TY - JOUR A1 - Enggruber, Ruth T1 - Inklusive Berufsausbildung im Verständnis der UN-Behindertenrechtskonvention: Ein Diskussionsbeitrag JF - DDS – Die Deutsche Schule: Zeitschrift für Erziehungswissenschaft, Bildungspolitik und pädagogische Praxis N2 - Seitdem Deutschland 2009 die Behindertenrechtskonvention der Vereinten Nationen (UNBRK) ratifiziert hat, gibt es auch in der Berufsausbildung Debatten zu Inklusion. Die hier zur Diskussion gestellten Reformvorschläge zur Gestaltung inklusiver Berufsausbildung stützen sich auf die UN-BRK und ihr grundlegendes Verständnis von „Diskriminierung“ (Art. 2 UN-BRK), Inklusion (Art. 24 UN-BRK) und den von den Staaten dazu zu treffenden „angemessenen Vorkehrungen“ (Art. 2 UN-BRK). KW - FBSK_Webseite KW - Menschenrechtskonvention KW - Convention on the Rights of Persons with Disabilities (2006 Dezember 13) KW - Inklusion (Soziologie) KW - Berufsausbildung KW - Diskriminierung Y1 - 2025 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-60398 SN - 0012-0731 VL - 117 IS - 4 SP - 298 EP - 304 PB - Waxmann ER - TY - JOUR A1 - Brink, Lina A1 - Grittmann, Elke T1 - Diversität in der Berichterstattung über die sozialen Folgen Künstlicher Intelligenz: Eine intersektionale Diskursanalyse JF - Medien & Kommunikationswissenschaft N2 - Angesichts des Hypes um Künstliche Intelligenz untersucht die Studie die journalistische Berichterstattung über KI nach Launch des generativen KI-Systems ChatGPT daraufhin, inwiefern journalistische Medien auch soziale Implikationen von KI, insbesondere in Hinblick auf soziale Ungleichheiten, behandeln. Der Beitrag analysiert aus Diversitäts- und intersektionaler Perspektive rund 600 Beiträge (Print und Online) aus neun reichweitenstarken und in ihrer Ausrichtung diversen journalistischen Medien zwischen Dezember 2022 und November 2023. Die Wissenssoziologische Diskursanalyse zeigt diskursive Problematisierungen von KI, die sowohl eindimensionale Differenz- bzw. Ungleichheitskategorien adressieren als auch mehrdimensionale Verwobenheiten thematisieren. Es zeigt sich allerdings eine starke Fokussierung auf Gender- und Race-Diskriminierungen, zuweilen auch in ihrer Verwobenheit, jedoch finden andere Ungleichheitsfolgen nicht oder nur marginal Beachtung. KW - FBSK_Webseite KW - Künstliche Intelligenz KW - Berichterstattung KW - Diskursanalyse KW - Soziale Ungleichheit KW - Diskriminierung Y1 - 2025 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-57652 SN - 1615-634X VL - 73 IS - 3 SP - 442 EP - 458 PB - Nomos ER - TY - CHAP A1 - Spindler, Susanne ED - Blank, Beate ED - Gögercin, Süleyman ED - Sauer, Karin E. ED - Schramkowski, Barbara T1 - Von Begrenzungen und Bewegungen: Konfliktfelder Sozialer Arbeit im Kontext Flucht T2 - Soziale Arbeit in der Migrationsgesellschaft: Grundlagen – Konzepte – Handlungsfelder KW - FBSK_Webseite KW - Sozialarbeit KW - Migration KW - Flucht KW - Inklusion (Soziologie) KW - Ausgrenzung KW - Diskriminierung KW - Solidarität Y1 - 2018 SN - 978-3-658-19540-3 U6 - https://doi.org/10.1007/978-3-658-19540-3_48 SP - 575 EP - 583 PB - Springer Nature CY - Wiesbaden ER - TY - GEN A1 - Skalska, Agata T1 - Vielfalt als Ressource für Bildungsgerechtigkeit T2 - Bildung, Chancen, Wandel KW - FBSK_Webseite KW - Vielfalt KW - Schule KW - Mehrsprachigkeit KW - Diskriminierung KW - Inklusion (Soziologie) Y1 - 2025 UR - https://web.archive.org/web/20250709091051/https://www.bfa-jugend.de/_files/ugd/e44443_de44993016b64c50ad6ba426f44497f2.pdf SN - 3052-8186 VL - 1 IS - 1 SP - 30 EP - 33 ER - TY - CHAP A1 - Gille, Christoph ED - Gille, Christoph ED - Walter, Andrea ED - Brombach, Hartmut ED - Haas, Benjamin ED - Vetter, Nicole T1 - Ungleichheit und Ausschlüsse: Engagement als Ausdruck und Treiber gesellschaftlicher Ungleichheit T2 - Zivilgesellschaftliches Engagement und Freiwilligendienste KW - Ehrenamtliche Tätigkeit KW - Politisches