Green Management Umweltschutz im Büro & grüne Geschäftsideen umsetzen
Bibliographic record
Abstract
Intro -- Impressum -- Einleitung -- Inhalt des Buches -- Aufbau und Struktur des Buches -- Infos nach Wunsch und Zusatzmaterial zum Buch! -- Personalisierbare eBooks und eKurse buchen -- Unser Wirtschaftssystem macht Umwelt und Mensch kaputt: Das können Unternehmen tun - 4 Tipps // Von Simone Janson -- Nur künstliches Wachstum bringt die Wirtschaft voran? -- Was ist das Ergebnis? -- Die Lösung: DIY auf dem Vormarsch? -- Eine neue Maker-Kultur als Vorbild für Unternehmen? -- Mitgestaltung hilft, nachhaltiger und besser zu arbeiten -- Führungskräfte: Nachhaltigkeit im Unternehmen voranbringen -- 4 Tipps zur Förderung von nachhaltiger Produktivität -- Warum Social Entrepreneurs auf dem Vormarsch sind: Zukunftstrend Unternehmen und Soziale Verantwortung // Von Simone Janson -- Innovationen in innovationsfernen Bereichen -- Das Schweizer Cappuccino-Modell als Vorbild -- Weg vom Konflikt Markt vs. Staat -- Die Moralisierung von Unternehmen boomt -- Manager mit Sozialer Verantwortung -- Social Entrepreneur und Öko-Tourismus in Neuseeland: Businessplan im Regenwald // Von Simone Janson -- Studienfinanzierung durch Wildschweinjagd -- 6 Jahre am neuseeländischen Nationalmuseum -- Geld und Karriere machen nicht glücklich -- Businessplan nach Stammestradition -- Wanderungen und Busch-Camp -- Ein Unternehmer, der nicht zu groß werden will -- Wie nachhaltig ist Tourismus? -- [Gründer-Report] Öko-Fashion-Week in Vancouver: Nachhaltig die Welt verbessern // Von Simone Janson -- Vom Buyer zum Öko-Enthusiast -- "Etwas grundlegend anders machen" -- Mehr Öko-Bewusstsein durch freiwillige Selbstkontrolle -- "Wir müssen Wissen teilen und diskutieren" -- Second-Hand statt wegwerfen -- Enthusiastisch und pragmatisch -- [Live] LinkedIn-Mitbegründer Konstantin Guericke über Wander-Meetings: Klapperschlange als Gedächtnisstütze // Von Simone Janson
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.105 | 0.028 |
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".