Podcasts about helmholtz

Von der Diagnostik bis zur Therapie. Künstliche Intelligenz kann in vielen Bereichen der Biomedizin unterstützen. Inwieweit können KI und Biologie voneinander lernen? Wenn euch Themen rund um KI und Biomedizin interessieren, dann schaut gerne auch in das Wissenschaftsmagazin der Max-Planck-Gesellschaft. Die neue Ausgabe der „MaxPlanckForschung“, die sich um KI in der Biomedizin dreht, könnt ihr hier online abrufen. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-ki-und-biomedizin

Most of us think clapping is just about two hands hitting each other, but new research out this week in the journal Physical Review Research found that the clap that we hear actually comes from the air being squeezed out between our palms. When your hands come together, whether flat or cupped, they trap a tiny bubble of air. That bubble escapes through small gaps, like the one between your thumb and index finger, creating a mini jet of air that blasts out and disturbs the surrounding atmosphere. This results in a burst of sound created by a phenomenon called Helmholtz resonance, the same thing that happens when you blow across the top of a bottle. Your hands, in that moment, are transformed into a musical instrument. To test their theory, the research team built silicone hands of different shapes and stiffness levels, and gave them microphones, pressure sensors, and high-speed cameras. They clapped the hands together again and again, studying every tiny movement and sound wave. They found that the shape of your hands plays a big role in how your clap sounds. Cupped hands trap more air and make a lower, deeper sound. Flat hands create a higher-pitched pop. Even the grooves between your fingers contribute, acting like tiny open-ended pipes that add extra tones. The study showed how a handclap might actually be used to identify someone. Because everyone has differently sized hands, skin textures, and clapping styles, no two claps are exactly alike, each person's clap is unique, like a musical fingerprint. One researcher is already exploring whether clapping could be used to take attendance in classrooms - where students walk into a room, clap once and the system recognises you and checks you in. LISTEN ABOVESee omnystudio.com/listener for privacy information.

Während die großen christlichen Kirchen in Deutschland in der Krise sind, erlebt die Pfingstbewegung einen Boom. Pfingstgemeinden bedienen das Bedürfnis vieler Menschen nach einer neuen, offeneren Spiritualität, doch sie verfolgen auch politische Ziele. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-pfingstbewegung

Freedom Friday keeps rolling with MN. Rep Max Rymer, Grace Keating, and AK Kamara in studio where the conversation turns to AK's childhood, and the group tries to figure out the difference between whiskeys. Other topics include tax data for illegal immigrants and the project to repair street lights in Minneapolis.

Um unsere Träume ranken sich viele Mythen — einige lassen sich auch wissenschaftlich beweisen oder widerlegen. Traumforscher Michael Schredl analysiert Trauminhalte und untersucht Patientinnen und Patienten im Schlaflabor. Den Podcast „Traumkiste“ von Michael Schredl und Simon Heese findet auf traumkiste.net und überall, wo es Podcasts gibt. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-traumforschung

Deutschland soll bis 2045 treibhausgasneutral werden, so steht es auch im aktuellen Koalitionsvertrag. Wie das noch zu schaffen ist und welche Meilensteine es auf dem Weg gibt, hat das Team der Jülicher Systemanalyse erforscht. Wie Deutschland es bis 2045 schaffen kann, treibhausgasneutral zu werden, könnt ihr hier nochmal nachlesen. Eine regionale Perspektive auf das Netto-Null-Energiesystem gibt es hier. Und wie die Energiewende europaweit gelingen kann, dazu findet ihr hier alle Infos. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-netto-null-bis-2045

Seid ihr schon mal an der Tür eines Techno-Clubs abgewiesen worden und habt euch gefragt, warum? Eine Studie hat die Kriterien von Türsteherinnen und Türstehern untersucht. Sie sind vielleicht widersprüchlich, aber keineswegs willkürlich. Die Studie „Curating the Crowd: How Firms Manage Social Fit to Stage Social Atmospheres“, an der Prof. Michael Kleinaltenkamp mitgewirkt hat, findet ihr hier. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-tuerpolitik-von-techno-clubs

Einem Forschungsteam des Max-Planck-Instituts für Multidisziplinäre Naturwissenschaften ist es erstmals gelungen, den gesamten Prozess des Eisprungs in Follikeln einer Maus zu filmen. Was bedeutet das für die Fruchtbarkeitsforschung? Die Pressemitteilung der Max-Planck-Gesellschaft mit dem Live-Video vom Eisprung im Follikel einer Maus findet ihr hier. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-eisprung

