to the departments that had high admission rates. Now compare this to how the female applicants distributed themselves. Ranking the departments in terms of the total number of female applicants produces a quite different ordering C > E > D > F > **A** > **B**. In other words, what these data seem to be suggesting is that the female applicants tended to apply to “harder” departments. And in fact, if we look at :numref:`fig-berkeley` we see that this trend is systematic, and quite striking. This effect is known as **Simpson’s paradox**. It’s not common, but it does happen in real life, and most people are very surprised by it when they first encounter it, and many people refuse to even believe that it’s real. It is very real. And while there are lots of very subtle statistical lessons buried in there, I want to use it to make a much more important point: doing research is hard, and there are *lots* of subtle, counter-intuitive traps lying in wait for the unwary. That’s reason #2 why scientists love statistics, and why we teach research methods. Because science is hard, and the truth is sometimes cunningly hidden in the nooks and crannies of complicated data.
என்ன நடக்கிறது என்பது இங்கே. முதலாவதாக, துறைகள் அவற்றின் சேர்க்கை சதவீதங்களின் அடிப்படையில் ஒருவருக்கொருவர் சமமாக இல்லை என்பதைக் கவனியுங்கள்: சில துறைகள் (எ.கா., அ, பி) தகுதிவாய்ந்த விண்ணப்பதாரர்களில் அதிக சதவீதத்தை ஒப்புக்கொள்கின்றன, மற்றவர்கள் (எ.கா., எஃப்) முனைகிறார்கள் பெரும்பாலான வேட்பாளர்கள் உயர் தரமாக இருந்தாலும் அவர்களை நிராகரிக்கவும். எனவே, மேலே காட்டப்பட்டுள்ள ஆறு துறைகளில், துறை A மிகவும் தாராளமானது என்பதைக் கவனியுங்கள், அதைத் தொடர்ந்து அந்த வரிசையில் B, C, D, இ மற்றும் F ஆகியவை உள்ளன. அடுத்து, ஆண்களும் பெண்களும் வெவ்வேறு துறைகளுக்குப் பொருந்தும் என்பதைக் கவனியுங்கள். ஆண் விண்ணப்பதாரர்களின் மொத்த எண்ணிக்கையின் அடிப்படையில் நாங்கள் துறைகளைத் தரவரிசைப்படுத்தினால், ** A அ**> ** b **> d> c> f> இஆ**>இ>ஈ>உ>ஊ (“எளிதான” துறைகள் தைரியமாக உள்ளன). ஒட்டுமொத்தமாக, ஆண்கள் அதிக சேர்க்கை விகிதங்களைக் கொண்ட துறைகளுக்கு விண்ணப்பித்தனர். இப்போது இதைப் பெண் விண்ணப்பதாரர்கள் தங்களை எவ்வாறு விநியோகித்தார்கள் என்பதோடு ஒப்பிடுங்கள். பெண் விண்ணப்பதாரர்களின் மொத்த எண்ணிக்கையின் அடிப்படையில் துறைகளைத் தரவரிசைப்படுத்துவது முற்றிலும் மாறுபட்ட வரிசைப்படுத்தும் c> e> d> fஇ>ஈ>உ>ஊ> ** a அ**> ** b ஆ** ஐ உருவாக்குகிறது. வேறு வார்த்தைகளில் கூறுவதானால், இந்தத் தரவு பரிந்துரைப்பதாகத் தோன்றுகிறது என்னவென்றால், பெண் விண்ணப்பதாரர்கள் “கடினமான” துறைகளுக்கு விண்ணப்பிக்க முனைந்தனர். உண்மையில், நாம் பார்த்தால்: NUMREF: `F :numref:`fig-berkeley` இந்தப் போக்கு முறையானது, மிகவும் வியக்கத்தக்கது என்பதை நாம் காண்கிறோம். This விளைவு is known அச் **Simpson’s paradox**. இது பொதுவானதல்ல, ஆனால் அது நிச வாழ்க்கையில் நிகழ்கிறது, மேலும் பெரும்பாலான மக்கள் அதை முதலில் எதிர்கொள்ளும்போது அதைப் பற்றி மிகவும் ஆச்சரியப்படுகிறார்கள், மேலும் இது உண்மையானது என்று நம்புவதற்கு கூடப் பலர் மறுக்கிறார்கள். It is very real. அங்கு மிகவும் நுட்பமான புள்ளிவிவர பாடங்கள் நிறைய புதைக்கப்பட்டிருக்கும்போது, மிக முக்கியமான விசயத்தைச் சொல்ல நான் இதைப் பயன்படுத்த விரும்புகிறேன்: ஆராய்ச்சி செய்வது கடினம், மேலும் நுட்பமான, எதிர்-உள்ளுணர்வு பொறிகள் * நிறைய * உள்ளன unwary. அதுதான் காரணம் #2 விஞ்ஞானிகள் புள்ளிவிவரங்களை ஏன் விரும்புகிறார்கள், ஏன் ஆராய்ச்சி முறைகளைக் கற்பிக்கிறோம். ஏனெனில் அறிவியல் கடினமானது, மற்றும் உண்மை சில நேரங்களில் சிக்கலான தரவுகளின் மூலைகளிலும், கிரானிகளிலும் தந்திரமாக மறைக்கப்படுகிறது.
10/13/2025
User avatar TamilNeram

