Bibliographic record
Abstract
Hintergrund und ZielsetzungDuisburg, insbesondere der Stadtteil Marxloh, steht exemplarisch für die sozialen und wirtschaftlichen Herausforderungen postindustrieller Umstrukturierungen.Dazu gehören sozioökonomische Benachteiligungen, die Folgen von Migration und die sogenannten »left behind«-Menschen und -Orte in Deutschland.Trotz der Herausforderungen gibt es zahlreiche Initiativen, die sich für eine bessere wirtschaftliche Absicherung, gesellschaftliche Teilhabe von Migrant:innen, sozialen Zusammenhalt und eine nachhaltige Entwicklung in Marxloh einsetzen.Dieser Artikel beschreibt einen Teil eines Aktionsforschungsprozesses (AF) im Rahmen meiner Dissertation (Palka 2025), bei dem lokale Akteur:innen an der Planung eines kollaborativen Lehrforschungsseminars an der Universität Duisburg-Essen beteiligt waren.Ziel des Seminars war es, kooperative Forschungspartnerschaften kennenzulernen und einen erfahrungsbasierten Lernansatz zu fördern.Die Studierenden lernten, wie man einen Forschungsvorschlag zur Schattenwirtschaft in Duisburg-Marxloh entwickelt, der mit den Prinzipien, der Politik und den Methoden der gemeinschaftsbasierten Forschung (Community-Based Research, CBR) übereinstimmt.CBR zielt darauf ab, Universitäten stärker mit der Gesellschaft zu verknüpfen, indem kollektives Lernen, Partnerschaften und praxisorientierte Problemlösungen gefördert werden (Strand et al. 2003).Dieser Forschungsansatz betont die Bedeutung von Erfahrungslernen und einer kritischen Auseinandersetzung mit den Zielen und Methoden der Sozialforschung -insbesondere mit der Frage, wessen Wissen einbezogen oder ausgeschlossen wird.Der Fokus dieses Beitrags liegt vorrangig auf der Phase der partizipativen Planung des Seminars sowie den daraus gewonnenen Erkenntnissen für den Lehrforschungsprozess.Das Lehrforschungsseminar selbst wird an anderer Stelle ausführlicher reflektiert (Palka 2024).
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.010 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 0.004 |
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".