#fid — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #fid, aggregated by home.social.
-
Der Fachinformationsdienst @CrossAsia bittet um Mithilfe: Was brauchen seine Nutzer:innen zukünftig weiterhin oder zusätzlich? Dazu läuft bis zum 10. August eine Umfrage:
https://umfragen.staatsbibliothek-berlin.de/index.php/654436?lang=de
#FID #Asien #Bibliothek #Wissenschaft #Services -
In dieser Woche war das #GNDForum in Göttingen zur strategischen Ausrichtung der #GND für die Humanities@NFDI. Ziel war, die Bedarfe der #NFDI und die Umsetzung in der GND zu eruieren und zu überlegen, wie die Zusammenarbeit zwischen #NFDI, #FID, GND und Community gestärkt werden kann. Ich habe mich sehr gefreut, diese Veranstaltung für @nfdi4objects mitzuorganisieren und mitzugestalten.
#nfdirocks #NFDI4Objects @NFDI4Memory @nfdi4culture @Textplus @gndnet #Humanities #Normdaten
-
@ledevoir peut-être se renseigner sur #bds avant de pondre un article encore plus nul et d’extrême mauvaise foi que ce qu‘on écrit dans les médias mainstream français.
Et cette comparaison avec l‘Iran, #Panahi est en prison, c‘est du grand n‘importe quoi de mettre #Iran et #israel sur le même plan
vous avez essayé de savoir pourquoi certains cinéastes ont retiré leurs films du #fid ?
Il ne s‘agit nullement d‘un #boycott d’œuvres et/ou de personnes, et encore moins d‘une #censure terme qui est brandi par les cultureux entre eux, c‘est la fonction et le rôle qu‘il jouent dans la #normalisation d‘un État qui commet un #genocide et n‘a surtout rien de normal
Et pour finir, tout ce beau monde, on ne l‘a pas entendu sur les #crimes contre l’humanité, la #torture, la #boucherie la #destruction, l’#apartheid, les #assassinats, les violations quotidiennes des conventions internationales commis par #israel - par contre il ne leur faut pas une journée pour rassembler 300 personnes pour une tribune en défense de la culture et des arts, qui en plus se doivent être apolitiques -
#OpenAccess in der #Philosophie – eine sehr kluge und umsichtige #petition in der die zentrale Rolle unseres #fid betont wird: https://philportal.de/positionspapier
@FID_Philosophie 🦉 -
RE: https://openbiblio.social/@FID_Ost/116612316163831160
Vielen Dank nochmals für Ihre Teilnahme! Wir haben viele Impulse für unsere Arbeit mitgenommen und freuen uns auf weiteren Austausch über die #Mailingliste https://www.listserv.dfn.de/sympa/info/netzwerk-nordost.bib und unterjährige Treffen bis zum Wiedersehen auf der nächsten #BiblioCon27.
Die Folien zur Sitzung sind nun online abrufbar unter https://nbn-resolving.org/urn:nbn:de:0290-opus4-202283
-
🗣️ Mit dem neuen Jour-Fixe-Format stärkt NFDI4Culture den regelmäßigen Austausch mit dem FID-Netzwerk, um Synergien besser zu nutzen, Redundanzen zu vermeiden und den Austausch mit Akteur:innen nachhaltig zu verbessern.
🤝 FID-Netzwerk: @fid_dk, @musiconn, @fidmedia, sowie @arthistoricum.
https://nfdi4culture.de/about-us/specialised-information-services.html📅 Erster Jour Fixe: Mi, 17.06. 10:30 – 12:30 Uhr
👉 https://adwmainz.zoom.us/j/96265313548 (ohne Anmeldung)
-
#FID | Wir verlängern die Anmeldefrist für unser FID Regionalforum am 22. Juni 2026 in der @bsbmuenchen @historicum_net @FID_Ost
-
RE: https://openbiblio.social/@obibJournal/116645575877448347
... und noch ein Zitat:
"Vor dem Hintergrund aktueller geopolitischer Entwicklungen sei ein möglichst umfassender Bestandsaufbau inklusive einer Last-Copy-Policy (in gedruckter Form) für verschiedene Wissenschafts-Communities aktueller denn je."
