aimodelshare 0.3.7__py3-none-any.whl → 0.3.94__py3-none-any.whl

aimodelshare/moral_compass/apps/ethical_revelation.py

@@ -8,7 +8,7 @@ import random
 import time
 import threading
 from typing import Optional, Dict, Any, Tuple
-
+from functools import lru_cache
 import pandas as pd
 import gradio as gr
 
@@ -34,6 +34,35 @@ TEAM_NAMES = [
     "The Ethical Explorers", "The Fairness Finders", "The Accuracy Avengers"
 ]
 
+# NEW: Team name translations for UI display only
+# Internal logic (ranking, caching, grouping) always uses canonical English names
+TEAM_NAME_TRANSLATIONS = {
+    "en": {
+        "The Justice League": "The Justice League",
+        "The Moral Champions": "The Moral Champions",
+        "The Data Detectives": "The Data Detectives",
+        "The Ethical Explorers": "The Ethical Explorers",
+        "The Fairness Finders": "The Fairness Finders",
+        "The Accuracy Avengers": "The Accuracy Avengers"
+    },
+    "es": {
+        "The Justice League": "La Liga de la Justicia",
+        "The Moral Champions": "Los Campeones Morales",
+        "The Data Detectives": "Los Detectives de Datos",
+        "The Ethical Explorers": "Los Exploradores Éticos",
+        "The Fairness Finders": "Los Buscadores de Equidad",
+        "The Accuracy Avengers": "Los Vengadores de Precisión"
+    },
+    "ca": {
+        "The Justice League": "La Lliga de la Justícia",
+        "The Moral Champions": "Els Campions Morals",
+        "The Data Detectives": "Els Detectives de Dades",
+        "The Ethical Explorers": "Els Exploradors Ètics",
+        "The Fairness Finders": "Els Cercadors d'Equitat",
+        "The Accuracy Avengers": "Els Venjadors de Precisió"
+    }
+}
+
 _cache_lock = threading.Lock()
 _leaderboard_cache: Dict[str, Any] = {"data": None, "timestamp": 0.0}
 _user_stats_cache: Dict[str, Dict[str, Any]] = {}
@@ -65,8 +94,8 @@ TRANSLATIONS = {
         "s2_title": "⚠️ But Wait...",
         "s2_intro": "Before we share the model, there's something you need to know...",
         "s2_box_title": "A Real-World Story",
-        "s2_p1": "A model similar to yours was actually used in the real world. It was used by judges across the United States to help make decisions about defendants' futures.",
-        "s2_p2": "Like yours, it had impressive accuracy scores. Like yours, it was built on data about past criminal cases. Like yours, it aimed to predict who would re-offend.",
+        "s2_p1": "A model similar to yours was actually used in the real world. It was used by judges across the United States to determine whether to grant parole to people in prison.",
+        "s2_p2": "Like yours, it had impressive accuracy scores. Like yours, it was built on data about past criminal cases. Like yours, it aimed to predict who might re-offend.",
         "s2_p3": "But something was terribly wrong...",
         "btn_back": "◀️ Back",
         "btn_reveal": "Reveal the Truth ▶️",
@@ -77,7 +106,7 @@ TRANSLATIONS = {
         "s3_box_title": "Their Shocking Findings:",
         "s3_alert": "⚠️ Black defendants were labeled \"high-risk\" at nearly <u>TWICE</u> the rate of white defendants.",
         "s3_spec": "<strong>Specifically:</strong>",
-        "s3_li1_pre": "defendants who <em>did NOT re-offend</em> were incorrectly labeled as <strong>\"high-risk\"</strong> at a rate of",
+        "s3_li1_pre": "<strong>Black defendants</strong> who <em>did NOT re-offend</em>, were incorrectly labeled as <strong>\"high-risk\"</strong> at a rate of about <strong>45%</strong>",
         "s3_li2_pre": "<strong>White defendants</strong> who <em>did NOT re-offend</em> were incorrectly labeled as <strong>\"high-risk\"</strong> at a rate of only <strong>24%</strong>",
         "s3_li3": "Meanwhile, <strong>white defendants</strong> who <em>DID re-offend</em> were <strong>more likely to be labeled \"low-risk\"</strong> compared to Black defendants",
         "s3_box2_title": "What Does This Mean?",
@@ -87,8 +116,8 @@ TRANSLATIONS = {
         "lbl_black": "Black", # Used in dynamic construction if needed
         # Step 4 EU
         "s4eu_title": "🇪🇺 This Isn’t Just a US Problem",
-        "s4eu_head": "AI for “Risky Offenders” Is Already in Europe",
-        "s4eu_intro": "The COMPAS story is not just an American warning. Across Europe, public authorities have experimented with <strong>very similar tools</strong> that aim to predict who will reoffend or which areas are “high risk”.",
+        "s4eu_head": "Europe Is Already Using AI to Predict Reoffending Risk",
+        "s4eu_intro": "The COMPAS story is not just an American warning. Across Europe, public authorities have experimented with <strong>very similar tools</strong> designed to predict who might reoffend or which areas are considered “high risk”.",
         "s4eu_li1_title": "United Kingdom – HART (Harm Assessment Risk Tool)",
         "s4eu_li1_body": "A machine-learning model used by Durham Police to predict who will reoffend within two years. It uses variables like age, gender, <em>postcode</em>, housing and job instability – socio-economic proxies that can reproduce the same kinds of biased patterns exposed in COMPAS.",
         "s4eu_li2_title": "Spain – VioGén",
@@ -103,7 +132,7 @@ TRANSLATIONS = {
