Search (6 results, page 1 of 1)

0.010426203 = product of:
  0.06255721 = sum of:
    0.06255721 = weight(_text_:elektronische in 5954) [ClassicSimilarity], result of:
      0.06255721 = score(doc=5954,freq=2.0), product of:
        0.17104368 = queryWeight, product of:
          4.728978 = idf(docFreq=1061, maxDocs=44218)
          0.03616927 = queryNorm
        0.36573824 = fieldWeight in 5954, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.728978 = idf(docFreq=1061, maxDocs=44218)
          0.0546875 = fieldNorm(doc=5954)
  0.16666667 = coord(1/6)

Abstract

"Datenrasterung". "Gläserner Versicherter". Jetzt äußert sich der Bundesdatenschutzbeauftragte zu dem ungeheuerlichen Vorgang. Es ist schlimmer, als bisher angenommen. Und es zeigt, welche Manöver die Bundesregierung unternommen hat, um Datenschutzrechte von 73 Millionen gesetzlich Versicherter auszuhebeln, ohne dass die betroffenen Bürger selbst davon erfahren. Aber das ist, wie sich jetzt herausstellt, noch nicht alles. Am Montag hatte Telepolis aufgedeckt, dass CDU/CSU und SPD mit Hilfe eines von der Öffentlichkeit unbemerkten Änderungsantrags zum EPA-Gesetz (Elektronische Patientenakte) das erst im November im Digitale-Versorgung-Gesetz (DVG) (Wie man Datenschutz als Versorgungsinnovation framet) festgeschriebene Einwilligungserfordernis zur individualisierten Datenauswertung durch die Krankenkassen still und leise wieder beseitigt haben (zur genauen Einordnung des aktuellen Vorgangs: EPA-Datengesetz - Sie haben den Affen übersehen).

0.007377067 = product of:
  0.0442624 = sum of:
    0.0442624 = weight(_text_:medien in 4982) [ClassicSimilarity], result of:
      0.0442624 = score(doc=4982,freq=2.0), product of:
        0.1702354 = queryWeight, product of:
          4.7066307 = idf(docFreq=1085, maxDocs=44218)
          0.03616927 = queryNorm
        0.26000705 = fieldWeight in 4982, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.7066307 = idf(docFreq=1085, maxDocs=44218)
          0.0390625 = fieldNorm(doc=4982)
  0.16666667 = coord(1/6)

Abstract

Wissenschaftler haben untersucht, wie viele Optionen für eine Auswahlentscheidung das menschliche Gehirn am besten findet. Wenn man Menschen in Verwirrung oder Apathie stürzen will, dürfte es eine gute Strategie sein, sie mit Information zu überladen. Das könnte eines der Geheimnisse unseres kapitalistischen Systems sein, das schon während des Kalten Kriegs zwischen dem Westen und dem kommunistischen System deswegen attraktiver war, weil es mit einer Flut an Waren und Informationen die Menschen verführte. Während die Menschen in den liberalen kapitalistischen Ländern davon sediert wurden, was Herbert Marcuse etwa als affirmative Kultur der Überflussgesellschaft bezeichnete, wuchs in den realkommunistischen Ländern mit geringer Auswahl der Wunsch nach mehr Vielfalt und Buntheit. In der kapitalistischen Warenwelt jedenfalls sind die Menschen konfrontiert mit einer Vielzahl von Möglichkeiten von der Politik über die Medien bis hin zu Waren und Dienstleistungen. Das kann mitunter dazu führen, aufgrund der Überforderung und des Zeitstresses keine Entscheidung zu treffen oder sich nach einem einfachen Kriterium für irgendetwas zu entscheiden, beispielsweise nach dem Preis, was wohl am einfachsten ist, weswegen Geiz eben geil ist. Choice overload nennt man das Problem oder auch Auswahl-Paradoxon. Das interessiert auch deswegen, weil der potenzielle Kunde aufgrund von zu viel Auswahl weniger kaufen oder den Kauf verschieben könnte, weil seine Kauflust schwindet oder er den Eindruck erhält, sich immer falsch zu entscheiden, wie wenn man in Stau steht und stets das Gefühl hat auf der falschen Spur zu fahren.