-
RE: https://openbiblio.social/@obibJournal/116645575877448347
Zitat aus dem Artikel:
"Im Plenum bestand Einigkeit darüber, Wissenschaftler*innen stärker für den Mehrwert der jeweiligen #FID und für die Konsequenzen eines möglichen Wegfalls aller zugehörigen Dienste zu sensibilisieren, falls ein FID seine DFG‑Förderung verlieren sollte. Hierzu zählt nicht zuletzt der Aufruf, an FID‑Umfragen zur Bedarfserhebung teilzunehmen."
👏 -
Der #FID Benelux auf der #BiblioCon26: ein Kurzbericht und einige Impressionen
▶️ https://www.fid-benelux.de/2026/05/27/der-fid-benelux-auf-der-bibliocon-2026/
-
📆 Schon mal vormerken:
Im Dezember startet eine neue Bewerbungsrunde für 💎 🔓 #OpenAccess #Zeitschriftenprojeke aus #Erziehungswissenschaft #Bildungsforschung #Hochschulforschung #Fachdidaktik
ℹ️ Infos zur Förderung und zum Bewerbungsverfahren gibt's hier: https://www.fachportal-paedagogik.de/literatur/produkte/fachinformationsdienst/open-publishing-journals.html -
😃 Die kleinen Freuden im #FID Benelux-#Fachreferat: Wenn du für einen Forscher, der zu einer individuellen Beratung kommt, die technischen Hürden beim Zugang zu lizenzpflichtigen Datenbanken aus dem Weg räumen, ihn anschließend mit rund 350 passgenauen Treffern zu seiner Forschungsfrage versorgen und ihm dann en passant noch die ganze Bandbreite der FID-Services vorführen kannst.
Das lange Wochenende kann kommen! 🎉
-
💡 Erkenntnis des Tages: Wenn sich eine Mastowall für die #Bibliocon erstellen lässt, geht das analog dazu natürlich auch für die #FID / #Fachinformationsdienste.
Hübsch und informativ! Und nur ein ganz klein wenig Beifang von europesays.com.
-
#FID Coffee Lecture am 29.5. um 13 Uhr zusammen mit
@FID_Ost @Propylaeum @musiconnWir stellen vor, wie
#FIDLizenzen (über die FID frei nutzbare Fachdatenbanken, Zeitungsarchive etc.) in unseren Suchportalen sichtbarer werden.Hier geht's zu den FID-Lizenzen:
https://www.historicum.net/services/fid-lizenzen -
RE: https://openbiblio.social/@fidromanistik/116599883935182959
Um 9 Uhr beginnt die spannende Comic-Session in Raum 15. Um 9:30 Uhr sind wir mit unserem gemeinsamen Vortrag mit @LibraryAAC dran. #Comic #GraphicNovel #FID #BiblioCon26
-
Sehr interessante Diskussion zu #Crowdfunding für #DiamondOA beim Workshop des #FID #Erziehungswissenschaft und #Bildungsforschung auf der #bibliocon26. Durfte einen kurzen Input zum Jahrbuch Historische Bildungsforschung geben, dessen #OA-Transformation wir in der @bbf_dipfberlin umgesetzt haben
-
@openaccessnetwork
Nach dem Einführungsvortrag der Servicestelle Diamond Open Access (SeDOA) zu #DiamondOpenAccess und Finanzierung, der die aktuellen Perspektiven und Entwicklungen beleuchtet, präsentiert u.a. @dipf_aktuell - Kollegin Anke Butz edu_consort_oa, das Verbundprojekt Open Access-Konsortium Bildung für E-Books und Zeitschriften.
https://www.fachportal-paedagogik.de/literatur/produkte/fachinformationsdienst/fachinformationsdienst.html#open
#OpenAccess #Bildungsforschung #Erziehungswissenschaft #FID #DOA -
Tipp für die #BiblioCon26
BOOM! PAF! ¡BUM! – Comicsammlungen in den Fachinformationsdiensten
#Comics & #GraphicNovels haben sich als wichtige Primärquellen für die Wiss. etabliert. Ihre überreg. Bereitstellung fällt damit auch in den Aufgabenber. der #FID.