         # Step 4 Lesson
         "s4_title": "💡 The Critical Lesson",
         "s4_box_title": "Why This Matters:",
-        "s4_li1_title": "Overall accuracy can hide group-specific harm",
+        "s4_li1_title": "A model’s overall accuracy can hide group-specific harm",
         "s4_li1_body": "A model might be 70% accurate overall — but the remaining 30% of errors can fall disproportionately on <span class='emph-harm'>specific groups</span>, resulting in real harm even when the total accuracy appears “good”.",
         "s4_li2_title": "Historical bias in training data gets amplified",
         "s4_li2_body": "If past policing or judicial decisions were biased, the AI system will <span class='emph-harm'>learn and reinforce</span> those inequities — often making them worse at scale.",
@@ -127,155 +156,155 @@ TRANSLATIONS = {
         "btn_review": "◀️ Review the Investigation"
     },
     "es": {
-        "title": "🚀 La Revelación Ética: Impacto Real",
+        "title": "🚀 La revelación ética: impacto real",
         "loading_personal": "⏳ Cargando tu experiencia personalizada...",
-        "stats_title": "🏆 ¡Gran Trabajo, Ingeniero! 🏆",
-        "stats_subtitle": "Aquí está tu resumen de rendimiento.",
-        "stats_heading": "Tus Estadísticas",
-        "lbl_accuracy": "Mejor Precisión",
-        "lbl_rank": "Tu Rango",
+        "stats_title": "🏆 ¡Gran trabajo, ingeniero/a! 🏆",
+        "stats_subtitle": "Aquí tienes el resumen de tu rendimiento.",
+        "stats_heading": "Tus estadísticas",
+        "lbl_accuracy": "Mejor precisión",
+        "lbl_rank": "Tu rango",
         "lbl_team": "Equipo",
         "stats_footer": "¿Listo para compartir tu modelo y explorar su impacto en el mundo real?",
-        "btn_deploy": "🌍 Compartir tu Modelo de IA (Simulación)",
-        "guest_title": "🚀 ¡Has Iniciado Sesión!",
+        "btn_deploy": "🌍 Compartir tu modelo de IA (simulación)",
+        "guest_title": "🚀 ¡Has iniciado sesión!",
         "guest_subtitle": "Aún no has enviado un modelo, pero estás listo para seguir aprendiendo.",
         "guest_body": "Una vez que envíes un modelo en el Juego de Construcción de Modelos, tu precisión y clasificación aparecerán aquí.",
         "guest_footer": "Continúa a la siguiente sección cuando estés listo.",
         "loading_session": "🔒 Cargando tu sesión...",
-        "s2_title": "⚠️ Pero Espera...",
+        "s2_title": "⚠️ Pero espera...",
         "s2_intro": "Antes de compartir el modelo, hay algo que necesitas saber...",
-        "s2_box_title": "Una Historia del Mundo Real",
-        "s2_p1": "Un modelo similar al tuyo se utilizó realmente en el mundo real. Fue usado por jueces en todo Estados Unidos para ayudar a tomar decisiones sobre el futuro de los acusados.",
-        "s2_p2": "Como el tuyo, tenía puntuaciones de precisión impresionantes. Como el tuyo, se construyó con datos de casos criminales pasados. Como el tuyo, su objetivo era predecir quién reincidiría.",
-        "s2_p3": "Pero algo estaba terriblemente mal...",
+        "s2_box_title": "Una historia del mundo real",
+        "s2_p1": "Un modelo similar al tuyo se empleó en situaciones reales. Jueces de todo Estados Unidos lo usaron para determinar si conceder la libertad condicional a personas presas.",
+        "s2_p2": "Como el tuyo, tenía puntuaciones de precisión impresionantes. Como el tuyo, se construyó con datos de casos criminales pasados. Como el tuyo, su objetivo era predecir quíen podría volver a cometer un delito..",
+        "s2_p3": "Pero algo iba muy mal...",
         "btn_back": "◀️ Atrás",
-        "btn_reveal": "Revelar la Verdad ▶️",
-        "s3_title": "📰 La Investigación de ProPublica",
-        "s3_head": "\"Sesgo de Máquina\" - Una Investigación Histórica",
+        "btn_reveal": "Revelar la verdad ▶️",
+        "s3_title": "📰 La investigación de ProPublica",
+        "s3_head": "\"Machine Bias\" - Una investigación de referencia sobre los sesgos algorítmicos",
         "s3_p1": "En 2016, periodistas de <strong>ProPublica</strong> investigaron un algoritmo de evaluación de riesgo criminal ampliamente utilizado llamado <strong>COMPAS</strong>. Analizaron más de <strong>7,000 casos reales</strong> para ver si las predicciones de la IA se cumplían.",
-        "s3_box_title": "Sus Hallazgos Impactantes:",
-        "s3_alert": "⚠️ Los acusados negros fueron etiquetados como \"alto riesgo\" casi el <u>DOBLE</u> que los acusados blancos.",
+        "s3_box_title": "Sus hallazgos impactantes:",
+        "s3_alert": "⚠️ Las personas negras presas fueron clasificadas como \"alto riesgo\" casi el <u>DOBLE</u> que las personas blancas presas.",
         "s3_spec": "<strong>Específicamente:</strong>",
-        "s3_li1_pre": "Los <span class='emph-danger'>acusados negros</span> que <em>NO reincidieron</em> fueron etiquetados incorrectamente como <strong>\"alto riesgo\"</strong> a una tasa del",
-        "s3_li2_pre": "Los <strong>acusados blancos</strong> que <em>NO reincidieron</em> fueron etiquetados incorrectamente como <strong>\"alto riesgo\"</strong> a una tasa de solo el <strong>24%</strong>",
