Einleitung: Wie wir Arbeit besser machen
Bibliographic record
Abstract
Ausgehend von der Prämisse, dass bessere Arbeit zu besseren Gesellschaften führt, besteht die Aufgabe der Einleitung dieser Themenausgabe von Transfer: European Review of Labour and Research darin festzustellen, was Arbeit besser oder schlechter macht, und wie wir Arbeit verbessern können. Da eine Vielzahl von Versuchsanordnungen mitbestimmend für die zukünftige Ausgestaltung unserer Volkswirtschaften und Gemeinschaften ist, besteht eine wichtige Herausforderung darin, gemeinsam etwas über diese Prozesse zu lernen und auf diese Weise einen Dialog über den Wunsch nach besserer Arbeit und über die Rahmenbedingungen anzuregen, die eine Verbesserung von Arbeitsbedingungen eher erschweren oder eher unterstützen. Damit ist die Aufforderung verbunden, sich von zu eng gefassten Vorstellungen von Arbeitsplatzqualität zu verabschieden und stattdessen mit einer umfassenderen Perspektive danach zu fragen, wie die Akteure der Arbeitswelt strategisch und innovativ vorgehen und vorhandene Unsicherheiten zu einem Aspekt der Suche nach nachhaltigen Lösungen für eine bessere Arbeitswelt machen. Zu den Schlüsselthemen gehören die Fragen, warum Arbeit besser gemacht werden muss, stattdessen aber oft schlechter wird; warum bessere Arbeit zu besseren Gesellschaften führt; wie Arbeit besser gestaltet werden kann; welche Rolle bestimmte Institutionen bei der Verbesserung der Arbeitswelt übernehmen können; und schließlich die Frage, inwiefern Gewerkschaftsstrategien für experimentelle Prozesse zur Verbesserung von Arbeit essenziell sind.
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 | 0.013 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.076 | 0.031 |
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".