Bibliographic record
Abstract
Gute Gesetzgebung ist ein zentrales Anliegen jedes Staates und jeder Gesellschaft. Sie trägt bei zum Schutz der Individualrechte, schafft geeignete Rahmenbedingungen für wirtschaftliche Tätigkeiten und sichert das optimale Funktionieren der Behörden. Wie kann sichergestellt werden, dass die Gesetzgebung die gebotene Qualität aufweist? Der 7. Kongress der European Association of Legislation ging unter dem Titel "Der lernende Gesetzgeber" auf diese Frage ein. Die Kongressbeiträge zeigen aus praktischer und wissenschaftlicher Perspektive auf, welche Maßnahmen getroffen werden oder getroffen werden können, um die Qualität der Gesetzgebung zu verbessern. Sie gehen dabei auf die Situation in einzelnen Ländern ein und berücksichtigen auch Bestrebungen auf internationaler, insbesondere europäischer Ebene. Gute Gesetzgebung setzt namentlich voraus, dass der Gesetzgeber lernbereit und -lernfähig ist. Deshalb kommt dem Gesetzgebungsverfahren und der Ausbildung für die legistische Arbeit besondere Bedeutung zu. Die Beiträge machen deutlich, welche Fortschritte in diesem Bereich in den letzten Jahren erzielt worden sind und welche Lücken und Mängel nach wie vor bestehen. Sie liefern wichtige Grundlagen für Wissenschafter, Praktiker und Politiker, die sich für eine qualitativ gute Gesetzgebung einsetzen.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.029 | 0.005 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.027 | 0.002 |
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".