In this episode Gudrun speaks with Nadja Klein and Moussa Kassem Sbeyti who work at the Scientific Computing Center (SCC) at KIT in Karlsruhe. Since August 2024, Nadja has been professor at KIT leading the research group Methods for Big Data (MBD) there. She is an Emmy Noether Research Group Leader, and a member of AcademiaNet, and Die Junge Akademie, among others. In 2025, Nadja was awarded the Committee of Presidents of Statistical Societies (COPSS) Emerging Leader Award (ELA). The COPSS ELA recognizes early career statistical scientists who show evidence of and potential for leadership and who will help shape and strengthen the field. She finished her doctoral studies in Mathematics at the Universität Göttingen before conducting a postdoc at the University of Melbourne as a Feodor-Lynen fellow by the Alexander von Humboldt Foundation. Afterwards she was a Professor for Statistics and Data Science at the Humboldt-Universität zu Berlin before joining KIT. Moussa joined Nadja's lab as an associated member in 2023 and later as a postdoctoral researcher in 2024. He pursued a PhD at the TU Berlin while working as an AI Research Scientist at the Continental AI Lab in Berlin. His research primarily focuses on deep learning, developing uncertainty-based automated labeling methods for 2D object detection in autonomous driving. Prior to this, Moussa earned his M.Sc. in Mechatronics Engineering from the TU Darmstadt in 2021. The research of Nadja and Moussa is at the intersection of statistics and machine learning. In Nadja's MBD Lab the research spans theoretical analysis, method development and real-world applications. One of their key focuses is Bayesian methods, which allow to incorporate prior knowledge, quantify uncertainties, and bring insights to the “black boxes” of machine learning. By fusing the precision and reliability of Bayesian statistics with the adaptability of machine and deep learning, these methods aim to leverage the best of both worlds. The KIT offers a strong research environment, making it an ideal place to continue their work. They bring new expertise that can be leveraged in various applications and on the other hand Helmholtz offers a great platform in that respect to explore new application areas. For example Moussa decided to join the group at KIT as part of the Helmholtz Pilot Program Core-Informatics at KIT (KiKIT), which is an initiative focused on advancing fundamental research in informatics within the Helmholtz Association. Vision models typically depend on large volumes of labeled data, but collecting and labeling this data is both expensive and prone to errors. During his PhD, his research centered on data-efficient learning using uncertainty-based automated labeling techniques. That means estimating and using the uncertainty of models to select the helpful data samples to train the models to label the rest themselves. Now, within KiKIT, his work has evolved to include knowledge-based approaches in multi-task models, eg. detection and depth estimation — with the broader goal of enabling the development and deployment of reliable, accurate vision systems in real-world applications. Statistics and data science are fascinating fields, offering a wide variety of methods and applications that constantly lead to new insights. Within this domain, Bayesian methods are especially compelling, as they enable the quantification of uncertainty and the incorporation of prior knowledge. These capabilities contribute to making machine learning models more data-efficient, interpretable, and robust, which are essential qualities in safety-critical domains such as autonomous driving and personalized medicine. Nadja is also enthusiastic about the interdisciplinarity of the subject — repeatedly changing the focus from mathematics to economics to statistics to computer science. The combination of theoretical fundamentals and practical applications makes statistics an agile and important field of research in data science. From a deep learning perspective, the focus is on making models both more efficient and more reliable when dealing with large-scale data and complex dependencies. One way to do this is by reducing the need for extensive labeled data. They also work on developing self-aware models that can recognize when they're unsure and even reject their own predictions when necessary. Additionally, they explore model pruning techniques to improve computational efficiency, and specialize in Bayesian deep learning, allowing machine learning models to better handle uncertainty and complex dependencies. Beyond the methods themselves, they also contribute by publishing datasets that help push the development of next-generation, state-of-the-art models. The learning methods are applied across different domains such as object detection, depth estimation, semantic segmentation, and trajectory prediction — especially in the context of autonomous driving and agricultural applications. As deep learning technologies continue to evolve, they're also expanding into new application areas such as medical imaging. Unlike traditional deep learning, Bayesian deep learning provides uncertainty estimates alongside predictions, allowing for more principled decision-making and reducing catastrophic failures in safety-critical application. It has had a growing impact in several real-world domains where uncertainty really matters. Bayesian learning incorporates prior knowledge and updates beliefs as new data comes in, rather than relying purely on data-driven optimization. In healthcare, for example, Bayesian models help quantify uncertainty in medical diagnoses, which supports more risk-aware treatment decisions and can ultimately lead to better patient outcomes. In autonomous vehicles, Bayesian models play a key role in improving safety. By recognizing when the system is uncertain, they help capture edge cases more effectively, reduce false positives and negatives in object detection, and navigate complex, dynamic environments — like bad weather or unexpected road conditions — more reliably. In finance, Bayesian deep learning enhances both risk assessment and fraud detection by allowing the system to assess how confident it is in its predictions. That added layer of information supports more informed decision-making and helps reduce costly errors. Across all these areas, the key advantage is the ability to move beyond just accuracy and incorporate trust and reliability into AI systems. Bayesian methods are traditionally more expensive, but modern approximations (e.g., variational inference or last layer inference) make them feasible. Computational costs depend on the problem — sometimes Bayesian