Do. 21.5. Raum 15, 9:30-10 https://t1p.de/40n50 -
Im Februar ist der Fachinformationsdienst Chemie gestartet! 🥳
Die Kolleg:innen, die nun Services zu Informationen, Recherche und Publizieren rund um die #Chemie aufbauen, freuen sich über Meldungen zu Bedarfen und Ideen für den #FID!
» https://www.fid-chemie.de/de/
» @FID_Chemie -
📢 FIDs und Fachreferate vernetzen auf der #BiblioCon2026!
Die gemeinsame Fachsession des #FID-Netzwerks NordOst und der VDB-Kommission für Fachreferatsarbeit geht in die zweite Runde! Im Fokus stehen Austausch, Vernetzung und aktuelle Themen rund um #Fachreferat mit Bezug zu #Nordeuropa, #Osteuropa und FIDs.
📅 21. Mai 2026, 11:00–12:30 Uhr
🔗 Weitere Informationen im Programm: https://bibliocon2026.abstractserver.com/program/#/details/sessions/107
Wir freuen uns auf den Austausch und viele bekannte wie neue Gesichter!
-
📣 Der Fachinformationsdienst @fidmedia startet in diesem Sommersemester 2026 mit einem spannenden FID Media Bites-Programm und vielversprechenden Vorträgen rund um Themen wie Publishing, Archivarbeit, Annotations- und KI-Tools.
📅 Den ersten sommerlichen Wissenshappen stellt Maximilian Heimstädt (Hamburg) am 8. Mai 2026, 11 Uhr, vor: "Predatory Publishing. Ein kleines Bestiarium des Raubtierverlegens".
➡️ Infos zur Veranstaltungsreihe: https://blog.fid-media.de/2026/03/30/online-vortragsreihe-fid-media-bites-im-sose-2026/
-
Vom 19. bis 22. Mai findet in Berlin die @bibliocon statt - der #FID #Erziehungswissenschaft und #Bildungsforschung ist dabei!
Gemeinsam mit den UBs der Uni Erlangen und der @HumboldtUni laden wir Dienstag, 19. Mai, 16 – 18:30 zum Workshop
"Zukünftige Ausgestaltung der Open-Access-Aktivitäten des FID Erziehungswissenschaft und Bildungsforschung" ein.
Es geht um #OpenAccess-Aktivitäten der letzten Jahre und um die Ausgestaltung der E-Book- und Zeitschriften-Crowdfundings.
https://bibliocon2026.abstractserver.com/program/#/details/sessions/67 -
und noch ein Hinweis to whom it may concern:
es gibt eine neue #Mailingliste fürs #Fachreferat #Nordeuroa & #Osteuropa: vom #FID-Netzwerk #NordOst!
https://portal.vifanord.de/blog/im-dialog-mit-den-fachreferaten-neue-mailingliste-des-fid-netzwerks-nordost-fuer-fachreferatsarbeit-in-der-nord-und-osteuropaforschung/ #fachreferatsfreitag -
Sie betreuen an Ihrer Bibliothek die #Nordeuropastudien, #Osteuropastudien und/oder die #Slawistik und wünschen sich mehr Austausch mit den zuständigen Fachinformationsdiensten und Fachreferaten anderer Bibliotheken? Die neue #Mailingliste des #FID-Netzwerks NordOst macht genau das möglich!
