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.

Es ist ein Stiftekorb zusehen, der Open Science Tools symbolisiert.

Kostenlose Open Science Tools

Für Open Science stehen eine ganze Reihe nützlicher Helferlein bereit, die Sie dabei unterstützen, Ihre Forschung noch effizienter zu gestalten. Werfen Sie einen Blick in unsere Tool-Übersicht!

Ich möchte:

Neues aus dem Blog

Mit aktuellen Tipps und Tutorials rund um Open Science immer auf dem Laufenden bleiben.

Open-Science-Veranstaltungen

Konferenzen, Seminare, Webinare, Online-Panels und mehr!

Offene Kurse leicht gemacht mit LiaScript

26. Juni 2025
Online
Veranstaltet von: twillo

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)

26. Juni 2025
Kassel
Veranstaltet von: BERD@NFDI

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!


    Diese Seite teilen: