Impact erfassen und darstellen: Leitfaden zur Ermittlung von Indikatoren musealer Wissenstransferleistung
Bibliographic record
Abstract
Im Rahmen des Projekts „Indikatoren musealer Wissenstransferleistungen – Entwicklung eines Bewertungskonzepts für Transfer aus Forschungsmuseen am Beispiel des Museums für Naturkunde Berlin“ (im folgenden Deep Impact genannt) wurde eine Methodik entwickelt, die es ermöglicht, den Impact einer Forschungseinrichtung zu erfassen und darzustellen. Die Methodik besteht aus vier Schritten (Ermittlung der Impactziele, Ableitung von KPIs und Indikatoren, Einschätzung von KPIs und Kommunikation des Impacts) und kann durch eine für Impact zuständige Stelle an Forschungseinrichtungen koordiniert werden. Die Methodik bildet zudem den Ausgangspunkt für ein Impact Management, in dem Impact einrichtungsweit aktiv und systematisch adressiert und von Anfang an mitgedacht wird. Ergänzt wird die Methodik durch einen Vorschlag zur organisatorischen Implementierung derselben.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.002 |
| Meta-epidemiology (narrow) | 0.010 | 0.012 |
| Meta-epidemiology (broad) | 0.008 | 0.007 |
| Bibliometrics | 0.012 | 0.015 |
| Science and technology studies | 0.016 | 0.007 |
| Scholarly communication | 0.004 | 0.008 |
| Open science | 0.014 | 0.009 |
| Research integrity | 0.009 | 0.021 |
| Insufficient payload (model declined to judge) | 0.053 | 0.049 |
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; both teacher heads agree on what is shown here.
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".