Publikationen
263 Übereinstimmungen gefunden / 1-15 16-30 31-45 46-60 61-75 76-90 91-105 106-120 121-135 136-150 151-165 166-180 181-195 196-210 211-225 226-240 241-255 256-263
DZHW-Studienberechtigtenpanel 2018. Daten- und Methodenbericht zum DZHW-Studienberechtigtenpanel 2018 (1.–3. Befragungswelle).Woisch, A., Franke, B., Quast, H., Föste-Eggers, D., Mentges, H., ... & Steins, H. (2026).DZHW-Studienberechtigtenpanel 2018. Daten- und Methodenbericht zum DZHW-Studienberechtigtenpanel 2018 (1.–3. Befragungswelle). Hannover: DZHW. https://doi.org/10.21249/DZHW:gsl2018:3.0.0 Abstract
Das DZHW-Studienberechtigtenpanel 2018 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 2018 handelt es sich um die 21. Kohorte der Befragungsreihe, von der zunächst die Daten der ersten Befragung [...] Vollständiger Abstract: https://doi.org/10.21249/DZHW:gsl2018:3.0.0 |
DZHW Panel Study of School Leavers with a Higher Education Entrance Qualification 2018. Data and Methodology Report on the DZHW Panel Study of School Leavers with a Higher Education Entrance Qualification 2018 (1st–3rd survey waves).Woisch, A., Franke, B., Quast, H., Föste-Eggers, D., Mentges, H., ... & Steins, H. (2026).DZHW Panel Study of School Leavers with a Higher Education Entrance Qualification 2018. Data and Methodology Report on the DZHW Panel Study of School Leavers with a Higher Education Entrance Qualification 2018 (1st–3rd survey waves). Hannover: DZHW. https://doi.org/10.21249/DZHW:gsl2018:3.0.0 Abstract
The DZHW-Panel Study of School Leavers 2018 is part of the DZHW-Panel Study of School Leavers survey series, in which standardized multiple surveys are used to collect information on the post-school careers of school leavers with a (school) higher education entrance qualification. As a rule, several survey waves are conducted at different times before and after the acquisition of the higher education entrance qualification. Accordingly, this is a combined cohort-panel design. The panel 2018 is the 21st cohort of the survey series of which the data of the first survey wave will be published first. One of the main focal points is the topic of diversity, with a particular focus [...] Full Abstract: https://doi.org/10.21249/DZHW:gsl2018:3.0.0. |
Wissenschaft weltoffen 2026.Netz, N., Knüttgen, N., Osterburg, M., Kercher, J., & Fuge, I. (2026).Wissenschaft weltoffen 2026. Daten und Fakten zur Internationalisierung von Studium und Forschung in Deutschland und weltweit. Bielefeld: wbv. Abstract
Seit mehr als 25 Jahren liefert „Wissenschaft weltoffen“ Daten, Fakten und Hintergründe zur Internationalisierung von Studium und Forschung. Die Publikation bietet Hochschulen, der Wissenschaft, der Politik und den Medien eine fundierte Informationsgrundlage und macht aktuelle Entwicklungen sowie langfristige Trends sichtbar. |
DZHW-Promoviertenpanel 2014. Daten- und Methodenbericht zu den Erhebungen der Promoviertenkohorte 2014 (Befragungswelle 1-10); Version 6.0.0.Brandt, G., Briedis, K., de Vogel, S., Jaksztat, S., Lapstich, A.-M., ... & Wallis, M. (2026).DZHW-Promoviertenpanel 2014. Daten- und Methodenbericht zu den Erhebungen der Promoviertenkohorte 2014 (Befragungswelle 1-10); Version 6.0.0. Hannover: DZHW. https://doi.org/10.21249/dzhw:phd2014-dmr-de:6.0.0 Abstract
Das DZHW-Promoviertenpanel 2014 ist eine Panelstudie des DZHW zu den Karrieren Promovierter. Im Rahmen der Studie wird untersucht, welche Einflüsse die formalen Promotionskontexte und die konkreten Lern- und Entwicklungsbedingungen, die Promovierte während ihrer Promotionsphase vorgefunden haben, auf den beruflichen Übergang nach der Promotion und auf den weiteren Berufsverlauf innerhalb und außerhalb der Wissenschaft ausüben. Die Grundgesamtheit der Befragung umfasst alle Personen, die im Prüfungsjahr 2014 in Deutschland an einer Hochschule mit Promotionsrecht eine Promotion abgeschlossen haben. [...] Vollständiger Abstract: https://doi.org/10.21249/DZHW:phd2014:6.0.0 |
Charting the benchmarking landscape – A survey of benchmarks for modern memory architectures.Broneske, D., Köhler, S., Karim, S., Jibril, M. A., Herzog, B., ... & Vögele, M. (2026).Charting the benchmarking landscape – A survey of benchmarks for modern memory architectures. BenchCouncil Transactions on Benchmarks, Standards and Evaluation. https://doi.org/10.66834/4gb7n382 |
Bots in Online-Umfragen: Eine Evaluation der Fähig- und Fertigkeiten.Höhne, J. K., Claaßen, J., Shahania, S., & Broneske, D. (2026).Bots in Online-Umfragen: Eine Evaluation der Fähig- und Fertigkeiten. (DZHW Brief 05|2026). Hannover: DZHW. https://doi.org/10.34878/2026.05.dzhw_brief Abstract
Bots lassen sich in Online-Umfragen unter anderem durch auffällig hohe Abschlussraten, Item-Nonresponse, nicht substanzielle Antworten bei offenen Fragen, auffälliges Antwortverhalten bei CATA-Fragen, unplausible Bearbeitungszeiten, inkonsistente Angaben sowie durch Analyse von Paradaten wie Tastatureingaben erkennen. |
