Can generative AI transform data quality? A critical discussion of ChatGPT’s capabilities. Azeroual, O. (2024). Can generative AI transform data quality? A critical discussion of ChatGPT’s capabilities. Academia Engineering, 2024(4). https://doi.org/10.20935/AcadEng7407
|
Security of AI-Powered Systems: Threat Intelligence on the Edge. Nacheva, R., & Azeroual, O. (2024). Security of AI-Powered Systems: Threat Intelligence on the Edge. In Yaşar, E. et al. (Hrsg.), 8th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), 07-09 November 2024. (S. 1-6). Ankara, Turkiye: IEEE.
|
Governance-Strukturen und Governance-Praxen in der beruflichen Bildung. Herausforderungen und Gestaltungsfragen für die berufliche Bildung. Digitale Festschrift für Susan Seeber zum 60. Geburtstag, hrsg. v. Michaelis, C./Busse, R./Wuttke, E./Fürstenau, B. Schrader, J., Euler, D., Kohl, J., & Kerst, C. (2024). Governance-Strukturen und Governance-Praxen in der beruflichen Bildung. Herausforderungen und Gestaltungsfragen für die berufliche Bildung. Digitale Festschrift für Susan Seeber zum 60. Geburtstag, hrsg. v. Michaelis, C./Busse, R./Wuttke, E./Fürstenau, B. bwp@ Berufs- und Wirtschaftspädagogik - online, Profil 10, 1-18.
Abstract
Der Beitrag beschäftigt sich mit den Governance-Strukturen und –praxen im Feld der beruflichen Bildung. In Anlehnung an das Schwerpunktkapitel des Nationalen Bildungsberichts 2024 wird zunächst das Feld der beruflichen Bildung weit interpretiert. Wir zählen zu ihr die berufliche Orientierung, die Berufsausbildung, die hochschulische Bildung sowie die berufliche Weiterbildung. Nach einer Skizze der internationalen Governance-Debatte werden die Governance-Strukturen und –praxen in den Bereichen und Sektoren beruflicher Bildung darstellt. Abschließend wird skizziert, wie sich das begriffliche Instrumentarium der Governance-Forschung nutzen ließe, um die Funktionalität der Steuerung beruflicher Bildung empirisch beurteilen zu können.
|
Smart Data Stewardship: Innovating Governance and Quality with AI. Azeroual, O. (2024). Smart Data Stewardship: Innovating Governance and Quality with AI. In L. Gruenwald, E. Masciari, & J. Bernardino (Hrsg.), Proceedings of the 16th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management (S. 187-196). Porto, Portugal: SciTePress - Science and Technology Publications, Lda.. https://doi.org/10.5220/0012918200003838
|
" Dear Colleague " : Effects of Personalization in Survey Invitations to Scientists in Germany. Heger, C., & Ambrasat, J. (2024). "Dear Colleague": Effects of Personalization in Survey Invitations to Scientists in Germany. Web: SocArxiv.
|
Ethical aspects using AI in CRIS. Azeroual, O., Schöpfel, J., Störl, U., & Maru¨ić, A. (2024). Ethical aspects using AI in CRIS. Procedia Computer Science, 2024(249), 150-159. https://doi.org/10.1016/j.procs.2024.11.058
|
Knowledge Graphs – The Future of Integration in CRIS Systems for Uses of Assistance to Scientific Reasoning. Fabre, R., & Azeroual, O. (2024). Knowledge Graphs – The Future of Integration in CRIS Systems for Uses of Assistance to Scientific Reasoning. Procedia Computer Science, 2024(249), 264-279. https://doi.org/10.1016/j.procs.2024.11.072
|
From Open Repositories to CRIS - A Case Study. Schöpfel, J., Azeroual, O., Chaudiron, S., Jacquemin, B., Kergosien, E., Prost, H., & Thiault, F. (2024). From Open Repositories to CRIS - A Case Study. Procedia Computer Science, 2024(249), 173-178. https://doi.org/10.1016/j.procs.2024.11.061
|
Bridging the evidence use gap between higher education research and science studies, policy and practice – Notions and functions of intermediaries. Wegner, A. (2024). Bridging the evidence use gap between higher education research and science studies, policy and practice – Notions and functions of intermediaries. In STI2024 (Hrsg.), Proceedings of the 28th International Conference on Science, Technology and Innovation Indicators (STI2024). Berlin: Zenodo.
|
Bildungsprozesse im Lebensverlauf: Dynamiken im Erwerb von allgemeinbildenden Bildungsabschlüssen. Ordemann, J., & Maaz, K. (2024). Bildungsprozesse im Lebensverlauf: Dynamiken im Erwerb von allgemeinbildenden Bildungsabschlüssen. In G. Quenzel, K. Hurrelmann, J. Groß Ophoff, & C. Weber (Hrsg.), Handbuch Bildungsarmut (S. 1-24). Wiesbaden: Springer.
|
Gender bias in grant allocation shows a decline over time. van den Besselaar, P., Möller, T., Mom, C., Cruz-Castro, L., & Cruz-Castro, L. (2024). Gender bias in grant allocation shows a decline over time. In STI 2024 (Hrsg.), Proceedings of the 28th International Conference on Science, Technology and Innovation Indicators (STI2024). Berlin: STI2024. https://doi.org/10.5281/zenodo.14176637
|
Are there factors that influence the quality of funding acknowledgements in publications? Möller, T., Scheidt, B., & Meier, A. (2024). Are there factors that influence the quality of funding acknowledgements in publications? In STI2024 (Hrsg.), Proceedings of the 28th International Conference on Science, Technology and Innovation Indicators (STI2024). Berlin: STI2024. https://doi.org/10.5281/zenodo.14174157
|
Is academic freedom associated with strong science? Lovakov, A. (2024). Is academic freedom associated with strong science? In STI2024 (Hrsg.), Proceedings of the 28th International Conference on Science, Technology and Innovation Indicators (STI2024). Berlin: STI2024. https://doi.org/10.5281/zenodo.14168639
|
Funding decision and applicants' careers. A case study of an early career grant. Möller, T. (2024). Funding decision and applicants' careers. A case study of an early career grant. In STI2024 (Hrsg.), Proceedings of the 28th International Conference on Science, Technology and Innovation Indicators (STI2024). Berlin: STI2024. https://doi.org/10.5281/zenodo.14171970
|
Data inaccuracy quantification and uncertainty propagation for bibliometric indicators. Donner, P. (2024). Data inaccuracy quantification and uncertainty propagation for bibliometric indicators. Research Evaluation, 33. https://doi.org/10.1093/reseval/rvae047
Abstract
This study introduces an approach to estimate the uncertainty in bibliometric indicator values that is caused by data errors. This approach utilizes Bayesian regression models, estimated from empirical data samples, which are used to predict error-free data. Through direct Monte Carlo simulation—drawing many replicates of predicted data from the estimated regression models for the same input data—probability distributions for indicator values can be obtained which provide the information on their uncertainty due to data errors. [...]
|
