FAIRDOM is an initiative to develop a community, and establish an internationally sustained Data and Model Management service to the European Systems Biology community.
The STRENDA Guidelines aim to support authors to comprehensively report kinetic and equilibrium data from their investigations of enzyme activities. Both the STRENDA project and the STRENDA Guidelines are registered in biosharing.org, a web portal that collects inter-related data standards, databases, and policies in the life, environmental and biomedical sciences. Today more than 30 international biochemistry journals recommend their authors to consult the STRENDA Guidelines when publishing enzyme kinetics data.
KomFor is the link between research and community based data facilities, libraries and journals collaborating to improve the quality and availability of research data in the earth sciences. The way to achieve this is by building sustainable and reliable ways for data publications in line with quality standards in scientific publishing. KomFor provides access to data publishing resources for projects, institutes, research groups, and individual reseachers, spanning the entire life-cycle of research data.
K. Wilms, S. Stieglitz, A. Buchholz, R. Vogl, and D. Rudolph. Proceedings of the 51st Hawaii International Conference on System Sciences, Hawaii International Conference on System Sciences, (2018)
A. Seeland. Software, (2020)Related to: Selent, B., Kraus, H., Hansen, N., Schembera, B., Seeland, A. & Iglezakis, D. (forthcoming). Management of Research Data in Computational Fluid Dynamics and Thermodynamics. In: Proceedings der E-Science-Tage 2019.
A. Schreiber, and R. Struminski. Universal Access in Human--Computer Interaction. Design and Development Approaches and Methods: 11th International Conference, UAHCI 2017, Held as Part of HCI International 2017, Vancouver, BC, Canada, July 9--14, 2017, Proceedings, Part I 11, page 444--455. Springer, (2017)
L. Käde. Datenrecht und neue Technologien Nomos, Baden-Baden, 1 edition, (2021)Die interdisziplinäre Analyse nimmt konkreten Bezug zu in derKI-Entwicklung eingesetzten Machine Learning (ML)-Frameworks und gibtpraxisrelevante Antworten auf damit zusammenhängendeurheberrechtliche Fragen. Insbesondere der Datenbank(werk)schutz fürML-Modelle steht dabei im Fokus. Die Arbeit bietet außerdem eineEinschätzung der Relevanz von Text und Data Mining-Schranken imKI-Kontext. Mit Blick auf die Erzeugung von Werken durch bzw. mithilfevon ML wird die Zurechnungsproblematik erörtert, eine Lösungvorgeschlagen und eine Hilfestellung zur Ermittlung eines Urhebersangeboten. Darüber hinaus erfolgt hinsichtlich etwaiger KI-Autonomieeine Einführung in die Zusammenhänge von Intelligenz, Kreativitätund Computational Creativity..
F. Kleinkopf. Schriftenreihe des Archivs für Urheber- und Medienrecht Nomos, Baden-Baden, (2022)Immer häufiger werden digitale Methoden wie das Text- und Data-Miningzur Erkenntnisfindung eingesetzt, das die Möglichkeit bietet, Musterin großen Datensätzen zu erkennen und zugleich Grundlage desmaschinellen Lernens ist. Die Arbeit betrachtet diese Methode ausurheberrechtlicher Perspektive und berücksichtigt dabei die Bedeutungund Steuerungswirkung urheberrechtlicher Schranken, die besondereInteressenlage im Wissenschaftsurheberrecht sowie interdisziplinäreErkenntnisse. In der umfassenden Analyse wird die komplexeRechtsmaterie strukturiert, es werden Defizite aufgezeigt und konkreteLösungsvorschläge unterbreitet. Ein Schwerpunkt liegt dabei auf derlangfristigen Zugänglichkeit der erzeugten Forschungsdaten..