Search (2 results, page 1 of 1)

  • × author_ss:"Finkelmeyer, S."
  1. Dornstädter, R.; Finkelmeyer, S.; Shanmuganathan, N.: Job-Polarisierung in informationellen Städten (2011) 0.01 
    0.013710892 = product of:
  0.054843567 = sum of:
    0.054843567 = weight(_text_:und in 4512) [ClassicSimilarity], result of:
      0.054843567 = score(doc=4512,freq=16.0), product of:
        0.1131191 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.051038075 = queryNorm
        0.4848303 = fieldWeight in 4512, product of:
          4.0 = tf(freq=16.0), with freq of:
            16.0 = termFreq=16.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=4512)
  0.25 = coord(1/4)
    Abstract
    Job-Polarisierung ist ein Phänomen, welches die Arbeitswelt und somit die ausgeübten Berufe durch Automatisierung und Computerisierung wandelt. Es ist eine Begleiterscheinung der Wissensgesellschaft. Informationstechnologische Maßnahmen führen dazu, dass Routineberufe, meist von der Mittelschicht ausgeübt, durch computergesteuerte Programme oder Maschinen ersetzt werden. Die Mittelschicht verteilt sich neu auf die Ober- und Unterschicht, wodurch eine Kluft zwischen den Armen und Reichen sowie Gebildeten und Ungebildeten entsteht. Die Informationstechnik ermöglicht es Unternehmen, sowohl ausgebildete wie auch ungelernte Arbeitskräfte zu ersetzen oder ihre Tätigkeiten zu erleichtern. Es wird eine empirische Untersuchung durchgeführt, die vornehmlich die These der Job-Polarisierung auf Städte-Ebene herunterbricht. Dabei werden die Städte Singapur, London und Düsseldorf und ihr Wandel auf dem Arbeitsmarkt in den letzten zehn Jahren analysiert.
    Source
    Information - Wissenschaft und Praxis. 62(2011) H.2/3, S.95-102
  2. Knautz, K.; Dröge, E.; Finkelmeyer, S.; Guschauski, D.; Juchem, K.; Krzmyk, C.; Miskovic, D.; Schiefer, J.; Sen, E.; Verbina, J.; Werner, N.; Stock, W.G.: Indexieren von Emotionen bei Videos (2010) 0.01 
    0.009290924 = product of:
  0.037163697 = sum of:
    0.037163697 = weight(_text_:und in 3637) [ClassicSimilarity], result of:
      0.037163697 = score(doc=3637,freq=10.0), product of:
        0.1131191 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.051038075 = queryNorm
        0.328536 = fieldWeight in 3637, product of:
          3.1622777 = tf(freq=10.0), with freq of:
            10.0 = termFreq=10.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.046875 = fieldNorm(doc=3637)
  0.25 = coord(1/4)
    Abstract
    Gegenstand der empirischen Forschungsarbeit sind dargestellte wie empfundene Gefühle bei Videos. Sind Nutzer in der Lage, solche Gefühle derart konsistent zu erschließen, dass man deren Angaben für ein emotionales Videoretrieval gebrauchen kann? Wir arbeiten mit einem kontrollierten Vokabular für neun tionen (Liebe, Freude, Spaß, Überraschung, Sehnsucht, Trauer, Ärger, Ekel und Angst), einem Schieberegler zur Einstellung der jeweiligen Intensität des Gefühls und mit dem Ansatz der broad Folksonomy, lassen also unterschiedliche Nutzer die Videos taggen. Versuchspersonen bekamen insgesamt 20 Videos (bearbeitete Filme aus YouTube) vorgelegt, deren Emotionen sie indexieren sollten. Wir erhielten Angaben von 776 Probanden und entsprechend 279.360 Schiebereglereinstellungen. Die Konsistenz der Nutzervoten ist sehr hoch; die Tags führen zu stabilen Verteilungen der Emotionen für die einzelnen Videos. Die endgültige Form der Verteilungen wird schon bei relativ wenigen Nutzern (unter 100) erreicht. Es ist möglich, im Sinne der Power Tags die jeweils für ein Dokument zentralen Gefühle (soweit überhaupt vorhanden) zu separieren und für das emotionale Information Retrieval (EmIR) aufzubereiten.
    Source
    Information - Wissenschaft und Praxis. 61(2010) H.4, S.221-236

Authors

Themes