Engagement KW - Soziales Engagement KW - Soziale Ungleichheit KW - Ausgrenzung KW - Diskriminierung KW - Rassismus KW - Soziales Kapital Y1 - 2024 SN - 9783748936497 U6 - https://doi.org/10.5771/9783748936497-147 SP - 147 EP - 160 PB - Nomos CY - Baden-Baden ER - TY - THES A1 - Schöberl, Levi Moritz T1 - Stress, Einsamkeit und psychische Gesundheit in verschiedenen Bevölkerungsgruppen: Eine quantitative Untersuchung von Minderheiten in Deutschland N2 - Die vorliegende Arbeit untersucht Zusammenhänge zwischen Stress (Perceived Stress Scale), Einsamkeit (De Jong Gierveld Loneliness Scale) und psychischer Gesundheit (Mental Health Inventory) in verschiedenen Bevölkerungsgruppen mit Schwerpunkt auf Minderheiten. Dabei wurden ebenfalls Diskriminierungserfahrungen berücksichtigt. Befragt wurden erwachsene Menschen in Deutschland (N = 211) mithilfe eines Online-Fragebogens. Es handelt sich um eine quantitative Querschnittstudie. Die Ergebnisse zeigen eine sehr starke Korrelation zwischen Stress und psychischer Gesundheit (rs = -.836), eine starke Korrelation zwischen Einsamkeit und psychischer Gesundheit (rs = -.594) sowie eine moderate bis starke Korrelation zwischen Einsamkeit und Stress (rs = .498). Ferner ließ sich ein moderater Zusammenhang zwischen Diskriminierungserfahrungen und der psychischen Gesundheit bestätigen (rs = -.415). In der vorliegenden Stichprobe erfuhren 79.3 Prozent der Menschen mit Minderheitenstatus Diskriminierung. In der Mehrheitsgesellschaft waren es 24.2 Prozent. Zusätzlich zeigen Minderheiten große Unterschiede zur Mehrheitsgesellschaft. In der Stichprobe weisen sie höhere Stress- und Einsamkeitsniveaus sowie eine niedrigere psychische Gesundheit auf. T3 - Hervorragende Abschlussarbeiten im Fachbereich Sozial- und Kulturwissenschaften - 201 KW - Stress KW - Einsamkeit KW - Psychische Gesundheit KW - Minderheit KW - Diskriminierung KW - Bachelor KW - SoSe24 Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-48620 CY - Düsseldorf ER - TY - THES A1 - Beulen, Eva T1 - Intersektionale Diskriminierung im Gesundheitswesen. Eine Literaturstudie zu den potenziellen Auswirkungen von Rassismus und Sexismus in medizinischen Settings N2 - Frauen* of Color werden in medizinischen Settings regelmäßig Opfer von Diskriminierung und Ungleichbehandlung. Obgleich dieser Umstand laut der aktuellen Studie der „Antidiskriminierungsstelle des Bundes“ (vgl. Bartig et al., 2021) für Deutschland nicht ausreichend erforscht ist, ist er für betroffene Patient*innen alltägliche und spürbare Realität. Um einen Einstieg in die Themenwahl und das Forschungsinteresse zu geben, möchte ich zunächst meinen persönlichen Bezug dazu einordnen. Von Oktober 2021 bis März 2023 durchlief ich, aufgrund einer Krebserkrankung, anderthalb Jahre Diagnostik, Operationen, Chemo- und Immun-Therapie sowie Bestrahlung in verschiedenen medizinischen Einrichtungen. Im Zentrum meiner Arbeit soll jedoch nicht meine persönliche Betroffenheit der Erkrankung stehen, auch wenn ich diese aus Gründen der Transparenz hier erwähnen möchte. Es geht mir in meinem Forschungsinteresse vielmehr um Beobachtungen, die ich im Laufe dieser Zeit in verschiedensten Institutionen machte, und welche mich nachhaltig bewegt haben. Ich verbrachte viel Zeit in Settings, die zum allergrößten Teil für die Vorsorge, Diagnostik oder Behandlung von Frauen* mit (Brust-)Krebs konzipiert worden waren. Immer wieder wurde ich dabei Zeugin von Ungleichbehandlung von Patient*innen und deren Begleitpersonen durch das medizinische Personal, sowohl von Seiten der Ärzt*innen, Krankenpfleger*innen, als auch Sprechstundenhelfer*innen. Meines Erachtens war all diesen Situationen gemein, dass es sich um rassistische Diskriminierung von weiblich gelesenen Personen handelte. Angestoßen durch diese wiederholten Beobachtungen, sowie durch ein im Studium entwickeltes Interesse am