-        "s3_li3": "Mientras tanto, los <strong>acusados blancos</strong> que <em>SÍ reincidieron</em> tenían <strong>más probabilidades de ser etiquetados como \"bajo riesgo\"</strong> en comparación con los acusados negros",
-        "s3_box2_title": "¿Qué Significa Esto?",
-        "s3_mean_p1": "El sistema de IA estaba <strong class='emph-danger'>sistemáticamente sesgado</strong>. No solo cometía errores aleatorios, cometía <strong>diferentes tipos de errores para diferentes grupos de personas</strong>.",
-        "s3_mean_p2": "Los acusados negros enfrentaban un riesgo mucho mayor de ser <strong class='emph-danger'>injustamente etiquetados como peligrosos</strong>, lo que potencialmente conducía a sentencias de prisión más largas o libertad condicional denegada, incluso cuando no habrían reincidido.",
-        "btn_eu": "Ver Esto en Europa ▶️",
+        "s3_li1_pre": "Las <span class='emph-danger'>personas negras presas</span> que <em>NO volvieron a cometer un delito</em> fueron clasificadas incorrectamente como <strong>\"alto riesgo\"</strong> en aproximadamente un <strong>45%</strong> de los casos",
+        "s3_li2_pre": "Las <strong>personas blancas presas</strong> que <em>NO reincidieron</em> fueron clasificadas incorrectamente como <strong>\"alto riesgo\"</strong> solo en un <strong>24%</strong> de los casos",
+        "s3_li3": "En cambio, las <strong>personas blancas presas</strong> que <em>SÍ reincidieron</em> tenían <strong>más probabilidades de ser clasificadas como de \"bajo riesgo\"</strong> en comparación con las personas negras presas",
+        "s3_box2_title": "¿Qué significa esto?",
+        "s3_mean_p1": "El sistema de IA mostraba <strong class='emph-danger'>un sesgo sistemático</strong>. No solo cometía errores al azar; también hacía <strong>errores distintos según el grupo de personas</strong>.",
+        "s3_mean_p2": "Las personas negras presas enfrentaban un riesgo mucho mayor de ser <strong class='emph-danger'>injustamente classificadas como peligrosas</strong>, lo que potencialmente conducía a sentencias de prisión más largas o libertad condicional denegada, incluso cuando no habrían vuelto a cometer un delito.",
+        "btn_eu": "Ver esto en Europa ▶️",
         "lbl_black": "Negros",
-        "s4eu_title": "🇪🇺 Esto No Es Solo un Problema de EE. UU.",
-        "s4eu_head": "La IA para \"Delincuentes de Riesgo\" Ya Está en Europa",
+        "s4eu_title": "🇪🇺 Esto no es solo un problema de EE. UU.",
+        "s4eu_head": "Europa ya utiliza IA para evaluar el riesgo de reincidencia",
         "s4eu_intro": "La historia de COMPAS no es solo una advertencia estadounidense. En toda Europa, las autoridades públicas han experimentado con <strong>herramientas muy similares</strong> que pretenden predecir quién reincidirá o qué áreas son de \"alto riesgo\".",
         "s4eu_li1_title": "Reino Unido – HART (Harm Assessment Risk Tool)",
         "s4eu_li1_body": "Un modelo de aprendizaje automático utilizado por la Policía de Durham para predecir quién reincidirá en dos años. Utiliza variables como edad, género, <em>código postal</em>, vivienda e inestabilidad laboral: indicadores socioeconómicos que pueden reproducir los mismos tipos de patrones sesgados expuestos en COMPAS.",
         "s4eu_li2_title": "España – VioGén",
-        "s4eu_li2_body": "Una herramienta de riesgo para casos de violencia de género cuyo funcionamiento interno es en gran medida una <em>\"caja negra\"</em>. Los oficiales dependen en gran medida de sus puntuaciones para decidir medidas de protección, aunque el algoritmo no puede ser auditado fácilmente en busca de sesgos o errores.",
+        "s4eu_li2_body": "Una herramienta de riesgo para casos de violencia de género cuyo funcionamiento interno es en gran medida una <em>\"caja negra\"</em>. Los oficiales dependen en gran medida de sus puntuaciones para decidir medidas de protección, aunque no se puede auditar fácilmente el algoritmo en busca de sesgos o errores.",
         "s4eu_li3_title": "Países Bajos y Dinamarca – Perfiles predictivos",
-        "s4eu_li3_body": "Sistemas como el <em>Sistema de Anticipación del Crimen (CAS)</em> holandés y las clasificaciones algorítmicas de <em>\"guetos\"</em> de Dinamarca utilizan datos demográficos y socioeconómicos para dirigir la vigilancia y las sanciones, arriesgando bucles de retroalimentación que apuntan a ciertas comunidades una y otra vez.",
-        "s4eu_box_title": "Debate Europeo en Curso",
+        "s4eu_li3_body": "Sistemas como el <em>Crime Anticipation System (CAS)</em> holandés y las clasificaciones algorítmicas de <em>\"guetos\"</em> de Dinamarca utilizan datos demográficos y socioeconómicos para orientar la vigilancia i las sanciones, con el riesgo de generar bucles de retroalimentación que señalen una y otra vez a las mismas comunidades.",
+        "s4eu_box_title": "Debate europeo en curso",
         "s4eu_box_body": "La Fiscalía de Barcelona ha propuesto una \"calculadora electrónica de reincidencia\". Tribunales, reguladores e investigadores están examinando activamente cómo estas herramientas afectan los derechos fundamentales como la no discriminación, el juicio justo y la protección de datos.",
-        "s4eu_note": "<strong>Punto clave:</strong> Los riesgos que viste con COMPAS no están lejos en otro país. <strong class='emph-key'>Son preguntas vivas tanto en Europa como en los EE. UU. en este momento.</strong>",
