Betriebe und Geflüchtete: 36 Interviews in Betrieben im vierten Quartal 2016
Bibliographic record
Abstract
Der vorliegende Bericht beschreibt die Durchführung von 36 Experteninterviews mit Personalverantwortlichen zum Thema betriebliche Erfahrungen mit Geflüchteten und stellt die gewonnenen Erkenntnisse in strukturierter Weise zusammen. Diese wurden im vierten Quartal 2016 vertieft zu den aus betrieblicher Sicht wahrgenommenen Chancen und Risiken bei der Integration von Flüchtlingen in den deutschen Arbeitsmarkt interviewt. Bei der großen Mehrheit der befragten Unternehmen besteht eine große Bereitschaft, einen Beitrag zur Integration von Geflüchteten in den Arbeitsmarkt zu leisten. Der betriebliche "Nutzen" bzw. die Relevanz der geschilderten Probleme hängt stark an dem zu besetzenden qualifikationsspezifischen Tätigkeitsfeld. Als positiv wurde seitens der befragten Betriebe die Motivation zur Arbeitsaufnahme der Geflüchteten hervorgehoben. Die Hauptgründe, die einer gelingenden Integration in den Arbeitsmarkt entgegenstehen, sind: mangelnde Sprachkenntnisse, mangelnde Fachkenntnisse und bestehende kulturelle Unterschiede. Mangelnde Sprachkenntnisse wurden seitens vieler Befragter als das größte Hindernis für eine erfolgreiche Integration in den deutschen Arbeitsmarkt eingeschätzt.
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 | 0.008 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".