Refine
Year of publication
Document Type
- Article (687)
- Book (221)
- Part of a Book (70)
- Conference Proceeding (68)
- Other (50)
- Review (13)
- Working Paper (8)
- Contribution to a Periodical (5)
- Doctoral Thesis (5)
- Lecture (5)
- Report (4)
- Diploma Thesis (1)
- Talk (1)
Language
- German (924)
- English (207)
- Portuguese (6)
- Spanish (1)
Keywords
- Führung (8)
- Leadership (8)
- Telekommunikationsmarkt (6)
- Datenschutz (5)
- Motivation (5)
- Betriebswirtschaftslehre (4)
- Finanzierung (4)
- Liquiditätspolitik (4)
- Datenschutzgrundverordnung (3)
- Self-Leadership (3)
- Coaching (2)
- Datenschutzrecht (2)
- EU-Datenschutzgrundverordnung (2)
- Internationales Recht / Europarecht (2)
- Prozessautomatisierung (2)
- Prozessverbesserung (2)
- Robotic Process Automation (2)
- Selektionskriterien (2)
- regulation (2)
- 3. EU Legislativpaket (1)
Institute
- Fachbereich Wirtschaftswissenschaften (1138) (remove)
Vorbemerkung vor § 1353
(2014)
Vorbemerkung vor § 1297
(2014)
Einleitung vor § 1297
(2014)
Names of individuals
(2017)
Small Claims Regulation
(2017)
Einleitung vor § 1297 BGB
(2011)
Das verbraucherschützende Widerrufsrecht ist in die Jahre gekommen. Als Ergebnis der zunehmenden Rechtszersplitterung im europäischen Richtlinienrecht hat sich eine unüberschaubare Bandbreite an Ausgestaltungsformen in den mitgliedstaatlichen Rechtssystemen herausgebildet. Effektivitätseinbußen, Wettbewerbsverzerrungen und ein hohes Maß an Rechtsunsicherheit sind die Folgen. Zurückführen lässt sich die kostenintensive Fragmentierung des Verbrauchervertragsrechts auf die bisherige Regelungspolitik der Mindestharmonisierung, die es den Mitgliedstaaten erlaubt, von dem durch die Richtlinien gesetzten Mindeststandard durch „überschießende Umsetzung” abzuweichen. Der Unionsgesetzgeber versucht dem vermehrt durch einen Prozess der Vollharmonisierung zu begegnen: Neben Reformen der Richtlinie über Verbraucherkredite (VerbrKrRL) sowie der Timesharing-Richtlinie (TimesharingRL), liegt seit dem 8. Oktober 2008 nunmehr auch der Entwurf einer Rahmenrichtlinie über die Rechte der Verbraucher (VRRL-E) vor. Danach sollen die bisherigen Richtlinien über Haustürgeschäfte (HaustürgeschäfteRL), Fernabsatzverträge (FARL), missbräuchliche Klauseln sowie Verbrauchsgüterkäufe vereinigt werden. Für das verbraucherschützende Widerrufsrecht ist damit zum einen die Herausbildung einheitlicher Kernelemente verbunden, zum anderen tritt es in Konkurrenz zu umfassenden Informationspflichten, die ebenfalls den Schutz des Verbrauchers vor dem unüberlegten Abschluss riskanter bzw. nachteiliger Verträge zum Ziel haben.
Angesichts dieser Entwicklung stellt sich im Folgenden die Frage nach der Zukunft des unionsrechtlichen Widerrufsrechts. Von besonderer Bedeutung ist dabei die Klärung des Verhältnisses zu den verbraucherschützenden Informationspflichten. Dazu bedarf es zunächst der Herausarbeitung einheitlicher Kernelemente des Widerrufsrechts im vollharmonisierten Richtlinienrecht (II.) sowie einer Systematisierung der sekundärrechtlichen Informationspflichten im Anschluss eine kritische Gegenüberstellung der Vor- und Nachteile beider Schutzinstrumente erfolgen kann (IV.).
Supervised machine learning and deep learning require a large amount of labeled data, which data scientists obtain in a manual, and time-consuming annotation process. To mitigate this challenge, Active Learning (AL) proposes promising data points to annotators they annotate next instead of a subsequent or random sample. This method is supposed to save annotation effort while maintaining model performance.
However, practitioners face many AL strategies for different tasks and need an empirical basis to choose between them. Surveys categorize AL strategies into taxonomies without performance indications. Presentations of novel AL strategies compare the performance to a small subset of strategies. Our contribution addresses the empirical basis by introducing a reproducible active learning evaluation (ALE) framework for the comparative evaluation of AL strategies in NLP.
The framework allows the implementation of AL strategies with low effort and a fair data-driven comparison through defining and tracking experiment parameters (e.g., initial dataset size, number of data points per query step, and the budget). ALE helps practitioners to make more informed decisions, and researchers can focus on developing new, effective AL strategies and deriving best practices for specific use cases. With best practices, practitioners can lower their annotation costs. We present a case study to illustrate how to use the framework.