Refine
Year of publication
- 2024 (3)
Document Type
- Article (3)
Keywords
- HSD Publikationsfonds (3) (remove)
Department/institution
Menschen mit Suchtverhalten, die Bürgergeld nach dem Sozialgesetzbuch II beziehen, zu ihren Wünschen an für sie hilfreiche Unterstützungsangebote zu befragen und aus ihren Schilderungen herauszuarbeiten, welche Bedeutung für sie Erwerbarbeit hat, fordert die Forschenden zu kritischen Selbstvergewisserungen heraus.Denn die qualitative Studie, die im Rahmen eines Modellprojekts, gefördert vom Bundesarbeitsministerium, durchgeführt wurde, berührt vier kritische Fachdebatten in der Sozialen Arbeit. Neben der (1) sozialpolitischen Aktivierungsprogrammatik sind hier v. a. die (2) Bezeichnung von Menschen mit Suchtverhalten sowie (3) methodologische Einwände gegen subjektorientierte Forschungsperspektiven und (4) Case Management bedeutsam. Nach der Positionierung in diesen Fachdebatten werden empirische Einblicke dazu gewährt, dass die Frage „Problembewältigung oder Erwerbsarbeit first?“ differenziert beantwortet wird.Ferner äußern die Bürgergeldbezieher:innen mit Suchtverhalten diverse Wünsche an die Unterstützung im Jobcenter und andere Hilfsangebote. Vor allem wünschen sie sich vom Jobcenter, dass es dort nicht nur um die Vermittlung in Erwerbsarbeit gehen sollte, sondern weitere und damit hybride Zielsetzungen verfolgt werden sollten.
The importance of high data quality is increasing with the growing impact and distribution of ML systems and big data. Also, the planned AI Act from the European commission defines challenging legal requirements for data quality especially for the market introduction of safety relevant ML systems. In this paper, we introduce a novel approach that supports the data quality assurance process of multiple data quality aspects. This approach enables the verification of quantitative data quality requirements. The concept and benefits are introduced and explained on small example data sets. How the method is applied is demonstrated on the well-known MNIST data set based an handwritten digits.
With the increasing capabilities of machine learning systems and their potential use in safety-critical systems, ensuring high-quality data is becoming increasingly important. In this paper, we present a novel approach for the assurance of data quality. For this purpose, the mathematical basics are first discussed and the approach is presented using multiple examples. This results in the detection of data points with potentially harmful properties for the use in safety-critical systems.