Weitere Informationen und den Anmeldelink gibt es auf unserem Portal osmikon 👉 https://buff.ly/LZdnSgb
Wir freuen uns auf einen lebendigen Dialog mit Ihnen!
-
Bessere KI-Antworten – auch ohne Hochleistungsrechner
KI-Systeme, die Texte nicht nur generieren, sondern gezielt in Dokumenten recherchieren, sind mittlerweile etablierter Stand der Technik. Einer dieser Ansätze heißt Retrieval-Augmented Generation (RAG): Stellt ein Benutzer eine Frage, sucht das System relevante Informationen in einer Wissensbasis – zum Beispiel in einem Wiki – und nutzt diese als Grundlage, um relevante Inhalte bzw. Quellen aufzulisten oder mittels KI Antworten daraus zu generieren.
Das Problem: Damit ein solches System gut funktioniert, müssen viele Stellschrauben richtig eingestellt werden. Diese sogenannte Hyperparameter-Optimierung ist normalerweise entweder zeitaufwändig oder rechenintensiv und in jedem Fall technisch anspruchsvoll. Unsere aktuelle Untersuchung zeigt jedoch: Eine automatisierte Optimierung ist möglich – sogar auf einem normalen Laptop.
Ausgangslage
Grundlage unserer Untersuchung im Open Science Lab war die Weiterentwicklung unseres RAG-Moduls für Wikibase4Research. Mit dem zuvor bestehenden System war es bereits sehr einfach möglich, eine Mediawiki Installation zu erhalten, deren Inhalte KI-gestützt via RAG durchsuchbar sind. Egal ob es nun um Artikelseiten in einem einfachen Mediawiki, strukturierte Wissensdaten in einer Wikibase oder eine Kombination aus beidem wie zum Beispiel Semantic Mediawiki oder Semantic Wikibase geht.
Eine Einführung in die grundlegende Funktionsweise von RAG und Wikibase4Research liefert das folgende Video:
Um eine hohe Qualität der KI-basierten Suchergebnisse und Antworten zu erhalten, ist es aber nötig, das System entsprechend der verwendeten Daten zu konfigurieren. Für diese Einstellungen gibt es keine Standardfälle, es gehört in das Arbeitsfeld eines Data Scientist die Systemparameter zu testen und zu verbessern. In diesem Prozess wird daher klassisch ein hohes Maß an Erfahrung und Fachwissen benötigt, um optimale Ergebnisse zu erhalten.
Die Alternative ist der nun in Wikibase4Research integrierte AutoRAG Ansatz, der die Parameter vollautomatisch optimiert. Dieser Prozess wird im Farchjargon „Hyperparameter Tuning“ oder auch „Hyperparameter Optimierung“ genannt.
Anforderungen
Die Rahmenbedingungen für ein Hyperparameter Tuning können sehr unterschiedlich sein. In unserem Fall ergeben sich die Anforderungen vor allem aus der Nutzergruppe von Wikibase4Research.
Forscher/Innen
Im Forschungskontext haben wir es mit fächerspezifischen Daten zu tun. Die beteiligten Wissenschaftler sind Experten in ihrer jeweiligen Fachdomäne. Expertise im Bereich spezieller Data-Science-Anwendungen ist in den Projektteams meist nicht vorhanden. Dies ist durchaus sinnvoll, denn das Projektteam ist somit auf die im Projekt zu bearbeitenden Forschungsfragen spezialisiert.
Daten
Für die Optimierung wird ein Test-Datensatz benötigt, der mögliche Fragen (Suchanfragen) mit den optimalen Quellen in den Daten verknüpft. Dieser Datensatz wird mit den Suchergebnissen des Systems verglichen, um die Qualität der Systemeinstellung bewerten zu können (Idealdaten). Solche Testdaten liegen in den überwiegenden Fällen nicht vor.
