Bibliographic record
Abstract
True Crime: Wahre Verbrechen, spektakuläre Todesfälle und mysteriöse Morde – ein Pathologe erzählt Die Leichenöffnung. Ein Blick in das Innere des Menschen. Für viele eine faszinierende, für manche eine gruselige oder gar abstoßende Vorstellung. Noch immer ranken sich zahlreiche Mythen und Horrorgeschichten um die Autopsie, viele davon mit Urängsten des Menschen verbunden, wie etwa die seit der Antike bestehende Bangnis, bei lebendigem Leibe begraben zu werden. Gerade aus diesem Grund ist es wichtig, die Totenschau besonders gewissenhaft durchzuführen. Roland Sedivy gewahrt einen spannenden Einblick in den Beruf des Pathologen. Fundiert und mit einer großen Portion Humor erzählt er von den Anfängen der Autopsie und teils makabren, teils rätselhaften Fällen.True Crime Stories direkt aus der LeichenhalleBerühmte Todesfälle aufgeklärtFaszinierende Autopsie-Geschichten, bei denen man nicht wegsehen kannFür Fans von Michael Tsokos, Mark Benecke und Romy HausmannProfessor Roland Sedivy ist Experte der Obduktion und nimmt die Lesenden mit in die spannende und schockierende Welt der Pathologie – von ihrer Geschichte über ihr Zusammenspiel mit der Kriminologie bis hin zu den ungewöhnlichsten Fällen von Mord, Selbstmord und gar Hingerichteten, die am Ende doch noch lebten. Alle, die Nervenkitzel mögen und schon immer mal einen Blick über die Schulter des Obduzenten werfen wollten, kommen hier auf ihre Kosten. Sie erfahren, wie man dank Totenflecken und Todesstarre den Todeszeitpunkt bestimmt … und vieles mehr aus der Welt der Rechtsmedizin.Aus dem Inhalt:Der Fall Anna Voigt – Mord oder TotgeburtOperation gelungen, Patient tot. Ärztepfusch oder Schicksal?Lucy - eine Inuit aus dem Grab geholt - wieder erwecktes Pandemie-Virus der spanischen Grippe1000 Leichen obduziert und keine Seele gefundenEinsteins Hirn und Beethovens Gehörgang - die Suche nach dem Genie
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.790 | 0.598 |
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".