Bibliographic record
Abstract
Editorial: DasGelingen der Künstlichen Natürlichkeit Mensch-Sein an den Grenzen des Lebens unterden Bedingungen disruptiverBiotechnologien 1Z uden historischen Kontexten des BandesDie Aufsätze, die der vorliegende Band versammelt,sind im Laufe des Jahres 2020 bzw.imF rühjahr des Jahres 2021 entstanden.Sie stammendamit auseiner Zeit, die vond er globalen Corona-Krise und den politischen Maßnahmen und soziokulturellen Praktikenihrer Bewältigung bestimmt war.Vordem Hintergrund dieser Entwicklungengeht der Band Fragen nach dem Mensch-Sein unter den Bedingungen disruptiver Biotechnologien nach.Die dis-ruptivenBiotechnologien, die sich der vorliegende Band zum Gegenstand macht, gehören zu den sogenannten Konvergenz-bzw.NBIC-Wissenschaften und -Technologien: den Nano-, Bio-, Info-u nd Kognitionswissenschafteni ncl.Neurowissenschaftenu nd Hirnforschung (vgl.C oenen 2008, 107).Im Zentrum der Konvergenzen zwischend iesen Wissenschaften und Technologien stehen die Verzahnungen innerhalb der Hirn-und Computerwissenschaften: bei der Entwicklungihrer Theoriender natürlichen und künstlichen neuronalen Netze, dem Bauv on Künstlicher Intelligenz (künftig: KI), vonbildgebenden Verfahren in der Hirnforschung,v on Neuroimplantaten, Gehirn-Maschine-Schnittstellen.Die Kooperationen der NBIC-Wissenschaften und -Technologien werden seit der Jahrtausendwende in den Ländern des globalen Nordens politisch stark gefördert(vgl.ebd., 79-214).Dabei standen insbesondere die US-amerikanischen NBIC-Initiativen, die Anfang der Jahrtausendwende unter maßgeblicher Beteiligungd er National ScienceF oundation, des Handelsministeriums und Teilen der Militärforschung ergriffen wurden, unter dem Vorzeichen transhumanistischer Utopien (vgl.ebd., 109-119).Mit Hilfe dieser neuartigen Technologien sollten das individuelle Mensch-Sein optimiert,ökonomisches Wachstum generiert und nationale Sicherheit garantiertw erden.Innerhalb der NBIC-
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 | 0.009 | 0.030 |
| Meta-epidemiology (narrow) | 0.006 | 0.002 |
| Meta-epidemiology (broad) | 0.006 | 0.003 |
| Bibliometrics | 0.008 | 0.004 |
| Science and technology studies | 0.007 | 0.004 |
| Scholarly communication | 0.013 | 0.006 |
| Open science | 0.005 | 0.003 |
| Research integrity | 0.021 | 0.020 |
| Insufficient payload (model declined to judge) | 0.027 | 0.018 |
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".