Wie Sie eine gute Beziehung zum Kunden herstellen
Bibliographic record
Abstract
ZusammenfassungWie bildet man sich eine Meinung über einen anderen? Wie versucht man zu erfahren, was für ein Mensch der andere ist? Nach Dr. Albert Mehrabian entscheiden in einem Gespräch, bei dem man sich sieht, 55 Prozent die Körpersprache, 37 Prozent die Stimme und 7 Prozent der Inhalt der Worte darüber, welchen Eindruck ein Gesprächspartner vom anderen gewinnt. Wahrnehmungsübungen in Seminaren bestätigen diese zunächst kaum vorstellbare Größenordnung immer wieder. Tatsächlich denkt man im Allgemeinen zumeist nur über die Wirkung der Worte nach: noch während der andere spricht, werden in Gedanken die Gegenargumente formuliert. Das wird schließlich schon während der Schulausbildung so gemacht. Dort ist es für eine gute Zensur wichtig, Wissen zu formulieren. Wie die Stimme dabei klingt und welche Figur jemand bei einer mündlichen Leistungskontrolle abgibt, ist für die gute Note zumeist nicht so wichtig. Beim Aufsagen Open image in new window Abbildung 3 Wie Kommunikation stattfindet von Gedichten ist der Klang der Stimme allerdings auch in der Schule interessant. Entsinnen Sie sich? Da gab es eine Zensur für das Auswendiglernen (für die Worte) und eine für den Ausdruck (Klang der Stimme), wenn es gelang, das Versmaß richtig zu erfassen oder eine bestimmte Aussage in die Worte zu legen.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.012 | 0.013 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.005 | 0.006 |
| Insufficient payload (model declined to judge) | 0.158 | 0.092 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".