Publikationen
218 Übereinstimmungen gefunden / 1-15 16-30 31-45 46-60 61-75 76-90 91-105 106-120 121-135 136-150 151-165 166-180 181-195 196-210 211-218
DZHW-Studienberechtigtenpanel 2012. Daten- und Methodenbericht zur 3. Befragungswelle des Studienberechtigtenjahrgangs 2012.Jahn, V., Spangenberg, H., Ohlendorf, D., Föste-Eggers, D., Niebuhr, J., Vietgen, S., & Euler, T. (2025).DZHW-Studienberechtigtenpanel 2012. Daten- und Methodenbericht zur 3. Befragungswelle des Studienberechtigtenjahrgangs 2012. Hannover: DZHW. Abstract
Das DZHW-Studienberechtigtenpanel 2012 ist Teil der DZHW-Studienberechtigtenbefragungsreihe, in der anhand von standardisierten Mehrfachbefragungen Informationen zu den nachschulischen Werdegängen von Schulabgänger*innen mit (schulischer) Hochschulzugangsberechtigung erfasst werden. In der Regel werden für jeden Studienberechtigtenjahrgang mehrere Befragungswellen zu unterschiedlichen Zeitpunkten vor und nach Erwerb der Hochschulzugangsberechtigung durchgeführt. Demnach handelt es sich um ein kombiniertes Kohorten-Panel-Design. Beim Studienberechtigtenpanel 2012 handelt es sich um die 19. Kohorte der Studienreihe mit aktuell drei Wellen. Vollständiger Abstract: https://doi.org/10.21249/DZHW:gsl2012:3.0.0 |
SurveyBot: A new era of web survey pretesting.Shahania, S., Spiliopoulou, M., & Broneske, D. (2025).SurveyBot: A new era of web survey pretesting. In I. Maglogiannis, L. Iliadis, A. Andreou, & A. Papaleonidas (Hrsg.), Artificial Intelligence Applications and Innovations. AIAI 2025. IFIP Advances in Information and Communication Technology. Cham: Springer. https://doi.org/10.1007/978-3-031-96235-6_29 |
Towards automatic bias analysis in multimedia journalism.Hinrichs, R., Steffen, H., Avetisyan, H., Broneske, D., & Ostermann, J. (2025).Towards automatic bias analysis in multimedia journalism. Discover Artificial Intelligence, 2025(5/112), 1-28. https://doi.org/10.1007/s44163-025-00362-1 |
Embracing NVM: Optimizing $B^𝜖$-tree structures and data compression in storage engines.Karim, S., Wünsche, F., Broneske, D., Kuhn, M., & Saake, G. (2025).Embracing NVM: Optimizing $B^𝜖$-tree structures and data compression in storage engines. In Binnig, C. et al. (Hrsg.), Datenbanksysteme für Business, Technologie und Web - Workshopband (BTW 2025) (S. 329-333). Bonn: Gesellschaft für Informatik. https://doi.org/10.18420/BTW2025-137 |
Publishing fine-grained standardized metadata – Lessons learned from three research data centers.Wenzig, K., Daniel, A., Hansen, D., Koberg, T., & Tudose, M. (2025).Publishing fine-grained standardized metadata – Lessons learned from three research data centers. 2025 (12). Berlin: Konsortium für die Sozial-, Verhaltens-, Bildungs- und Wirtschaftswissenschaften (KonsortSWD). |
A multi-objective evolutionary algorithm for detecting protein complexes in PPI networks using gene ontology.Abbas, M. N., Broneske, D., & Saake, G. (2025).A multi-objective evolutionary algorithm for detecting protein complexes in PPI networks using gene ontology. Scientific Reports, 15. https://doi.org/10.1038/s41598-025-01667-y |
Studienabbruch als Ausdruck problematischer Passungsverhältnisse im universitären Informatikstudium.Schneider, H. (2025).Studienabbruch als Ausdruck problematischer Passungsverhältnisse im universitären Informatikstudium. In H. Bremer & A. Lange-Vester (Hrsg.), Soziale Milieus und Habitus im Feld der Bildung (S. 107-122). Weinheim: Beltz Juventa. |
Datenschutzrechtliche Anforderungen bei Online-Umfragen.Buck, D., Herrenbrück, R., Jacob, K., Lukowski, F., Schneider, J., Thaut, A., & Verbund Forschungsdaten Bildung (2025).Datenschutzrechtliche Anforderungen bei Online-Umfragen. Frankfurt/Main: DIPF | Leibniz-Institut für Bildungsforschung und Bildungsinformation. https://doi.org/10.25656/01:33518 |
