Informatiekrant 'Samen tegen Pesten'
Bibliographic record
Abstract
Week tegen Pesten Van 26 tot en met 30 september is het de Week tegen Pesten, met als thema: Grapje! Moet toch kunnen?! Wanneer iets nog ‘grappig’ is, en wanneer het ‘pesten’ wordt, daar denkt iedereen verschillend over. Dat maakt het oplossen van pesten moeilijk, zeker als je dat samen met anderen wilt doen. Voor een goede samenwerking is het daarom belangrijk dat je op één lijn komt met de ander. Dat doe je door met elkaar te praten, maar vooral ook door goed naar elkaar te luisteren. Dat bleek uit recent onderzoek van Rosanne Spruijt (e.r.spruijt@pl.hanze.nl), promovenda aan de Hanzehogeschool Groningen en Rijksuniversiteit Groningen. Bespreek bijvoorbeeld met elkaar: •Wat weten jullie over de situatie en hoe denken jullie erover? •Wat zou kunnen helpen, en welke rol is daarbij voor jezelf en de ander weggelegd? •Wanneer en hoe houden jullie elkaar op de hoogte van de aanpak en de uitkomst? Over de aanpak van pesten lees je meer in de informatiekrant ‘Samen tegen Pesten’!
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 | 0.004 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.011 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.356 | 0.297 |
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".