-        "btn_back_invest": "◀️ Volver a la Investigación",
-        "btn_zoom": "Alejarse a la Lección ▶️",
-        "s4_title": "💡 La Lección Crítica",
-        "s4_box_title": "Por Qué Importa Esto:",
-        "s4_li1_title": "La precisión general puede ocultar daños específicos a grupos",
-        "s4_li1_body": "Un modelo puede tener un 70% de precisión general, pero el 30% restante de errores puede recaer desproporcionadamente en <span class='emph-harm'>grupos específicos</span>, resultando en un daño real incluso cuando la precisión total parece \"buena\".",
+        "s4eu_note": "<strong>Idea clave:</strong> Los riesgos que viste con COMPAS no están lejos ni son ajenos. <strong class='emph-key'>Son cuestiones pleanmente actuales tanto en Europa como en los EE. UU.</strong>",
+        "btn_back_invest": "◀️ Volver a la investigación",
+        "btn_zoom": "Vista general de la lección ▶️",
+        "s4_title": "💡 La lección fundamental",
+        "s4_box_title": "Por qué importa esto:",
+        "s4_li1_title": "La precisión global de un modelo puede ocultar daños específicos por grupo",
+        "s4_li1_body": "Un modelo puede tener un 70% de precisión global, pero el 30% restante de errores puede concentrarse de manera desproporcionada en <span class='emph-harm'>grupos concretos</span>, causando daños reales incluso cuando la precisión global parece \"buena\".",
         "s4_li2_title": "El sesgo histórico en los datos de entrenamiento se amplifica",
-        "s4_li2_body": "Si las decisiones policiales o judiciales pasadas fueron sesgadas, el sistema de IA <span class='emph-harm'>aprenderá y reforzará</span> esas desigualdades, a menudo empeorándolas a escala.",
+        "s4_li2_body": "Si las decisiones policiales o judiciales pasadas fueron sesgadas, el sistema de IA <span class='emph-harm'>aprenderá y reforzará</span> esas desigualdades, y a menudo las amplificará a gran escala.",
         "s4_li3_title": "Las vidas de personas reales se ven afectadas",
-        "s4_li3_body": "Cada <strong class='emph-harm'>\"falso positivo\"</strong> representa a una persona que puede perder años de libertad, empleo, vivienda o conexión familiar, todo debido a una sola <strong class='emph-harm'>predicción sesgada</strong>.",
+        "s4_li3_body": "Cada <strong class='emph-harm'>\"falso positivo\"</strong> representa a una persona que puede perder años de libertad, empleo, vivienda o conexión familiar, todo a causa de una sola <strong class='emph-harm'>predicción sesgada</strong>.",
         "btn_back_eu": "◀️ Atrás",
-        "btn_what_do": "¿Qué Podemos Hacer? ▶️",
-        "s5_title": "🛤️ El Camino a Seguir",
-        "s5_head": "De la Precisión a la Ética",
-        "s5_intro": "Ahora has visto ambos lados de la historia de la IA:",
-        "s5_li1": "✅ Construiste modelos que lograron puntuaciones de precisión más altas",
-        "s5_li2": "⚠️ Aprendiste cómo modelos similares causaron daño en el mundo real",
+        "btn_what_do": "¿Qué podemos hacer? ▶️",
+        "s5_title": "🛤️ El camino a seguir",
+        "s5_head": "De la precisión a la ética",
+        "s5_intro": "Ya has visto los dos lados de la IA:",
+        "s5_li1": "✅ Has construido modelos con altos niveles de precisión",
+        "s5_li2": "⚠️ Has aprendido cómo modelos similares han causado daños reales",
         "s5_li3": "🤔 Entiendes que la precisión por sí sola no es suficiente",
-        "s5_box_title": "Lo Que Harás A Continuación:",
+        "s5_box_title": "Lo que harás a continuación:",
         "s5_p1": "En la siguiente sección, se te presentará una <strong class='emph-key'>nueva forma de medir el éxito</strong>, una que equilibra el rendimiento con la equidad y la ética.",
         "s5_p2": "Aprenderás técnicas para <strong class='emph-key'>detectar sesgos</strong> en tus modelos, <strong class='emph-key'>medir la equidad</strong> en diferentes grupos y <strong class='emph-key'>rediseñar tu IA</strong> para minimizar el daño.",
-        "s5_mission": "🎯 Tu nueva misión: Construir IA que no solo sea precisa, sino también <strong class='emph-key'>justa, equitativa y éticamente sólida</strong>.",
+        "s5_mission": "🎯 Tu nueva misión: Construir una IA que no solo sea precisa, sino también <strong class='emph-key'>justa, equitativa y éticamente sólida</strong>.",
         "s5_scroll": "👇 DESPLÁZATE HACIA ABAJO 👇",
-        "s5_continue": "Continúa en la siguiente sección abajo para comenzar tu viaje de IA ética.",
+        "s5_continue": "Continúa en la siguiente sección para comenzar tu viaje de IA ética.",
         "btn_review": "◀️ Revisar la Investigación"
     },
     "ca": {
-        "title": "🚀 La Revelació Ètica: Impacte Real",
+        "title": "🚀 La revelació ètica: impacte real",
         "loading_personal": "⏳ Carregant la teva experiència personalitzada...",
-        "stats_title": "🏆 Bona Feina, Enginyer! 🏆",
+        "stats_title": "🏆 Bona feina, enginyer/a! 🏆",
         "stats_subtitle": "Aquí tens el teu resum de rendiment.",
-        "stats_heading": "Les Teves Estadístiques",
-        "lbl_accuracy": "Millor Precisió",
