Volume 70, Issue 2-3

Zusammenfassung Im Sommer 2018 sorgten Medienberichte von NDR, WDR, Süddeutsche Zeitung, SZ Magazin und weiteren anerkannten nationalen und internationalen Medien für einen nicht unbeträchtlichen Aufruhr, als sie berichteten, dass mehrere hunderttausende Forschende ihre Forschungsergebnisse bei scheinwissenschaftlichen Verlagen, sogenannten Raubverlagen, Open Access, jedoch nicht qualitätsgeprüft veröffentlichten. Warum publizieren Forschende in Raubjournalen? Wie groß ist das Ausmaß in der Wissenschaft tatsächlich? Welches Vorgehen kennzeichnet die scheinwissenschaftlichen Verlage? Und: wem schaden sie und was kann gegen sie unternommen werden? Mit diesen Fragen wird sich im vorliegenden Beitrag beschäftigt.

In the battle for better science, the research community must obliterate, at times, works from the publication record, a process known as retraction. Additionally, publications and papers accumulate an altmetric attention score, which is a complementary metric to citation-based metrics. We used the citations, Journal Impact Factor, time between publication and retraction and the reasons behind retraction in order to find determinants of the retracted papers´ altmetric attention score. To find these determinants we compared two samples, one of retractions with top altmetric attention scores and one of retractions with altmetric attention scores chosen at random. We used a binary choice model to estimate the probability of being retracted due to misconduct or error. The model shows positive effects of altmetric scores and the time between publication and retraction on the probability to be retracted due to misconduct in the top sample. We conclude that there is an association between retraction due to misconduct and higher altmetric attention scores within the top sample.

Zusammenfassung Geschichten zu erzählen ist ein uraltes Bedürfnis von Menschen. Wie die wissenschaftliche Analyse von Sagen, Mythen, Romanen und Filmen zeigt, lässt sich die Struktur der Geschichten schlussendlich auf fünf Kapitel reduzieren, die dem Plot der klassischen Heldenreise entsprechen. Menschen, die nach „ETWAS“ streben, berühren die Rezipienten, da sie sich mit den Protagonisten identifizieren. Im Stil der Heldenreise lassen sich faszinierende Geschichten aus der Wissenschaft erzählen.

Zusammenfassung In diesem Beitrag geht es um das interdisziplinäre Erlernen von Data Science u. a. im Rahmen von Aus- und Weiterbildungsmaßnahmen mittels interaktiver Lernumgebungen am Beispiel der Analyse großer Datenmengen mit Patentinformationen für neue Nutzergruppen wie z. B. den Informationsspezialisten, welche in der Regel über wenig bis keine Kenntnisse z. B. über Verfahren des maschinellen Lernens verfügen. Mittels einer interaktiven Lernumgebung auf Grundlage von Scientific Workflows und Big-Data-Technologien können dabei neue Methoden des Text und Data Mining (TDM) effizient erlernt und im Rahmen praktischer Anwendungsfälle erprobt werden.

Zusammenfassung Anwendungen von maschinellen Lernverfahren (ML) haben in jüngster Zeit aufsehenerregende Durchbrüche bei einer ganzen Reihe von Aufgaben in der maschinellen Sprachverarbeitung (NLP) erzielt. Der Fokus vieler Arbeiten liegt hierbei in der Entwicklung immer besserer Modelle, während der Anteil der Aufgaben in praktischen Projekten, der sich nicht mit Modellbildung, sondern mit Themen wie Datenbereitstellung sowie Evaluierung, Wartung und Deployment von Modellen beschäftigt, oftmals noch nicht ausreichend Beachtung erfährt. Im Ergebnis fehlen gerade Unternehmen, die nicht die Möglichkeit haben, eigene Plattformen für den Einsatz von ML und NLP zu entwerfen, oft geeignete Werkzeuge und Best Practices. Es ist zeichnet sich ab, dass in den kommenden Monaten eine gerade diesen praktischen Fragen zugewandte Ingenieurssicht auf ML und ihren Einsatz im Unternehmen an Bedeutung gewinnen wird.