Völkerverständigung vor der Haustür
Bibliographic record
Abstract
Liebe Leserin, lieber Leser, mehrere Hunderttausend Flüchtlinge sind in diesem Jahr bereits nach Deutschland gekommen. Unter den ehrenamtlichen Helfern sind auch zahlreiche Ärzte – und das scheint vielerorts nötig zu sein: Einerseits gibt es rein organisatorisch Engpässe bei der gesetzlich vorgeschriebenen Versorgung. Andererseits deckt die auch nicht alles ab, was vielleicht nötig wäre, denn vorgesehen sind nur Basisleistungen: In den Erstaufnahmestellen der Länder findet die sog. Erstuntersuchung durch das Gesundheitsamt bzw. beauftragte Ärzte statt. Sie versorgen akute Notfälle und testen die Ankömmlinge u. a. auf Lungentuberkulose. Anschließend werden die Flüchtlinge auf Kommunen und Landkreise verteilt. Dort haben sie in den ersten 15 Monaten nur Anspruch auf die Behandlung „akuter Erkrankungen und Schmerzzustände“ inkl. der nötigen Arznei- und Verbandmittel sowie Impfungen. Schwangere und teilweise auch Kinder bekommen die gesetzliche Regelversorgung. Abgerechnet werden die ärztlichen Leistungen mit dem jeweiligen Sozialhilfeträger. Bis vor Kurzem musste der Patient Arztbesuche vorher dort beantragen und bekam einen Berechtigungsschein. Um dies zu vereinfachen, haben einige Bundesländer inzwischen eine Versichertenkarte für Flüchtlinge eingeführt, weitere wollen sich anschließen. Was genau der Arzt aber letztlich abrechnen kann, ist je nach zuständiger Behörde unterschiedlich. Informationen dazu findet man auf den Webseiten von Ärztekammern und Kassenärztlichen Vereinigungen. Leichter zu lösen sind evtl. die Verständigungsprobleme: Verschiedene Organisationen bieten im Internet mehrsprachige Anamnese-, Aufklärungs- und Therapiepläne an ( http://www.medi-bild.de , http://www.armut-gesundheit.de , http://www.rki.de ). Ebenfalls gut zu wissen: Die Berufshaftpflicht-Versicherungen decken üblicherweise auch die ehrenamtliche Behandlung von Flüchtlingen ab. In manchen Bundesländern sind Sie auch staatlich abgesichert („Staatshaftung“). Einem Engagement steht also grundsätzlich nichts im Wege – von der eigenen knappen Zeit abgesehen. Aber wenn Sie ein wenig davon erübrigen können: Es lohnt sich! Zum Beispiel, weil „die Flüchtlinge“ so Namen und Gesichter bekommen. Weil man sich nur gegenseitig schätzen kann, wenn man sich kennenlernt. Und vielleicht auch, weil man auf einen Minz-Tee oder einen Kaffee mit Kardamom eingeladen wird. Ihr Gegenüber freut sich sicher, wenn Sie dies nicht ablehnen. Ihre Herausgeber und Ihre Redaktion Herausgeber P. Galle, Mainz G. Geldner, Ludwigsburg A. Königsrainer, Tübingen F.-G. B. Pajonk, Schäftlarn Experten-Panel P. Berlit, Essen S. Bleich, Hannover J. Bossenmayer, Stuttgart H.- P. Bruch, Lübeck M. Christ, Nürnberg B. Debong, Karlsruhe J. Glatzle, Konstanz T. Hemmerling, Montreal D. F. Hollo, Celle J. Riemann, Ludwigshafen Schlichtungsstelle für Arzthaftpflichtfragen der norddeutschen Ärztekammern, Hannover Redaktion Julia Hecht Dr. Julia RojahnGeorg Thieme Verlag KG Rüdigerstraße 1470469 Stuttgart E-Mail: legeartis@thieme.de Im Internet Aktuelle Ausgabe: http://www.thieme.de/legeartis Online-Archiv: http://www.thieme-connect.de/products Ärztliche Weiterbildung auf Facebook: ThiemeliebtAerzteinWeiterbildung
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.298 | 0.119 |
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".