-        "lbl_rank": "El Teu Rang",
+        "stats_heading": "Les teves estadístiques",
+        "lbl_accuracy": "Millor precisió",
+        "lbl_rank": "El teu rang",
         "lbl_team": "Equip",
         "stats_footer": "A punt per compartir el teu model i explorar el seu impacte al món real?",
-        "btn_deploy": "🌍 Compartir el Teu Model d'IA (Simulació)",
-        "guest_title": "🚀 Has Iniciat Sessió!",
+        "btn_deploy": "🌍 Compartir el teu model d'IA (simulació)",
+        "guest_title": "🚀 Has iniciat sessió!",
         "guest_subtitle": "Encara no has enviat un model, però estàs a punt per continuar aprenent.",
         "guest_body": "Un cop enviïs un model al Joc de Construcció de Models, la teva precisió i classificació apareixeran aquí.",
         "guest_footer": "Continua a la següent secció quan estiguis a punt.",
         "loading_session": "🔒 Carregant la teva sessió...",
-        "s2_title": "⚠️ Però Espera...",
-        "s2_intro": "Abans de compartir el model, hi ha una cosa que necessites saber...",
-        "s2_box_title": "Una Història del Món Real",
-        "s2_p1": "Un model similar al teu es va utilitzar realment al món real. Va ser utilitzat per jutges a tot Estats Units per ajudar a prendre decisions sobre el futur dels acusats.",
-        "s2_p2": "Com el teu, tenia puntuacions de precisió impressionants. Com el teu, es va construir amb dades de casos criminals passats. Com el teu, el seu objectiu era predir qui reincidiria.",
-        "s2_p3": "Però alguna cosa estava terriblement malament...",
+        "s2_title": "⚠️ Però espera...",
+        "s2_intro": "Abans de compartir el model, hi ha una cosa que hauries de saber...",
+        "s2_box_title": "Una història del món real",
+        "s2_p1": "Un model similar al teu es va utilitzar en situacions reals. Jutges d’arreu dels Estats Units el van fer servir per determinar si concedir la llibertat condicional a persones preses.",
+        "s2_p2": "Com el teu, tenia puntuacions de precisió impressionants. Com el teu, es va construir amb dades de casos criminals passats. Com el teu, el seu objectiu era predir qui podria tornar a cometre un delicte.",
+        "s2_p3": "Però alguna cosa no anava bé...",
         "btn_back": "◀️ Enrere",
-        "btn_reveal": "Revelar la Veritat ▶️",
-        "s3_title": "📰 La Investigació de ProPublica",
-        "s3_head": "\"Biaix de Màquina\" - Una Investigació Històrica",
-        "s3_p1": "El 2016, periodistes de <strong>ProPublica</strong> van investigar un algorisme d'avaluació de risc criminal àmpliament utilitzat anomenat <strong>COMPAS</strong>. Van analitzar més de <strong>7.000 casos reals</strong> per veure si les prediccions de la IA es complien.",
-        "s3_box_title": "Les Seves Troballes Impactants:",
-        "s3_alert": "⚠️ Els acusats negres van ser etiquetats com a \"alt risc\" gairebé el <u>DOBLE</u> que els acusats blancs.",
-        "s3_spec": "<strong>Específicament:</strong>",
-        "s3_li1_pre": "Els <span class='emph-danger'>acusats negres</span> que <em>NO van reincidir</em> van ser etiquetats incorrectament com a <strong>\"alt risc\"</strong> a una taxa del",
-        "s3_li2_pre": "Els <strong>acusats blancs</strong> que <em>NO van reincidir</em> van ser etiquetats incorrectament com a <strong>\"alt risc\"</strong> a una taxa de només el <strong>24%</strong>",
-        "s3_li3": "Mentrestant, els <strong>acusats blancs</strong> que <em>SÍ van reincidir</em> tenien <strong>més probabilitats de ser etiquetats com a \"baix risc\"</strong> en comparació amb els acusats negres",
-        "s3_box2_title": "Què Significa Això?",
-        "s3_mean_p1": "El sistema d'IA estava <strong class='emph-danger'>sistemàticament esbiaixat</strong>. No només cometia errors aleatoris, cometia <strong>diferents tipus d'errors per a diferents grups de persones</strong>.",
-        "s3_mean_p2": "Els acusats negres s'enfrontaven a un risc molt més gran de ser <strong class='emph-danger'>injustament etiquetats com a perillosos</strong>, la qual cosa potencialment conduïa a sentències de presó més llargues o llibertat condicional denegada, fins i tot quan no haurien reincidit.",
-        "btn_eu": "Veure Això a Europa ▶️",
+        "btn_reveal": "Revelar la veritat ▶️",
+        "s3_title": "📰 La investigació de ProPublica",
+        "s3_head": "\"Machine Bias\" - Una investigació de referència sobre els biaixos algorítmics",
+        "s3_p1": "El 2016, periodistes de <strong>ProPublica</strong> van analitzar un algoritme d’avaluació del risc penal molt estès anomenat <strong>COMPAS</strong>. Van estudiar més de <strong>7.000 casos reals</strong> per veure si les prediccions de la IA es complien.",
+        "s3_box_title": "Les seves troballes més impactants:",
+        "s3_alert": "⚠️ Les persones negres preses eren classificades com a \"alt risc\" gairebé el <u>DOBLE</u> que les persones blanques preses.",
+        "s3_spec": "<strong>En concret:</strong>",
+        "s3_li1_pre": "Les <span class='emph-danger'>persones negres preses</span> que <em>NO van tornar a cometre un delicte</em> van ser classificades incorrectament com a <strong>\"alt risc\"</strong> en aproximadament el <strong>45%</strong> dels casos.",
