Notice bibliographique
Résumé
Hintergrund und ZielsetzungDuisburg, insbesondere der Stadtteil Marxloh, steht exemplarisch für die sozialen und wirtschaftlichen Herausforderungen postindustrieller Umstrukturierungen.Dazu gehören sozioökonomische Benachteiligungen, die Folgen von Migration und die sogenannten »left behind«-Menschen und -Orte in Deutschland.Trotz der Herausforderungen gibt es zahlreiche Initiativen, die sich für eine bessere wirtschaftliche Absicherung, gesellschaftliche Teilhabe von Migrant:innen, sozialen Zusammenhalt und eine nachhaltige Entwicklung in Marxloh einsetzen.Dieser Artikel beschreibt einen Teil eines Aktionsforschungsprozesses (AF) im Rahmen meiner Dissertation (Palka 2025), bei dem lokale Akteur:innen an der Planung eines kollaborativen Lehrforschungsseminars an der Universität Duisburg-Essen beteiligt waren.Ziel des Seminars war es, kooperative Forschungspartnerschaften kennenzulernen und einen erfahrungsbasierten Lernansatz zu fördern.Die Studierenden lernten, wie man einen Forschungsvorschlag zur Schattenwirtschaft in Duisburg-Marxloh entwickelt, der mit den Prinzipien, der Politik und den Methoden der gemeinschaftsbasierten Forschung (Community-Based Research, CBR) übereinstimmt.CBR zielt darauf ab, Universitäten stärker mit der Gesellschaft zu verknüpfen, indem kollektives Lernen, Partnerschaften und praxisorientierte Problemlösungen gefördert werden (Strand et al. 2003).Dieser Forschungsansatz betont die Bedeutung von Erfahrungslernen und einer kritischen Auseinandersetzung mit den Zielen und Methoden der Sozialforschung -insbesondere mit der Frage, wessen Wissen einbezogen oder ausgeschlossen wird.Der Fokus dieses Beitrags liegt vorrangig auf der Phase der partizipativen Planung des Seminars sowie den daraus gewonnenen Erkenntnissen für den Lehrforschungsprozess.Das Lehrforschungsseminar selbst wird an anderer Stelle ausführlicher reflektiert (Palka 2024).
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,010 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,004 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».