models require fewer data points to achieve better performance. The trade-off is between interpretability and computational efficiency, but hardware improvements are helping bridge this gap. Their research on uncertainty-based automated labeling is designed to make models not just safer and more reliable, but also more efficient. By reducing the need for extensive manual labeling, one improves the overall quality of the dataset while cutting down on human effort and potential labeling errors. Importantly, by selecting informative samples, the model learns from better data — which means it can reach higher performance with fewer training examples. This leads to faster training and better generalization without sacrificing accuracy. They also focus on developing lightweight uncertainty estimation techniques that are computationally efficient, so these benefits don't come with heavy resource demands. In short, this approach helps build models that are more robust, more adaptive to new data, and significantly more efficient to train and deploy — which is critical for real-world systems where both accuracy and speed matter. Statisticians and deep learning researchers often use distinct methodologies, vocabulary and frameworks, making communication and collaboration challenging. Unfortunately, there is a lack of Interdisciplinary education: Traditional academic programs rarely integrate both fields. It is necessary to foster joint programs, workshops, and cross-disciplinary training can help bridge this gap. From Moussa's experience coming through an industrial PhD, he has seen how many industry settings tend to prioritize short-term gains — favoring quick wins in deep learning over deeper, more fundamental improvements. To overcome this, we need to build long-term research partnerships between academia and industry — ones that allow for foundational work to evolve alongside practical applications. That kind of collaboration can drive more sustainable, impactful innovation in the long run, something we do at methods for big data. Looking ahead, one of the major directions for deep learning in the next five to ten years is the shift toward trustworthy AI. We're already seeing growing attention on making models more explainable, fair, and robust — especially as AI systems are being deployed in critical areas like healthcare, mobility, and finance. The group also expect to see more hybrid models — combining deep learning with Bayesian methods, physics-based models, or symbolic reasoning. These approaches can help bridge the gap between raw performance and interpretability, and often lead to more data-efficient solutions. Another big trend is the rise of uncertainty-aware AI. As AI moves into more high-risk, real-world applications, it becomes essential that systems understand and communicate their own confidence. This is where uncertainty modeling will play a key role — helping to make AI not just more powerful, but also more safe and reliable. The lecture "Advanced Bayesian Data Analysis" covers fundamental concepts in Bayesian statistics, including parametric and non-parametric regression, computational techniques such as MCMC and variational inference, and Bayesian priors for handling high-dimensional data. Additionally, the lecturers offer a Research Seminar on Selected Topics in Statistical Learning and Data Science. The workgroup offers a variety of Master's thesis topics at the intersection of statistics and deep learning, focusing on Bayesian modeling, uncertainty quantification, and high-dimensional methods. Current topics include predictive information criteria for Bayesian models and uncertainty quantification in deep learning. Topics span theoretical, methodological, computational and applied projects. Students interested in rigorous theoretical and applied research are encouraged to explore our available projects and contact us for further details. The general advice of Nadja and Moussa for everybody interested to enter the field is: "Develop a strong foundation in statistical and mathematical principles, rather than focusing solely on the latest trends. Gain expertise in both theory and practical applications, as real-world impact requires a balance of both. Be open to interdisciplinary collaboration. Some of the most exciting and meaningful innovations happen at the intersection of fields — whether that's statistics and deep learning, or AI and domain-specific areas like medicine or mobility. So don't be afraid to step outside your comfort zone, ask questions across disciplines, and look for ways to connect different perspectives. That's often where real breakthroughs happen. With every new challenge comes an opportunity to innovate, and that's what keeps this work exciting. We're always pushing for more robust, efficient, and trustworthy AI. And we're also growing — so if you're a motivated researcher interested in this space, we'd love to hear from you." Literature and further information Webpage of the group G. Nuti, Lluis A.J. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arxiv Jan 2019 Wikipedia: Expected value of sample information C. Howson & P. Urbach: Scientific Reasoning: The Bayesian Approach (3rd ed.). Open Court Publishing Company. ISBN 978-0-8126-9578-6, 2005. A.Gelman e.a.: Bayesian Data Analysis Third Edition. Chapman and Hall/CRC. ISBN 978-1-4398-4095-5, 2013. Yu, Angela: Introduction to Bayesian Decision Theory cogsci.ucsd.edu, 2013. Devin Soni: Introduction to Bayesian Networks, 2015. G. Nuti, L. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arXiv:1901.03214 stat.ML, 2019. M. Carlan, T. Kneib and N. Klein: Bayesian conditional transformation models, Journal of the American Statistical Association, 119(546):1360-1373, 2024. N. Klein: Distributional regression for data analysis , Annual Review of Statistics and Its Application, 11:321-346, 2024 C.Hoffmann and N.Klein: Marginally calibrated response distributions for end-to-end learning in autonomous driving, Annals of Applied Statistics, 17(2):1740-1763, 2023 Kassem Sbeyti, M., Karg, M., Wirth, C., Klein, N., & Albayrak, S. (2024, September). Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection. In Uncertainty in Artificial Intelligence (pp. 1890-1900). PMLR. M. K. Sbeyti, N. Klein, A. Nowzad, F. Sivrikaya and S. Albayrak: Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection pdf. To appear in Transactions on Machine Learning Research, 2025 Podcasts Learning, Teaching, and Building in the Age of AI Ep 42 of Vanishing Gradient, Jan 2025. O. Beige, G. Thäter: Risikoentscheidungsprozesse, Gespräch im Modellansatz Podcast, Folge 193, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019.

