Neues aus der Forschungsgruppe Visual Analytics

Wir suchen studentische Hilfskräfte zur Unterstützung unserer Forschungs- und Lehraktivitäten. Bei Interesse kontaktieren Sie bitte Prof. Ewerth.


Best Student Paper Award auf der JCDL 2022

Das Paper "Cross-Domain Multi-Task Learning for Sequential Sentence Classification in Research Papers" von Arthur Brack, Anett Hoppe, Pascal Buschermöhle und Ralph Ewerth hat den Best Student Paper Award auf der ACM/IEEE Joint Conference on Digital Libraries (JCDL 2022) gewonnen.


Momentan bieten wir im Rahmen der Promotionsprogramme LernMINT und Responsible AI Promotionsstellen an!

Stellen im Programm LernMINT:

Stelle im Programm Responsible AI:

 Bei Interesse kontaktieren Sie Prof. Ewerth.


Nominierung für Best Full Paper Award auf der ICALT 2020

Der Beitrag "A Recommender System for Open Educational Videos Based on Skill Requirements" von Mohammadreza Tavakoli, Sherzod Hakimov, Ralph Ewerth und Gabor Kismihok wurde für den Best Full Paper Award bei der noch anstehenden internationalen Konferenz ICALT 2020 nominiert. 


 

60-minütige Einführung zum Open Research Knowledge Graph, seinen Zielen und seinen Nutzungsmöglichkeiten


wir die bunte Themenvielfalt der TIB kurz und knapp erklären würden?


Im Interview: Prof. Dr. Ralph Ewerth über seine Forschung zum Lernen mit und von Künstlicher Intelligenz


Von Wissenskommunikation über Datenschätze, digitale Arterhaltung und personalisierte Medizin bis Open Access


ICMR 2020: Beitrag „Multimodal Analytics for Real-world News using Measures of Cross-modal Entity Consistency“ ausgezeichnet


Kostenfreies Publizieren in Open-Access-Zeitschriften von Springer Nature für Mitglieder der Leibniz Universität Hannover


Prof. Dr. Ralph Ewerth ist Fellow der Forschungsgruppe „Multimodale Rhetorik in der Onlinemedien-Kommunikation“


TIB präsentiert verschiedene KI-Projekte beim „Speed Dating“


Best Paper Award für den Beitrag „Understanding, Categorizing and Predicting Semantic Image-Text Relations“


Vortrag: „Is this an example image? – Predicting the Relative Abstractness Level of Image and Text“


Feedback