0.005744669 = product of:
  0.034468014 = sum of:
    0.034468014 = weight(_text_:neue in 3385) [ClassicSimilarity], result of:
      0.034468014 = score(doc=3385,freq=6.0), product of:
        0.14736167 = queryWeight, product of:
          4.074223 = idf(docFreq=2043, maxDocs=44218)
          0.03616927 = queryNorm
        0.23390082 = fieldWeight in 3385, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          4.074223 = idf(docFreq=2043, maxDocs=44218)
          0.0234375 = fieldNorm(doc=3385)
  0.16666667 = coord(1/6)

Content

"Wie könnten Computer Sprache lernen und dabei auch die Bedeutung von Worten sowie die Beziehungen zwischen ihnen verstehen? Dieses Problem der Semantik stellt eine gewaltige, bislang nur ansatzweise bewältigte Aufgabe dar, da Worte und Wortverbindungen oft mehrere oder auch viele Bedeutungen haben, die zudem vom außersprachlichen Kontext abhängen. Die beiden holländischen (Ein künstliches Bewusstsein aus einfachen Aussagen (1)). Paul Vitanyi (2) und Rudi Cilibrasi vom Nationalen Institut für Mathematik und Informatik (3) in Amsterdam schlagen eine elegante Lösung vor: zum Nachschlagen im Internet, der größten Datenbank, die es gibt, wird einfach Google benutzt. Objekte wie eine Maus können mit ihren Namen "Maus" benannt werden, die Bedeutung allgemeiner Begriffe muss aus ihrem Kontext gelernt werden. Ein semantisches Web zur Repräsentation von Wissen besteht aus den möglichen Verbindungen, die Objekte und ihre Namen eingehen können. Natürlich können in der Wirklichkeit neue Namen, aber auch neue Bedeutungen und damit neue Verknüpfungen geschaffen werden. Sprache ist lebendig und flexibel. Um einer Künstlichen Intelligenz alle Wortbedeutungen beizubringen, müsste mit der Hilfe von menschlichen Experten oder auch vielen Mitarbeitern eine riesige Datenbank mit den möglichen semantischen Netzen aufgebaut und dazu noch ständig aktualisiert werden. Das aber müsste gar nicht notwendig sein, denn mit dem Web gibt es nicht nur die größte und weitgehend kostenlos benutzbare semantische Datenbank, sie wird auch ständig von zahllosen Internetnutzern aktualisiert. Zudem gibt es Suchmaschinen wie Google, die Verbindungen zwischen Worten und damit deren Bedeutungskontext in der Praxis in ihrer Wahrscheinlichkeit quantitativ mit der Angabe der Webseiten, auf denen sie gefunden wurden, messen.

0.002177972 = product of:
  0.013067832 = sum of:
    0.013067832 = product of:
      0.039203495 = sum of:
        0.039203495 = weight(_text_:22 in 3978) [ClassicSimilarity], result of:
          0.039203495 = score(doc=3978,freq=2.0), product of:
            0.12665862 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.03616927 = queryNorm
            0.30952093 = fieldWeight in 3978, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0625 = fieldNorm(doc=3978)
      0.33333334 = coord(1/3)
  0.16666667 = coord(1/6)

Issue

[22. November 2017].

0.002177972 = product of:
  0.013067832 = sum of:
    0.013067832 = product of:
      0.039203495 = sum of:
        0.039203495 = weight(_text_:22 in 4427) [ClassicSimilarity], result of:
          0.039203495 = score(doc=4427,freq=2.0), product of:
            0.12665862 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.03616927 = queryNorm
            0.30952093 = fieldWeight in 4427, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0625 = fieldNorm(doc=4427)
      0.33333334 = coord(1/3)
  0.16666667 = coord(1/6)

Date

22. 1.2018 11:08:27

0.001088986 = product of:
  0.006533916 = sum of:
    0.006533916 = product of:
      0.019601747 = sum of:
        0.019601747 = weight(_text_:22 in 4217) [ClassicSimilarity], result of:
          0.019601747 = score(doc=4217,freq=2.0), product of:
            0.12665862 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.03616927 = queryNorm
            0.15476047 = fieldWeight in 4217, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.03125 = fieldNorm(doc=4217)
      0.33333334 = coord(1/3)
  0.16666667 = coord(1/6)

Date

22. 1.2018 11:32:44