In this episode Gudrun speaks with Nadja Klein and Moussa Kassem Sbeyti who work at the Scientific Computing Center (SCC) at KIT in Karlsruhe. Since August 2024, Nadja has been professor at KIT leading the research group Methods for Big Data (MBD) there. She is an Emmy Noether Research Group Leader, and a member of AcademiaNet, and Die Junge Akademie, among others. In 2025, Nadja was awarded the Committee of Presidents of Statistical Societies (COPSS) Emerging Leader Award (ELA). The COPSS ELA recognizes early career statistical scientists who show evidence of and potential for leadership and who will help shape and strengthen the field. She finished her doctoral studies in Mathematics at the Universität Göttingen before conducting a postdoc at the University of Melbourne as a Feodor-Lynen fellow by the Alexander von Humboldt Foundation. Afterwards she was a Professor for Statistics and Data Science at the Humboldt-Universität zu Berlin before joining KIT. Moussa joined Nadja's lab as an associated member in 2023 and later as a postdoctoral researcher in 2024. He pursued a PhD at the TU Berlin while working as an AI Research Scientist at the Continental AI Lab in Berlin. His research primarily focuses on deep learning, developing uncertainty-based automated labeling methods for 2D object detection in autonomous driving. Prior to this, Moussa earned his M.Sc. in Mechatronics Engineering from the TU Darmstadt in 2021. The research of Nadja and Moussa is at the intersection of statistics and machine learning. In Nadja's MBD Lab the research spans theoretical analysis, method development and real-world applications. One of their key focuses is Bayesian methods, which allow to incorporate prior knowledge, quantify uncertainties, and bring insights to the “black boxes” of machine learning. By fusing the precision and reliability of Bayesian statistics with the adaptability of machine and deep learning, these methods aim to leverage the best of both worlds. The KIT offers a strong research environment, making it an ideal place to continue their work. They bring new expertise that can be leveraged in various applications and on the other hand Helmholtz offers a great platform in that respect to explore new application areas. For example Moussa decided to join the group at KIT as part of the Helmholtz Pilot Program Core-Informatics at KIT (KiKIT), which is an initiative focused on advancing fundamental research in informatics within the Helmholtz Association. Vision models typically depend on large volumes of labeled data, but collecting and labeling this data is both expensive and prone to errors. During his PhD, his research centered on data-efficient learning using uncertainty-based automated labeling techniques. That means estimating and using the uncertainty of models to select the helpful data samples to train the models to label the rest themselves. Now, within KiKIT, his work has evolved to include knowledge-based approaches in multi-task models, eg. detection and depth estimation — with the broader goal of enabling the development and deployment of reliable, accurate vision systems in real-world applications. Statistics and data science are fascinating fields, offering a wide variety of methods and applications that constantly lead to new insights. Within this domain, Bayesian methods are especially compelling, as they enable the quantification of uncertainty and the incorporation of prior knowledge. These capabilities contribute to making machine learning models more data-efficient, interpretable, and robust, which are essential qualities in safety-critical domains such as autonomous driving and personalized medicine. Nadja is also enthusiastic about the interdisciplinarity of the subject — repeatedly changing the focus from mathematics to economics to statistics to computer science. The combination of theoretical fundamentals and practical applications makes statistics an agile and important field of research in data science. From a deep learning perspective, the focus is on making models both more efficient and more reliable when dealing with large-scale data and complex dependencies. One way to do this is by reducing the need for extensive labeled data. They also work on developing self-aware models that can recognize when they're unsure and even reject their own predictions when necessary. Additionally, they explore model pruning