Schwerpunkt Antidiskriminierung, entstand die Idee, die Verflechtung von Rassismus und Sexismus im Gesundheitswesen und die Auswirkung auf Betroffene näher zu betrachten. Um diese persönliche Zeuginnenschaft in eine wissenschaftliche Forschung zu überführen, wird in dieser Arbeit die Frage gestellt, auf welche Art und Weise Patient*innen rassistische und sexistische Diskriminierung in medizinischen Settings erfahren und welche potenziellen Auswirkungen diese auf ihren weiteren Vorsorge– oder Behandlungsverlauf haben können. T3 - Hervorragende Abschlussarbeiten im Fachbereich Sozial- und Kulturwissenschaften - 193 KW - Literaturstudie KW - Intersektionalität KW - Gesundheitswesen KW - Diskriminierung KW - SoSe24 KW - Bachelor Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-46150 CY - Düsseldorf ER - TY - RPRT A1 - Jackszis, Arabella T1 - Diskriminierung im Machine Learning und Erklärbarkeit von Algorithmen N2 - Künstliche Intelligenz und Machine Learning sind hochaktuelle Themen in der Informatik. Fortschrittliche Technologien und Vorgehensweisen schaffen neue Einsatzfelder für Anwendungen, die Verhaltensweisen des Menschen erlernen und nachahmen. Dieses innovative Vorgehen birgt jedoch einige Gefahren. Das menschliche Verhalten ist nicht immer objektiv und korrekt. Oft beherrschen Vorurteile das Treffen menschlicher Entscheidungen, sodass Personen diskriminiert werden. Es besteht das Risiko, dass Maschinen diese Verhaltensweise übernehmen. Hinzu kommt die fehlende Erklärbarkeit der Algorithmen. Je nach Modell ist nicht eindeutig, nach welchen Prinzipien eine Entscheidung getroffen wird. Das erschwert das Aufdecken von Diskriminierung und senkt die Vertrauenswürdigkeit des Systems. In dieser Arbeit werden Ursachen für Diskriminierung und fehlende Transparenz, sowie Lösungsmethoden erarbeitet. Dabei wird erörtert, inwieweit die beiden Themen aufeinander einspielen und gemeinsam zur Qualität der Software beitragen. N2 - Artificial Intelligence and Machine Learning are matters of high interest in Information Technology. Advanced technologies and approaches are creating new areas of use for applications that study and imitate human behavior. At the same time, this innovative approach poses new dangers. Human behavior is not always objective and correct. Prejudice often dominates human decisions and therefore leads to discrimination. There is a risk that machines adopt this behavior. On top of this, algorithms are often not explainable. Depending on the model, the principles that are relevant for the decision are not clear. This makes it harder to detect discrimination and reduces the trustworthiness of a system. In this paper, causes of bias in Machine Learning and the lack of transparency, as well as methods to eliminate these problems, are elaborated. It works out the interaction between the two issues and how they contribute to the quality of the software. T2 - Discrimination in machine learning and explainability of algorithms KW - Diskriminierung KW - Discrimination KW - Fairness KW - Erklärbarkeit KW - Nachvollziehbarkeit KW - Transparenz KW - Machine Learning KW - explainability KW - transparency KW - artificial intelligence KW - machine learning KW - traceability KW - Künstliche Intelligenz KW - Hg_TCR Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-25075 VL - Arbeitspapier des Lehrgebiets Datenbanken und E-Business, Nr. 2/2021 PB - Hochschule Düsseldorf CY - Düsseldorf ER - TY - THES A1 - Grüters, Florian Achim T1 - Ist jeder seines Glückes Schmied? Stigmatisierung und Schamhaftigkeit am Beispiel der Wohnungslosenhilfe T3 - Hervorragende Abschlussarbeiten im Fachbereich Sozial- und Kulturwissenschaften - 19 KW - Wohnungslosigkeit KW - Stigmatisierung KW - Diskriminierung KW - Bachelorthesis KW - WiSe17/18 Y1 - 2017 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-11944 CY - Düsseldorf ER -