Einleitung: Wie wir Arbeit besser machen
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ausgehend von der Prämisse, dass bessere Arbeit zu besseren Gesellschaften führt, besteht die Aufgabe der Einleitung dieser Themenausgabe von Transfer: European Review of Labour and Research darin festzustellen, was Arbeit besser oder schlechter macht, und wie wir Arbeit verbessern können. Da eine Vielzahl von Versuchsanordnungen mitbestimmend für die zukünftige Ausgestaltung unserer Volkswirtschaften und Gemeinschaften ist, besteht eine wichtige Herausforderung darin, gemeinsam etwas über diese Prozesse zu lernen und auf diese Weise einen Dialog über den Wunsch nach besserer Arbeit und über die Rahmenbedingungen anzuregen, die eine Verbesserung von Arbeitsbedingungen eher erschweren oder eher unterstützen. Damit ist die Aufforderung verbunden, sich von zu eng gefassten Vorstellungen von Arbeitsplatzqualität zu verabschieden und stattdessen mit einer umfassenderen Perspektive danach zu fragen, wie die Akteure der Arbeitswelt strategisch und innovativ vorgehen und vorhandene Unsicherheiten zu einem Aspekt der Suche nach nachhaltigen Lösungen für eine bessere Arbeitswelt machen. Zu den Schlüsselthemen gehören die Fragen, warum Arbeit besser gemacht werden muss, stattdessen aber oft schlechter wird; warum bessere Arbeit zu besseren Gesellschaften führt; wie Arbeit besser gestaltet werden kann; welche Rolle bestimmte Institutionen bei der Verbesserung der Arbeitswelt übernehmen können; und schließlich die Frage, inwiefern Gewerkschaftsstrategien für experimentelle Prozesse zur Verbesserung von Arbeit essenziell sind.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle