Refine
Year of publication
Document Type
- Other (64) (remove)
Language
- German (64) (remove)
Keywords
- Evaluation (3)
- Hochschuldidaktik (3)
- Mentorenprogramm (3)
- Angewandte Forschung (1)
- Wissens- und Technologietransfer (1)
Mit freundlicher Genehmigung der Autoren (Stand 02.2006) Inhaltsverzeichnis: 0 Vorwort 1 Warum brauchen wir MeMoPad? Begründungslinien. 1.1 Was fordern Studierende? 1.2 Welche Vorteile ergeben sich für die Fakultät? 1.3 Zusammenfassung 2 MeMoPad – Das Mentorenprogramm an der Universität Paderborn 2.1 Qualitätsmerkmale eines Mentorenprogramms 2.2 Rolle und Aufgaben von Mentoren 2.3 Didaktische Implikationen 3 Das Rahmenkonzept – Betreuungsgebiete (BG) im Überblick 4 Organisatorisches 5 Die Umsetzung – Betreuungsgebiete im Detail 5.1 BG0: "Was bringt mir MeMoPad?" Materialien 5.2 BG1: "Leben an der Hochschule: Was bedeutet ‚studieren’?" 5.2.1 Didaktische Hinweise 5.2.2 Möglicher Ablauf Materialien 5.3 BG2: "Was bedeutet ‚lernen’ in der Hochschule?" 5.3.1 Didaktische Hinweise 5.3.2 Möglicher Ablauf Materialien 5.4 BG3: "Warum und wie (ge)braucht man wissenschaftliche Standards?" 5.4.1 Didaktische Hinweise 5.4.2 Möglicher Ablauf Materialien 5.5 BG4: "Wie präsentiert man (sich) erfolgreich?" 5.5.1 Didaktische Hinweise 5.5.2 Möglicher Ablauf Materialien 5.6 BG5: "Wie kann ich mich persönlich weiterentwickeln?" 5.5.1 Didaktische Hinweise 5.5.2 Möglicher Ablauf Materialien
Doppelte Abfindung für Arbeitnehmer: Abfindung gemäß § 1 a KSchG und Abfindung gemäß Sozialplan
(2017)
Unwirksamkeit von Allgemeinverbindlicherklärungen des Tarifvertrages über das Sozialkassenverfahren
(2017)
Vorbeschäftigungszeiten als Leiharbeitnehmer zählen für Kündigungsschutz grundsätzlich nicht mit
(2014)
Wirksamkeit einer OT-Mitgliedschaft im Arbeitgeberverband – Anforderungen an die Verbandssatzung
(2016)
Vergabe öffentlicher Aufträge kann von der Zahlung eines Mindestlohns abhängig gemacht werden
(2016)
Die Erfindung betrifft eine Vorrichtung zur Messung biomedizinischer Daten eines Probanden, mit einem Messsystem zur Erhebung der Daten sowie einer ersten Hardware-Komponente zur Aufzeichnung der Daten. In einer Verbindungsleitung zur Übertragung der Daten vom Messsystem zur ersten Hardware-Komponente zur Aufzeichnung der Daten ist erfindungsgemäss ein Mittel zur galvanischen Auftrennung der Daten angeordnet. Auf diese Weise ist wenigstens die Duplizierung der Daten für Datenverarbeitungszwecke gewährleistet. Die auf diese Weise verarbeiteten Daten werden für ein Verfahren zur Echtzeit-Stimulation eines Probanden genutzt.
Für die Verarbeitung von natürlicher Sprache ist ein wichtiger Zwischenschritt das Parsing, bei dem für Sätze der natürlichen Sprache Ableitungsbäume bestimmt werden. Dieses Verfahren ist vergleichbar zum Parsen formaler Sprachen, wie z. B. das Parsen eines Quelltextes. Die Parsing-Methoden der formalen Sprachen, z. B. Bottom-up-Parser, können nicht auf das Parsen der natürlichen Sprache übertragen werden, da keine Formalisierung der natürlichen Sprachen existiert [3, 12, 23, 30].
In den ersten Programmen, die natürliche Sprache verarbeiten [32, 41], wurde versucht die natürliche Sprache mit festen Regelmengen zu verarbeiten. Dieser Ansatz stieß jedoch schnell an seine Grenzen, da die Regelmenge nicht vollständig sowie nicht minimal ist und wegen der benötigten Menge an Regeln schwer zu verwalten ist. Die Korpuslinguistik [22] bot die Möglichkeit, die Regelmenge durch Supervised-Machine-Learning-Verfahren [2] abzulösen.
Teil der Korpuslinguistik ist es, große Textkorpora zu erstellen und diese mit sprachlichen Strukturen zu annotieren. Zu diesen Strukturen gehören sowohl die Wortarten als auch die Ableitungsbäume der Sätze. Vorteil dieser Methodik ist es, dass repräsentative Daten zur Verfügung stehen. Diese Daten werden genutzt, um mit Supervised-Machine-Learning-Verfahren die Gesetzmäßigkeiten der natürliche Sprachen zu erlernen.
Das Maximum-Entropie-Verfahren ist ein Supervised-Machine-Learning-Verfahren, das genutzt wird, um natürliche Sprache zu erlernen. Ratnaparkhi [25] nutzt Maximum-Entropie, um Ableitungsbäume für Sätze der natürlichen Sprache zu erlernen. Dieses Verfahren macht es möglich, die natürliche Sprache (abgebildet als Σ∗) trotz einer fehlenden formalen Grammatik zu parsen.