Endnutzer/Innen
Wer nutzt die Daten letztendlich und welche Art von Anfragen werden gestellt? Diese Frage ist entscheidend bei der Optimierung. Werden die Endnutzer spezifische Fakten aus den Daten abfragen wie zum Beispiel Jahreszahlen bestimmter Ereignisse oder eher Zusammenfassungen ganzer Absätze oder Artikel erwarten? Zu welchen Themen werden voraussichtlich Fragen gestellt? Erwarte ich eher Fragen zum Inhalt der Daten oder Fragen auf der Metaebene wie zum Beispiel zur Anzahl von Quellen, der Struktur und Länge von Texten, des Schreibstils oder zur Medienart? Werden Suchanfragen von Wissenschaftlern im Fachjargon gestellt oder eher in Umgangssprache formuliert? Die frühzeitige Definition grundlegender Personas für die zu erwartende Nutzergruppe hilft nicht nur bei der Optimierung von RAG, sondern ist auch ein wichtiger Schritt bei der Erstellung von Design und Benutzeroberflächen in der Präsentation der Forschungsergebnisse.
Infrastruktur
Hohe Rechenkapazitäten, Zugang zu GPU-Processing und Budget für industrielle KI-Services ist in vielen Projekten nicht vorhanden. Wikibase4Research bietet die Option, externe Schnittstellen wie Huggingface, OpenAI oder die SAIA-Umgebung der GWDG zur Ausführung von KI-Modellen zu nutzen. Die dort bestehenden Limits für kostenlose Nutzung reichen aber meist nicht aus, um die Vielzahl an Parameter-Konfigurationen zu testen, die zur Optimierung eines RAG-Systems notwendig ist. Ideal wäre also, die Ausführung lokal auf allgemein verfügbarer Hardware durchführen zu können, was auch unter dem Aspekt der ressourcenschonenden Nutzung von KI ein erstrebenswertes Ziel ist.
Es ergibt sich für unseren Ansatz daher folgender Anforderungskatalog:
- Anpassung auf die verwendeten Daten
- vollautomatische Optimierung
- keine technischen Vorkenntnisse nötig
- Test-Datensatz wird generiert
- User-Persona-Profile berücksichtigen
- möglichst effizient, mit geringem Ressourcenbedarf
Methodik
Daten
Als Datengrundlage dienten jeweils 50 zufällige Artikel aus drei MediaWiki-basierten Wissenssammlungen:
Um die Qualität der Suche zu bewerten, wurden automatisch Frage-Kontext-Antwort-Tripel erzeugt. Zum Einsatz kam dafür das mehrsprachige Sprachmodell IBM Granite 4 350M Nano, das speziell für Umgebungen mit geringer Rechenleistung wie zum Beispiel für On-Device-Anwendungsfälle entwickelt wurde.
LLM-Prompt
Um hinsichtlich der erwarteten Nutzung realistische Fragen zu generieren, wurde der an das Modell gelieferte Prompt („Erstelle Fragen aus dem Seiteninhalt“) um speziell angepasste Rollenbeschreibungen (Personas) ergänzt, die per Konfigurationsdatei individualisiert werden können. Eine solche Persona-Definition könnte zum Beispiel lauten: „You are a scientist who wants to learn about historic manorhouses in Europe“.
Parameter
In einem RAG-Prozess werden die zu durchsuchenden Daten in einer speziellen Datenbank indiziert, um später schnell und effizient relevante Inhalte zu finden.
Information Extraction und Indizierung von Daten in einem RAG-ProzessDie meisten von uns verwendeten Parameter optimieren diesen Prozess der Informations Extraktion (IE). Dabei wird bestimmt, in welcher Form die Daten gespeichert werden und ob diese ggf. vor dem Speichern um Metadaten wie Schlagworte, Titel oder Zusammenfassungen ergänzt werden. Für die Vektorisierung verwendeten wir das Modell Qwen3-embedding:0.6B. Die mittels AutoRAG optimierten Parameter sind im Folgenden aufgelistet:
- Chunk_Size: Wie groß sind die Informationsabschnitte, die später zugreifbar sein sollen?
