Wohnen im Alter - Herausforderungen und Handlungsempfehlungen für Gemeinden am Beispiel der Gemeinde Weiz
Bibliographic record
Abstract
Ehrenwörtliche ErklärungIch erkläre ehrenwörtlich, dass ich die vorliegende Arbeit selbstständig und ohne fremde Hilfe verfasst, andere als die angegebenen Quellen nicht benutzt und die den Quellen wörtlich oder inhaltlich entnommenen Stellen als solche kenntlich gemacht habe.Die Arbeit wurde bisher in gleicher oder ähnlicher Form keiner anderen inländischen oder ausländischen Prüfungsbehörde vorgelegt und auch noch nicht veröffentlicht.Die vorliegende Fassung entspricht der eingereichten elektronischen Version.Mai 2016 Unterschrift Danksagungen An dieser Stelle möchte ich mich bei allen bedanken, die sich mit ihrem fachlichen Wissen eingebracht haben und mir eine emotionale Stütze während des Verfassens dieser Masterarbeit waren.Ich danke: Prof. Dr. Ulla Kriebernegg für ihre Unterstützung und die Betreuung bei meiner Masterarbeit.Ihre Herzlichkeit und Klarheit hat mir geholfen, meinen Faden zu finden und dank ihrer Betreuung, habe ich immer die passenden Worte gefunden. Gruber Ingrid, meiner Freundin und Arbeitskollegin, für ihre Ausdauer und Zeit.Mit ihren Fachkenntnissen hat sie mir geholfen, meine Gedanken zu ordnen und einen roten Faden zu finden.Ich bin ihr auch sehr dankbar für ihren Einsatz bezüglich der Korrekturen. Gerhard Ziegler für seinen Enthusiasmus.Mit seiner Idee, etwas für Weiz zu tun, hat er mich zum Thema der vorliegenden Masterarbeit geführt. Meiner Tochter Sarah für ihre Computerkompetenz.Mit ihrer Hilfe meisterte ich die Herausforderungen von Tabellen und Verzeichnissen. Meinem Mann Andi für sein Verständnis,
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.000 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
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".