Translation changed
Given this, they were worried about being sued!\ [#]_ Given that there were nearly 13,000 applicants, a difference of 9\% in admission rates between males and females is just way too big to be a coincidence. Pretty compelling data, right? And if I were to say to you that these data *actually* reflect a weak bias in favour of women (sort of!), you’d probably think that I was either crazy or sexist.
இதைக் கருத்தில் கொண்டு, அவர்கள் வழக்குத் தொடரப்படுவதைப் பற்றிக் கவலைப்பட்டனர்! [#]_ மிகவும் கட்டாய தரவு, இல்லையா? இந்தத் தரவு *உண்மையில்* பெண்களுக்கு ஆதரவாக ஒரு பலவீனமான சார்புகளைப் பிரதிபலிக்கிறது என்று நான் உங்களிடம் சொன்னால், நான் பைத்தியம் அல்லது பாலியல் ரீதியாக இருந்தேன் என்று நீங்கள் நினைப்பீர்கள்.
10/13/2025
User avatar weblate:commit

Changes committed
Changes committed 10/01/2025
User avatar TamilNeram

Translation changed
Remarkably, most departments had a *higher* rate of admissions for females than for males! Yet the overall rate of admission across the university for females was *lower* than for males. How can this be? How can both of these statements be true at the same time?
குறிப்பிடத் தக்க வகையில், பெரும்பாலான துறைகள் ஆண்களை விடப் பெண்களுக்கான சேர்க்கைகளின் * அதிக * விகிதத்தைக் கொண்டிருந்தன! ஆயினும்கூட, பெண்களுக்கான பல்கலைக்கழகம் முழுவதும் ஒட்டுமொத்த சேர்க்கை விகிதம் ஆண்களை விட * குறைவாக* இருந்தது. இது எப்படி இருக்க முடியும்? இந்த இரண்டு அறிக்கைகளும் ஒரே நேரத்தில் எவ்வாறு உண்மையாக இருக்க முடியும்?
10/01/2025
User avatar TamilNeram

Translation changed
Oddly, it’s actually sort of true. When people started looking more carefully at the they told a rather different story (:ref:`Bickel et al., 1975 <Bickel_1975>`). Specifically, when they looked at it on a department by department basis, it turned out that most of the departments actually had a slightly *higher* success rate for female applicants than for male applicants. The table below shows the admission figures for the six largest departments (with the names of the departments removed for privacy reasons):
விந்தை, இது உண்மையில் உண்மை. மக்கள் மிகவும் கவனமாகப் பார்க்கத் தொடங்கியபோது, அவர்கள் ஒரு வித்தியாசமான கதையைச் சொன்னார்கள் (: குறிப்பு: `பிக்கல் மற்றும் பலர்ref:`Bickel et al., 1975 <பிக்கல்Bickel_1975>`). குறிப்பாக, அவர்கள் அதைத் துறை அடிப்படையில் ஒரு துறையில் பார்த்தபோது, பெரும்பாலான துறைகள் உண்மையில் ஆண் விண்ணப்பதாரர்களைக் காட்டிலும் பெண் விண்ணப்பதாரர்களுக்கு சற்று * அதிக * செய் விகிதத்தைக் கொண்டிருந்தன. கீழேயுள்ள அட்டவணை ஆறு பெரிய துறைகளுக்கான சேர்க்கை புள்ளிவிவரங்களைக் காட்டுகிறது (தனியுரிமை காரணங்களுக்காகத் துறைகளின் பெயர்களுடன் அகற்றப்பட்டது):
10/01/2025
Browse all component changes