Search (2 results, page 1 of 1)

  • × author_ss:"Lopez, P."
  • × language_ss:"d"
  • × year_i:[2020 TO 2030}
  1. Lopez, P.: ChatGPT und der Unterschied zwischen Form und Inhalt (2023) 0.00
    0.0030023432 = product of:
      0.012009373 = sum of:
        0.012009373 = product of:
          0.024018746 = sum of:
            0.024018746 = weight(_text_:der in 1027) [ClassicSimilarity], result of:
              0.024018746 = score(doc=1027,freq=4.0), product of:
                0.098309256 = queryWeight, product of:
                  2.2337668 = idf(docFreq=12875, maxDocs=44218)
                  0.044010527 = queryNorm
                0.24431825 = fieldWeight in 1027, product of:
                  2.0 = tf(freq=4.0), with freq of:
                    4.0 = termFreq=4.0
                  2.2337668 = idf(docFreq=12875, maxDocs=44218)
                  0.0546875 = fieldNorm(doc=1027)
          0.5 = coord(1/2)
      0.25 = coord(1/4)
    
    Source
    Merkur. Heft 891, August 2023, S.55-64 [https://www.merkur-zeitschrift.de/artikel/chatgpt-und-der-unterschied-zwischen-form-und-inhalt-a-mr-77-8-15/]
  2. Lopez, P.: Artificial Intelligence und die normative Kraft des Faktischen (2021) 0.00
    0.0024262597 = product of:
      0.009705039 = sum of:
        0.009705039 = product of:
          0.019410077 = sum of:
            0.019410077 = weight(_text_:der in 1025) [ClassicSimilarity], result of:
              0.019410077 = score(doc=1025,freq=2.0), product of:
                0.098309256 = queryWeight, product of:
                  2.2337668 = idf(docFreq=12875, maxDocs=44218)
                  0.044010527 = queryNorm
                0.19743896 = fieldWeight in 1025, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  2.2337668 = idf(docFreq=12875, maxDocs=44218)
                  0.0625 = fieldNorm(doc=1025)
          0.5 = coord(1/2)
      0.25 = coord(1/4)
    
    Abstract
    Den Gesundheitszustand von Patienten zu prognostizieren, um medizinische Präventionsmaßnahmen möglichst sinnvoll zu verteilen, ist schwieriger, als man denkt. Dabei scheint die Problemstellung denkbar simpel: Es sollen diejenigen Patientinnen zusätzliche Präventionsmaßnahmen erhalten, deren Gesundheitszustand sich zu verschlechtern droht. Doch der Gesundheitszustand ist, wie die meisten menschlichen Angelegenheiten, zu komplex, um ihn einheitlich messen und quantifizieren zu können. Das gilt auch dann, wenn alle Patientendaten vollständig zur Verfügung stehen und mit Big-Data-Methoden verarbeitet werden können.