+        "s3_li2_pre": "Les <strong>persones blanques preses</strong> que <em>NO van reincidir</em> van ser classificades incorrectament com a <strong>\"alt risc\"</strong> en només el <strong>24%</strong> dels casos.",
+        "s3_li3": "En canvi, les <strong>persones blanques preses</strong> que <em>SÍ van reincidir</em> tenien <strong>més probabilitats de ser classificades com a \"baix risc\"</strong> en comparació amb les persones negres preses.",
+        "s3_box2_title": "Què significa això?",
+        "s3_mean_p1": "El sistema d'IA estava <strong class='emph-danger'>sistemàticament esbiaixat</strong>. No només cometia errors aleatoris, cometia <strong>diferents tipus d'errors segons el grup de persones</strong>.",
+        "s3_mean_p2": "Les persones negres preses s'enfrontaven a un risc molt més gran de ser <strong class='emph-danger'>injustament classificats com a perillosos</strong>, la qual cosa que podia comportar penes de presó més llargues o que se’ls denegués la llibertat condicional, fins i tot quan no haurien tornat a cometre un delicte.",
+        "btn_eu": "Veure això a Europa ▶️",
         "lbl_black": "Negres",
-        "s4eu_title": "🇪🇺 Això No És Només un Problema dels EUA",
-        "s4eu_head": "La IA per a \"Delinqüents de Risc\" Ja És a Europa",
+        "s4eu_title": "🇪🇺 Això no és només un problema dels EUA",
+        "s4eu_head": "Europa ja utilitza IA per avaluar el risc de reincidència",
         "s4eu_intro": "La història de COMPAS no és només una advertència nord-americana. A tota Europa, les autoritats públiques han experimentat amb <strong>eines molt similars</strong> que pretenen predir qui reincidirà o quines àrees són d'\"alt risc\".",
         "s4eu_li1_title": "Regne Unit – HART (Harm Assessment Risk Tool)",
         "s4eu_li1_body": "Un model d'aprenentatge automàtic utilitzat per la Policia de Durham per predir qui reincidirà en dos anys. Utilitza variables com edat, gènere, <em>codi postal</em>, habitatge i inestabilitat laboral: indicadors socioeconòmics que poden reproduir els mateixos tipus de patrons esbiaixats exposats a COMPAS.",
         "s4eu_li2_title": "Espanya – VioGén",
-        "s4eu_li2_body": "Una eina de risc per a casos de violència de gènere el funcionament intern de la qual és en gran part una <em>\"caixa negra\"</em>. Els oficials depenen en gran mesura de les seves puntuacions per decidir mesures de protecció, tot i que l'algorisme no pot ser auditat fàcilment a la recerca de biaixos o errors.",
+        "s4eu_li2_body": "Una eina de risc per a casos de violència de gènere, amb processos interns que són, en gran part, una <em>\"caixa negra\"</em>. Les autoritats depenen àmpliament de les seves puntuacions per decidir mesures de protecció, tot i que l’algoritme no es pot auditar fàcilment per detectar biaixos o errors.",
         "s4eu_li3_title": "Països Baixos i Dinamarca – Perfils predictius",
-        "s4eu_li3_body": "Sistemes com el <em>Sistema d'Anticipació del Crim (CAS)</em> holandès i les classificacions algorísmiques de <em>\"guetos\"</em> de Dinamarca utilitzen dades demogràfiques i socioeconòmiques per dirigir la vigilància i les sancions, arriscant bucles de retroalimentació que apunten a certes comunitats una i altra vegada.",
-        "s4eu_box_title": "Debat Europeu en Curs",
+        "s4eu_li3_body": "Sistemes com el <em>Crime Anticipation System (CAS)</em> holandès i les classificacions algorítmiques de <em>\"guetos\"</em> de Dinamarca utilitzen dades demogràfiques i socioeconòmiques per orientar la vigilància i les sancions, amb el risc de generar bucles de retroalimentació que assenyalen una i altra vegada les mateixes comunitats.",
+        "s4eu_box_title": "Debat europeu en curs",
         "s4eu_box_body": "La Fiscalia de Barcelona ha proposat una \"calculadora electrònica de reincidència\". Tribunals, reguladors i investigadors estan examinant activament com aquestes eines afecten els drets fonamentals com la no discriminació, el judici just i la protecció de dades.",
-        "s4eu_note": "<strong>Punt clau:</strong> Els riscos que vas veure amb COMPAS no són lluny en un altre país. <strong class='emph-key'>Són preguntes vives tant a Europa com als EUA en aquest moment.</strong>",
-        "btn_back_invest": "◀️ Tornar a la Investigació",
-        "btn_zoom": "Allunyar-se a la Lliçó ▶️",
-        "s4_title": "💡 La Lliçó Crítica",
-        "s4_box_title": "Per Què Importa Això:",
-        "s4_li1_title": "La precisió general pot amagar danys específics a grups",
-        "s4_li1_body": "Un model pot tenir un 70% de precisió general, però el 30% restant d'errors pot recaure desproporcionadament en <span class='emph-harm'>grups específics</span>, resultant en un dany real fins i tot quan la precisió total sembla \"bona\".",
+        "s4eu_note": "<strong>Punt clau:</strong> Els riscos que vas veure amb COMPAS no són lluny ni aliens. <strong class='emph-key'>Són qüestions plenament actuals tant a Europa com als EUA.</strong>",
+        "btn_back_invest": "◀️ Tornar a la investigació",
+        "btn_zoom": "Vista general de la Lliçó ▶️",
+        "s4_title": "💡 La lliçó crítica",
+        "s4_box_title": "Per què és important això:",
