Steigern Sie den Erfolg Ihrer Forschung in den Wirtschaftswissenschaften
Der Open Economics Guide der ZBW zeigt Ihnen, wie Sie mit Methoden und Tools von Open Science – wie Open Access und Open Data – Ihre Forschung effizienter und sichtbarer machen.

Einführung in Open Access
Forschung sichtbar machen.

Einführung in Open Data
Forschung überprüfbar machen.

Einführung in Open Code
Forschung transparent machen.

Einführung in OER
Lehre verfügbar machen.
Neues aus dem Blog
Mit aktuellen Tipps und Tutorials rund um Open Science immer auf dem Laufenden bleiben.
Gollum-Effekt schadet der Forschung: Open Science als Teil der Lösung
Besitzdenken und Territorialverhalten von Forschenden, die Zusammenarbeit und freien Informationsfluss und...
Open Science vermitteln: Einführungsfolien für die Wirtschaftswissenschaften
Wie lässt sich Open Science in der wirtschaftswissenschaftlichen Ausbildung verankern? Um...
Open Science in der Praxis
Forscher:innen berichten aus ihrem Alltag.
Open-Science-Veranstaltungen
Konferenzen, Seminare, Webinare, Online-Panels und mehr!
Offene Kurse leicht gemacht mit LiaScript
Sie suchen ein Programm, um frei zugängliche Kurse zu erstellen? Wie wäre es mit LiaScript? Bei LiaScript handelt es sich um eine Open-Source Anwendung zur Erstellung von offenen Online-Kursen mit interaktiven Inhalten (z.B. Animationen, mathematische Formeln, Quizze). Die Nutzung der Anwendung ist kostenlos und steht grundsätzlich allen interessierten Personen offen. Im Rahmen dieser Tooltime lernen Sie die wichtigsten Funktionen von LiaScript kennen und erhalten die Möglichkeit, die Anwendung interaktiv zu erproben, Fragen zu stellen sowie Chancen und Herausforderungen der Nutzung zu diskutieren
Deep Learning with Humans-In-The-Loop: Active Learning for NLP (2025)
The abundance of text data and the advent of powerful deep learning models has led to rapid advancements in Natural Language Processing (NLP). However, adapting models to specialized tasks still requires a nuanced understanding of the data. This adaption often requires human-annotated data that are considered to be time-consuming and labor-intensive. Active Learning addresses this by strategically involving humans in the learning loop, selecting instances for annotation that are most likely to maximize performance gains. This approach not only optimizes human effort but also enhances the model’s adaptability to specific tasks with fewer annotated instances, making the training process more efficient and effective. In this workshop you will get introduced to the concepts of Human-In-The-Loop Learning and (Deep) Active Learning. In a hands-on practical session, you will design a (Deep) Active Learning Cycle using Python.
Kontakt
Sie haben Fragen zu Open Science oder Anregungen für unseren Guide?
Wir freuen uns über Ihre Nachricht!