- Chunk_Overlap: Wie stark überlappen sich die Informationsabschnitte?
- Extractors: Welche Datenanreicherungen sollen erfolgen (zum Beispiel Zusammenfassung erstellen, Fragen generieren)?
- Top_K: Wieviele Chunks werden als Suchergebnis geliefert?
Sind die Daten eingelesen und wird eine Suchanfrage gestellt, wird das System nach relevanten Informationsabschnitten durchsucht. Dieser Prozess wird „Information Retrieval“ genannt. Man kann es mit den Ergebnissen einer Google-Suche vergleichen, bei der die relevantesten Ergebnisse nicht zwangsläufig an erster Stelle der Liste stehen.
Information Retrieval in einem RAG ProzessInformation Retrieval bedeutet, zur Frage des Nutzers relevante Informationen zu finden. In diesem Prozessschritt optimieren wir den Parameter „Top_K“, der definiert, wie viele der Suchergebnisse im weiteren Prozess berücksichtigt werden. Ist Top_K zu klein, sind wichtige Quellen eventuell nicht enthalten. Ist Top_K zu groß, verarbeitet man eventuell eine große Menge wenig relevanter Inhalte.
Optimierungsverfahren
Statt alle möglichen Kombinationen auszuprobieren (was sehr lange dauern würde), kommt ein Suchalgorithmus zum Einsatz, der die verschiedenen Parameter stufenweise verbessert. Dieses als Greedy („gierig“) benannte Verfahren optimiert zunächst nur einen einzigen Parameter, dann den nächsten usw. Wir verzichten damit auf optimale Lösungen, erreichen aber hinreichend gute Ergebnisse mit akzeptablem Aufwand.
Als Bewertungsmaß für die Optimierung dient dabei der sogenannte Mean Reciprocal Rank (MRR) – ein Maß dafür, an welcher Position relevante Inhalte in der Trefferliste platziert sind. Ein entscheidender Vorteil:
Antwort Generierung in einem RAG Prozess. Diese Phase wurde in der Optimierung NICHT berücksichtigt
Die Bewertung erfolgt vollständig ohne KI-Antwortgenerierung. Es wird also nur getestet, wie gut das System relevante Inhalte findet, nicht wie gut eine KI daraus später Antworten generiert. Dadurch wird erheblich Rechenzeit gespart.Technische Umsetzung
Die Implementierung erfolgte vollständig im MediaWiki-Umfeld mit:
- Wikibase4Research
- einer Docker-basierten Python-API
- dem RAG-Framework LlamaIndex
- lokaler Modellbereitstellung über Ollama
Die Experimente liefen auf einem handelsüblichen Laptop aus dem Jahr 2022 (Dell Latitude 5421, Intel Core i7-11850H mit 8 Kernen, 16 GB RAM) – ohne GPU-Beschleunigung.
Ergebnisse
Trotz der bewusst schlanken Hardware-Ausstattung konnte die Optimierung meist bereits innerhalb einer Stunde abgeschlossen werden. Dabei wurde bei allen Datensätzen eine starke Verbesserungen der Abfrageergebnisse erzielt.
Für unser Qualitästmaß, den Mean Reciprocal Rank (MRR), ergab sich eine Steigerung von durchschnittlich 12 bis 25 Prozent gegenüber den voreingestellten Parametern. Das bedeutet, in den Ergebnissen der Suchanfrage waren mehr relevante Quellen aufgeführt und relevante Quellen standen in der Ergebnisliste an höherer Stelle als zuvor. In einzelnen Datensätzen ergaben sich sogar Verbesserungen von bis zu 50 Prozent. Dabei ließen sich vergleichbare Ergebnisse auch mit Artikeln erreichen, die nicht Teil der Optimierungsschleife waren (Cross-Validation).
Warum ist das relevant?
