Einleitung: Institutionelles Experimentieren für bessere (oder schlechtere) Arbeit
Bibliographic record
Abstract
In unterschiedlichen nationalen, institutionellen und organisationalen Kontexten und unter ungewissen Bedingungen versuchen traditionelle und neue Arbeitnehmerorganisationen Antworten auf die Frage zu finden, wie mit den großen Konfliktlinien der Veränderungen umzugehen ist, mit denen sie konfrontiert werden. Die Einleitung zu dieser Themenausgabe befasst sich vorrangig mit diesem Prozess des Experimentierens: der Disruption traditioneller Formen der Regulierung von Arbeit und Beschäftigung; wie unterschiedliche Akteure in die experimentierenden Modelle der Governance von Arbeit und Beschäftigung eingebunden werden; wie diese Akteure Forderungen an den Staat stellen; wie diese Prozesse zu besseren oder schlechteren Arbeitsbedingungen führen können; und wie eine große Bandbreite an Fähigkeiten und eine besondere Konfiguration von Ressourcen der Experimentierenden einen Beitrag zu neuen Formen der Regulierung der Arbeit leisten und damit auch zu besserer Arbeit führen können. Zu den wichtigen Themen gehören die Agency und die Resilienz der Akteure und ihre Entwicklung neuer kollektiver Fähigkeiten, die Bedeutung von Deliberation und Demokratie, die strategische und reflexive Natur des Experimentierens, die potenzielle Übertragbarkeit des Experimentierens hin zu neuen Formen der Institutionalisierung bei gleichzeitiger Integration von grundlegenden Werten wie Gleichheit, Solidarität und Demokratie und neue Formen aggregierter Erkenntnisse, die einen ständigen Dialog zwischen Akteuren und Forschenden erfordern.
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 | 0.012 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.098 | 0.024 |
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".