AutoML meets hugging face: Domain-aware pretrained model selection for text classification.Safikhani, P., & Broneske, D. (2025).AutoML meets hugging face: Domain-aware pretrained model selection for text classification. In A. Ebrahimi, S. Haider, E. Liu, M. L. Pacheco, & S. Wein (Hrsg.), Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 4: Student Research Workshop). Albuquerque, USA: Association for Computational Linguistics. Abstract
The effectiveness of embedding methods is crucial for optimizing text classification performance in Automated Machine Learning (AutoML). However, selecting the most suitable pre-trained model for a given task remains challenging. This study introduces the Corpus-Driven Domain Mapping (CDDM) pipeline, which utilizes a domain-annotated corpus of pre-fine-tuned models from the Hugging Face Model Hub to improve model selection. Integrating these models into AutoML systems significantly boosts classification performance across multiple datasets compared to baseline methods. Despite some domain recognition inaccuracies, results demonstrate CDDM’s potential to enhance model selection, streamline AutoML workflows, and reduce computational costs. |
NVM in data storage: A post-optane future.Karim, S., Wünsche, J., Kuhn, M., Saake, G., & Broneske, D. (2025).NVM in data storage: A post-optane future. ACM Digital Library, ACM Transaction on Storage, 2025. https://doi.org/10.1145/3731454 |
Following political science students through their methods training: Statistics anxiety, student satisfaction, and final grades in the COVID year 2021/22.Vierus, P., Elis, J., Goerres, A., & Höhne, J. K. (2025).Following political science students through their methods training: Statistics anxiety, student satisfaction, and final grades in the COVID year 2021/22. Politische Vierteljahresschrift (online first). https://doi.org/10.1007/s11615-025-00613-x |
VerbCraft: Morphologically-aware Armenian text generation using LLMs in low-resource settings.Avetisyan, H., & Broneske, D. (2025).VerbCraft: Morphologically-aware Armenian text generation using LLMs in low-resource settings. In ¦. A. Holdt, N. Ilinykh, B. Scalvini, M. Bruton, I. N. Debess, & C. M. Tudor (Hrsg.), Proceedings of the Third Workshop on Resources and Representations for Under-Resourced Languages and Domains (RESOURCEFUL-2025) (S. 111-119). Tallinn: University of Tartu Library, Estonia. |
Trendumfrage Forschungsdateninfrastrukturen 2024.Hartstein, J., Blümel, C., & Klein, D. (2025).Trendumfrage Forschungsdateninfrastrukturen 2024. Daten- und Methodenbericht. Hannover: DZHW. Abstract
Die Trendumfrage Forschungsdateninfrastrukturen 2024 (Umfrage FDI 2024) ist Teil der Begleitforschung zu den Nationalen Forschungsdateninfrastruktur (NFDI)-Basisdiensten (Base4NFDI). Die Umfrage FDI 2024 erfasst die Wahrnehmung, Nutzung und Bewertung bestehender und neuer Dateninfrastrukturen und Dienste in der deutschen Forschungslandschaft. Der Fokus liegt auf der Perspektive der (potenziellen) Nutzenden. |
Stata tip 160: Drop capture program drop from ado-files.Klein, D. (2025).Stata tip 160: Drop capture program drop from ado-files. The Stata Journal, 2025(1), 252-253. https://doi.org/10.1177/1536867X251322974 Abstract
I explain that -capture program drop- is useless in ado-files. While it prevents errors in do-files when redefining programs in memory, it either isn't executed or results in an error in ado-files. Moreover, in ado-files with local subroutines, -capture program drop- can mistakenly remove unrelated programs from memory. |
Tell me more! Using multiple features for binary text classification with a zero-shot model.Broneske, D., Italiya, N., & Mierisch, F. (2025).Tell me more! Using multiple features for binary text classification with a zero-shot model. In IEEE Institute of Electrical and Electronic Engineers (Hrsg.), 2024 International Conference on Machine Learning and Applications (ICMLA) (S. 1613-1620). Jacksonville, Florida, USA: IEEE Xplore. https://doi.org/10.1109/ICMLA61862.2024.00249 |
Kontakt