Für wissenschaftliche Infrastrukturen wie digitale Bibliotheken, Fachrepositorien oder Forschungsdatenplattformen ist es entscheidend, KI-Systeme effizient und ressourcenschonend betreiben zu können. Die Ergebnisse zeigen: Sinnvolle RAG-Optimierung ist auch ohne Rechenzentrum machbar.
Das senkt technische Hürden, reduziert Kosten und macht den Einsatz moderner KI-Technologien auch in kleineren Projekten realistisch.
Ausblick
Die für die Suche verwendeten Embedding-Vector-Modelle haben einen erheblichen Einfluss auf die Ergebnisse (vgl. Orbach et al. (2025)) und zwar sowohl auf die Rechenzeit als auch auf die Ergebnisqualität. Dabei zeigen Modelle nicht auf allen Datensätzen die gleichen Ergebnisse.
Es ist auch nur begrenzt möglich, die Optimierung mit extrem kleinen oder schnellen Embedding-Modellen auszuführen und die optimierten Parameter dann zusammen mit einem anderen, leistungsfähigen Modell im Live-Betrieb einzusetzen. Sind die eingesetzten Embedding-Modelle nicht angepasst genug an die verwendete Wissensdomäne, liefert auch die Optimierung nur suboptimale Ergebnisse.
Genau an diesem Punkt wird unsere Arbeit im Open Science Lab in der nächsten Zeit ansetzen. Gemeinsam mit den Fachinformationsdiensten FID Material Science, FID Move, FID Pyhsik und FID Philosophie evaluieren wir die Möglichkeit einer stärkeren Vernetzung von NFDI und FIDs mit dem Ziel, die einzelnen Wissendomänen mit fachspezifischen Embedding-Modellen zu versorgen. Zielsetzung ist es, damit den Zugang zu dieser Technologie noch weiter zu vereinfachen sowie die Qualität der Ergebnisse von KI-Anwendungen im Forschungs- und Bibliotheksumfeld gezielt zu erhöhen.
Prof. Dr. Ina Blümel, Open Science Lab // Foto: TIB/C. Bierwagen
„AutoRAG ist für uns ein wichtiger Innovationsschritt: Es macht RAG in offenen Wissensräumen wie Wikibase messbar, wiederholbar und mit überschaubaren Ressourcen betreibbar. Für Projekte wie NFDI4Culture und weitere Vorhaben im Open Science Lab bedeutet das spürbar bessere, nachvollziehbare KI-gestützte Suche über heterogene Bestände – ohne dass tiefes Spezial-Know-how aufgebaut werden muss. Nächster Schritt ist der Ausbau fachspezifischer Embeddings, kuratierter Testsets und transparenter Workflows, damit die Qualität und Nachnutzbarkeit langfristig steigt.“
Relevante Links
- Wikibase4Research: https://gitlab.com/nfdi4culture/wikibase4research/wikibase4research
- Wikibase4Research-RAG Modul: https://gitlab.com/nfdi4culture/wikibase4research/wikibase-RAG
-
re3data has added "Special Information Services / FID" as a new profile. This property groups repositories with a common affiliation and makes them easily accessible through a single filter option. Find out more about Special Information Services at https://wikis.sub.uni-hamburg.de/webis/index.php/Profilbeschreibung
-
*NEW TUTROIAL*
We are pleased to release a new #tutorial:
It explains how to correctly apply Persistent Identifiers (PIDs) for citation purposes.Watch the tutorial here:
https://www.youtube.com/watch?v=NrsPuzOEHEI -
"déjà vu: Webseite des FID-Netzwerkes" von @jplie
https://netbib.hypotheses.org/78649181
#FID #Bibiothekswesen #Infrastruktur #Projekte -
Fachinformationsdienste für die Wissenschaft bieten eine digitale, standortunabhängige Informationsversorgung für Forschung und Lehre.
#FID sind speziell auf die Bedürfnisse der wiss. Communities ausgerichtet und ergänzen die lokalen Angebote der Hochschul- und Forschungseinrichtungen: https://fid.network