+        "s4_li1_title": "La precisió global d'un model pot amagar danys específics a grups concrets",
+        "s4_li1_body": "Un model pot tenir un 70% de precisió global, però el 30% restant d'errors pot recaure desproporcionadament en <span class='emph-harm'>determinats grups</span>, provocant danys reals fins i tot quan la precisió global sembla \"bona\".",
         "s4_li2_title": "El biaix històric en les dades d'entrenament s'amplifica",
-        "s4_li2_body": "Si les decisions policials o judicials passades van ser esbiaixades, el sistema d'IA <span class='emph-harm'>aprendrà i reforçarà</span> aquestes desigualtats, sovint empitjorant-les a escala.",
+        "s4_li2_body": "Si les decisions policials o judicials passades van ser esbiaixades, el sistema d'IA <span class='emph-harm'>aprendrà i reforçarà</span> aquestes desigualtats, i sovint les amplificarà.",
         "s4_li3_title": "Les vides de persones reals es veuen afectades",
-        "s4_li3_body": "Cada <strong class='emph-harm'>\"fals positiu\"</strong> representa una persona que pot perdre anys de llibertat, feina, habitatge o connexió familiar, tot a causa d'una sola <strong class='emph-harm'>predicció esbiaixada</strong>.",
+        "s4_li3_body": "Cada <strong class='emph-harm'>\"fals positiu\"</strong> representa una persona que pot perdre anys de llibertat, feina, habitatge o connexió familiar, tot per una única <strong class='emph-harm'>predicció esbiaixada</strong>.",
         "btn_back_eu": "◀️ Enrere",
-        "btn_what_do": "Què Podem Fer? ▶️",
-        "s5_title": "🛤️ El Camí a Seguir",
-        "s5_head": "De la Precisió a l'Ètica",
-        "s5_intro": "Ara has vist els dos costats de la història de la IA:",
-        "s5_li1": "✅ Vas construir models que van aconseguir puntuacions de precisió més altes",
-        "s5_li2": "⚠️ Vas aprendre com models similars van causar dany al món real",
+        "btn_what_do": "Què podem fer? ▶️",
+        "s5_title": "🛤️ El camí a seguir",
+        "s5_head": "De la precisió a l'ètica",
+        "s5_intro": "Ara ja has vist els dos costats de la IA:",
+        "s5_li1": "✅ Has construït models amb alts nivells de precisió",
+        "s5_li2": "⚠️ Has après com models similars han causat danys reals",
         "s5_li3": "🤔 Entens que la precisió per si sola no és suficient",
-        "s5_box_title": "El Que Faràs A Continuació:",
+        "s5_box_title": "Què faràs a continuació:",
         "s5_p1": "En la següent secció, se't presentarà una <strong class='emph-key'>nova manera de mesurar l'èxit</strong>, una que equilibra el rendiment amb l'equitat i l'ètica.",
         "s5_p2": "Aprendràs tècniques per <strong class='emph-key'>detectar biaixos</strong> en els teus models, <strong class='emph-key'>mesurar l'equitat</strong> en diferents grups i <strong class='emph-key'>redissenyar la teva IA</strong> per minimitzar el dany.",
-        "s5_mission": "🎯 La teva nova missió: Construir IA que no només sigui precisa, sinó també <strong class='emph-key'>justa, equitativa i èticament sòlida</strong>.",
+        "s5_mission": "🎯 La teva nova missió: Construir una IA que no només sigui precisa, sinó també <strong class='emph-key'>justa, equitativa i èticament sòlida</strong>.",
         "s5_scroll": "👇 DESPLAÇA'T CAP AVALL 👇",
-        "s5_continue": "Continua a la següent secció a sota per començar el teu viatge d'IA ètica.",
+        "s5_continue": "Continua amb la següent secció per iniciar el teu recorregut cap a una IA ètica.",
         "btn_review": "◀️ Revisar la Investigació"
     }
 }
@@ -293,6 +322,48 @@ def _normalize_team_name(name: str) -> str:
         return ""
     return " ".join(str(name).strip().split())
 
+# NEW: Team name translation helpers for UI display
+def translate_team_name_for_display(team_en: str, lang: str = "en") -> str:
+    """
+    Translate a canonical English team name to the specified language for UI display.
+    Fallback to English if translation not found.
+    """
+    if lang not in TEAM_NAME_TRANSLATIONS:
+        lang = "en"
+    return TEAM_NAME_TRANSLATIONS[lang].get(team_en, team_en)
+
+# NEW: Reverse lookup for future use (e.g., if user input needs to be normalized back to English)
+def translate_team_name_to_english(display_name: str, lang: str = "en") -> str:
+    """
+    Reverse lookup: given a localized team name, return the canonical English name.
+    Returns the original display_name if not found.
+    """
+    if lang not in TEAM_NAME_TRANSLATIONS:
+        return display_name  # Already English or unknown
+    
+    translations = TEAM_NAME_TRANSLATIONS[lang]
+    for english_name, localized_name in translations.items():
+        if localized_name == display_name:
+            return english_name
+    return display_name  # UPDATED: Return display_name instead of None for consistency
+
+# NEW: Format leaderboard DataFrame with localized team names (non-destructive copy)
+def _format_leaderboard_for_display(df: Optional[pd.DataFrame], lang: str = "en") -> Optional[pd.DataFrame]:
+    """
+    Create a copy of the leaderboard DataFrame with team names translated for display.
+    Does not mutate the original DataFrame.
+    For potential future use when displaying full leaderboard.