TOMOC: a topology-driven multi-objective evolutionary framework for robust overlapping protein complex detection in noisy PPI networks.Abbas, M., Broneske, D., & Saake, G. (2026).TOMOC: a topology-driven multi-objective evolutionary framework for robust overlapping protein complex detection in noisy PPI networks. BMC Bioinformatics 27. https://doi.org/10.1186/s12859-026-06603-z |
Evaluation of subgraph querying from databases for mini-batch training of graph neural networks.Walke, D., Pandey, S., Saake, G., Jarasch, A., Broneske, D., & Heyer, R. (2026).Evaluation of subgraph querying from databases for mini-batch training of graph neural networks. In R. Wrembel, G. Kotsis, A. M. Tjoa, & I. Khalil (Hrsg.), Database and Expert Systems Applications. DEXA 2026. Lecture Notes in Computer Science (S. 69-84). Cham: Springer. https://doi.org/10.1007/978-3-032-34374-1_6 |
AI automated publishing in social media journalism: Is new content on Facebook becoming softer?Petruccio, P., Niemann-Lenz, J., & Schatto-Eckrodt, T. (2026).AI automated publishing in social media journalism: Is new content on Facebook becoming softer? Digital Journalism, 1-22. https://doi.org/10.1080/21670811.2026.2706053 |
DZHW-Promoviertenpanel 2014. Daten- und Methodenbericht zu den Erhebungen der Promoviertenkohorte 2014 (Befragungswelle 1-7).Brand, G., Briedis, K., de Vogel, S., Jaksztat, S., Lapstich, A.-M., ... & Wallis, M. (2026).DZHW-Promoviertenpanel 2014. Daten- und Methodenbericht zu den Erhebungen der Promoviertenkohorte 2014 (Befragungswelle 1-7). Hannover: DZHW. https://doi.org/10.21249/dzhw:phd2014-dmr-de:5.0.0 Abstract
Das DZHW-Promoviertenpanel 2014 ist eine Panelstudie des DZHW zu den Karrieren Promovierter. Im Rahmen der Studie wird untersucht, welche Einflüsse die formalen Promotionskontexte und die konkreten Lern- und Entwicklungsbedingungen, die Promovierte während ihrer Promotionsphase vorgefunden haben, auf den beruflichen Übergang nach der Promotion und auf den weiteren Berufsverlauf innerhalb und außerhalb der Wissenschaft ausüben. Die Grundgesamtheit der Befragung umfasst alle Personen, die im Prüfungsjahr 2014 in Deutschland an einer Hochschule mit Promotionsrecht eine Promotion abgeschlossen haben. Die Befragung ist als Vollerhebung angelegt, um eine ausreichend große [...] Vollständiger Abstract: https://doi.org/10.21249/DZHW:phd2014:5.0.0 |
TF-MOEA + : A multi-objective evolutionary framework with self-adaptive topological-functional mutation for protein complex detection.Abbas, M. N., Broneske, D., & Saake, G. (2026).TF-MOEA + : A multi-objective evolutionary framework with self-adaptive topological-functional mutation for protein complex detection. IEEE Transactions on Computational Biology and Bioinformatics, 1-14. https://doi.org/10.1109/tcbbio.2026.3710847 |
A multi-objective evolutionary algorithm integrating topological and gene ontology information for overlapping protein complex detection.Abbas, M. N., Broneske, D., & Saake, G. (2026).A multi-objective evolutionary algorithm integrating topological and gene ontology information for overlapping protein complex detection. IEEE Transactions on Computational Biology and Bioinformatics, 1-14. https://doi.org/10.1109/tcbbio.2026.3710850 |
Nacaps 2020. Daten- und Methodenbericht zur Datenpaketversion 1.0.0 der National Academics Panel Study 2020 (1.-2. Befragungswelle).
Nacaps 2020. Daten- und Methodenbericht zur Datenpaketversion 1.0.0 der National Academics Panel Study 2020 (1.-2. Befragungswelle). Hannover: DZHW. https://doi.org/10.21249/DZHW:nac2020-dmr-de:1.0.0 Abstract
Nacaps steht für „National Academics Panel Study“ („Nationales Akademikerpanel“) und ist eine Längsschnittstudie zu Promovierenden und Promovierten in Deutschland, die bis einschließlich 2024 vom Bundesministerium für Bildung und Forschung (BMBF) gefördert wurde. Ziel des Projekts ist es, sowohl deutschlandweit repräsentative Querschnittsdaten zu den Qualifizierungsbedingungen als auch Längsschnittdaten zu den individuellen Erwerbs- und Karriereverläufen Promovierender und Promovierter innerhalb und außerhalb der Wissenschaft zu erheben. Die Nacaps-Studienreihe ist dabei als Multi-Kohorten-Panel-Design konzipiert. [...] Vollständiger Abstract: https://doi.org/10.21249/DZHW:nac2020:1.0.0 |
The imitation game: Evaluating persona-driven LLM response behavior in web surveys.Shahania, S., Spiliopoulou, M., & Broneske, D. (2026).The imitation game: Evaluating persona-driven LLM response behavior in web surveys. In Wong, R. et al. (Hrsg.), Advances in Knowledge Discovery and Data Mining (S. 474-486). Singapore: Springer. https://doi.org/10.1007/978-981-92-1468-6_33 |
GraphAware: Interpretable machine learning on graphs.Walke, D., Steinbach, D., Schönhuth, A., Saake, G., Broneske, D., & Heyer, R. (2026).GraphAware: Interpretable machine learning on graphs. Discover Artificial Intelligence 6, 1-345. https://doi.org/10.1007/s44163-026-01028-2 |
Kontakt