+    """
+    if df is None:
+        return None  # UPDATED: Handle None explicitly
+    
+    if df.empty or "Team" not in df.columns:
+        return df.copy()  # UPDATED: Return copy for empty or missing Team column
+    
+    df_display = df.copy()
+    df_display["Team"] = df_display["Team"].apply(lambda t: translate_team_name_for_display(t, lang))
+    return df_display
+
 def _fetch_leaderboard(token: str) -> Optional[pd.DataFrame]:
     now = time.time()
     with _cache_lock:
@@ -423,7 +494,8 @@ def build_stats_html(user_stats: Dict[str, Any], lang="en") -> str:
     if user_stats.get("best_score") is not None:
         best_score_pct = f"{(user_stats['best_score'] * 100):.1f}%"
         rank_text = f"#{user_stats['rank']}" if user_stats['rank'] else "N/A"
-        team_text = user_stats['team_name'] if user_stats['team_name'] else "N/A"
+        # UPDATED: Translate team name for display based on selected language
+        team_text = translate_team_name_for_display(user_stats['team_name'], lang) if user_stats['team_name'] else "N/A"
         return f"""
         <div class='slide-shell slide-shell--primary'>
             <div style='text-align:center;'>
@@ -536,7 +608,6 @@ def _get_step3_html(lang):
             <ul style='font-size:1.05rem; line-height:1.8;'>
                 <li>
                     {t(lang, 's3_li1_pre')}
-                    <span class='emph-danger'> 45%</span>
                 </li>
                 <li>
                     {t(lang, 's3_li2_pre')}
@@ -773,74 +844,93 @@ def create_ethical_revelation_app(theme_primary_hue: str = "indigo") -> "gr.Bloc
         loading_screen = gr.Column(visible=False)
         all_steps = [step_1, step_2, step_3, step_4_eu, step_4, step_5, loading_screen, initial_loading]
 
-        # --- Initial Load with Language & Auth ---
-        def initial_load(request: gr.Request):
-            params = request.query_params
-            lang = params.get("lang", "en")
-            if lang not in TRANSLATIONS: lang = "en"
-            
-            # Try auth
-            success, username, token = _try_session_based_auth(request)
-            
-            # Build Stats HTML (Translating inside)
-            stats_html = ""
-            if success and username:
-                stats = _compute_user_stats(username, token)
-                stats_html = build_stats_html(stats, lang)
-            else:
-                stats_html = f"""
-                <div class='slide-shell slide-shell--primary' style='text-align:center;'>
-                    <h2 class='slide-shell__title'>{t(lang, 'loading_session')}</h2>
-                </div>
-                """
-            
-            # Return all UI updates
+        # -------------------------------------------------------------------------
+        # HYBRID CACHING LOGIC
+        # -------------------------------------------------------------------------
+
+        # 1. Define all targets that need updating
+        update_targets = [
+            initial_loading, step_1, stats_display, c_title, c_loading_text,
+            deploy_button,
+            c_s2_title, c_s2_html, step_2_back, step_2_next,
+            c_s3_title, c_s3_html, step_3_back, step_3_next,
+            c_s4eu_title, c_s4eu_html, step_4_eu_back, step_4_eu_next,
+            c_s4_title, c_s4_html, step_4_back, step_4_next,
+            c_s5_title, c_s5_html, back_to_lesson_btn
+        ]
+
+        # 2. Cached Generator for Static Content (Steps 2-5)
+        @lru_cache(maxsize=16)
+        def get_cached_static_content(lang):
+            """
+            Generates the heavy HTML for Steps 2, 3, 4, and 5 once per language.
+            """
             return [
-                gr.update(visible=False), # initial_loading
-                gr.update(visible=True),  # step_1
-                gr.update(value=stats_html), # stats_display
-                # Title
-                f"<h1 style='text-align:center;'>{t(lang, 'title')}</h1>",
-                # Loading Text
-                f"<div style='text-align:center; padding:80px 0;'><h2>{t(lang, 'loading_personal')}</h2></div>",
-                # Step 1 Button
+                # Step 1 Button (Static Text)
                 gr.Button(value=t(lang, 'btn_deploy')),
+                
                 # Step 2
                 f"<h2 style='text-align:center;'>{t(lang, 's2_title')}</h2>",
                 _get_step2_html(lang),
                 gr.Button(value=t(lang, 'btn_back')),
                 gr.Button(value=t(lang, 'btn_reveal')),
+                
                 # Step 3
                 f"<h2 style='text-align:center;'>{t(lang, 's3_title')}</h2>",
                 _get_step3_html(lang),
                 gr.Button(value=t(lang, 'btn_back')),
                 gr.Button(value=t(lang, 'btn_eu')),
+                
                 # Step 4 EU
                 f"<h2 style='text-align:center;'>{t(lang, 's4eu_title')}</h2>",
                 _get_step4_eu_html(lang),
                 gr.Button(value=t(lang, 'btn_back_invest')),
                 gr.Button(value=t(lang, 'btn_zoom')),
+                
                 # Step 4 Lesson
                 f"<h2 style='text-align:center;'>{t(lang, 's4_title')}</h2>",
                 _get_step4_lesson_html(lang),
                 gr.Button(value=t(lang, 'btn_back_eu')),
                 gr.Button(value=t(lang, 'btn_what_do')),
+                
                 # Step 5
                 f"<h2 style='text-align:center;'>{t(lang, 's5_title')}</h2>",
                 _get_step5_html(lang),
                 gr.Button(value=t(lang, 'btn_review'))
             ]
 
-        # Load trigger
-        update_targets = [
-            initial_loading, step_1, stats_display, c_title, c_loading_text,
-            deploy_button,
-            c_s2_title, c_s2_html, step_2_back, step_2_next,
-            c_s3_title, c_s3_html, step_3_back, step_3_next,
-            c_s4eu_title, c_s4eu_html, step_4_eu_back, step_4_eu_next,
-            c_s4_title, c_s4_html, step_4_back, step_4_next,
-            c_s5_title, c_s5_html, back_to_lesson_btn
-        ]
+        # 3. Hybrid Load Function
+        def initial_load(request: gr.Request):
+            params = request.query_params
+            lang = params.get("lang", "en")
+            if lang not in TRANSLATIONS: lang = "en"
+            
+            # --- DYNAMIC PART (Runs every time) ---
+            success, username, token = _try_session_based_auth(request)
+            
+            stats_html = ""
+            if success and username:
+                stats = _compute_user_stats(username, token)
+                stats_html = build_stats_html(stats, lang)
+            else:
+                stats_html = f"""
+                <div class='slide-shell slide-shell--primary' style='text-align:center;'>
+                    <h2 class='slide-shell__title'>{t(lang, 'loading_session')}</h2>
+                </div>
+                """
+            
+            # --- STATIC PART (Fetched from Cache) ---
+            static_updates = get_cached_static_content(lang)
+
+            # Combine: Dynamic + Static
+            return [
+                gr.update(visible=False),    # initial_loading
+                gr.update(visible=True),     # step_1
+                gr.update(value=stats_html), # stats_display (DYNAMIC)
+                f"<h1 style='text-align:center;'>{t(lang, 'title')}</h1>", # Title
+                f"<div style='text-align:center; padding:80px 0;'><h2>{t(lang, 'loading_personal')}</h2></div>", # Loading Text
+            ] + static_updates
+
         demo.load(fn=initial_load, inputs=None, outputs=update_targets)
 
         # --- Navigation Logic ---