techniques to improve computational efficiency, and specialize in Bayesian deep learning, allowing machine learning models to better handle uncertainty and complex dependencies. Beyond the methods themselves, they also contribute by publishing datasets that help push the development of next-generation, state-of-the-art models. The learning methods are applied across different domains such as object detection, depth estimation, semantic segmentation, and trajectory prediction — especially in the context of autonomous driving and agricultural applications. As deep learning technologies continue to evolve, they're also expanding into new application areas such as medical imaging. Unlike traditional deep learning, Bayesian deep learning provides uncertainty estimates alongside predictions, allowing for more principled decision-making and reducing catastrophic failures in safety-critical application. It has had a growing impact in several real-world domains where uncertainty really matters. Bayesian learning incorporates prior knowledge and updates beliefs as new data comes in, rather than relying purely on data-driven optimization. In healthcare, for example, Bayesian models help quantify uncertainty in medical diagnoses, which supports more risk-aware treatment decisions and can ultimately lead to better patient outcomes. In autonomous vehicles, Bayesian models play a key role in improving safety. By recognizing when the system is uncertain, they help capture edge cases more effectively, reduce false positives and negatives in object detection, and navigate complex, dynamic environments — like bad weather or unexpected road conditions — more reliably. In finance, Bayesian deep learning enhances both risk assessment and fraud detection by allowing the system to assess how confident it is in its predictions. That added layer of information supports more informed decision-making and helps reduce costly errors. Across all these areas, the key advantage is the ability to move beyond just accuracy and incorporate trust and reliability into AI systems. Bayesian methods are traditionally more expensive, but modern approximations (e.g., variational inference or last layer inference) make them feasible. Computational costs depend on the problem — sometimes Bayesian models require fewer data points to achieve better performance. The trade-off is between interpretability and computational efficiency, but hardware improvements are helping bridge this gap. Their research on uncertainty-based automated labeling is designed to make models not just safer and more reliable, but also more efficient. By reducing the need for extensive manual labeling, one improves the overall quality of the dataset while cutting down on human effort and potential labeling errors. Importantly, by selecting informative samples, the model learns from better data — which means it can reach higher performance with fewer training examples. This leads to faster training and better generalization without sacrificing accuracy. They also focus on developing lightweight uncertainty estimation techniques that are computationally efficient, so these benefits don't come with heavy resource demands. In short, this approach helps build models that are more robust, more adaptive to new data, and significantly more efficient to train and deploy — which is critical for real-world systems where both accuracy and speed matter. Statisticians and deep learning researchers often use distinct methodologies, vocabulary and frameworks, making communication and collaboration challenging. Unfortunately, there is a lack of Interdisciplinary education: Traditional academic programs rarely integrate both fields. It is necessary to foster joint programs, workshops, and cross-disciplinary training can help bridge this gap. From Moussa's experience coming through an industrial PhD, he has seen how many industry settings tend to prioritize short-term gains — favoring quick wins in deep learning over deeper, more fundamental improvements. To overcome this, we need to build long-term research partnerships between academia and industry — ones that allow for foundational work to evolve alongside practical applications. That kind of collaboration can drive more sustainable, impactful innovation in the long run, something we do at methods for big data. Looking ahead, one of the major directions for deep learning in the next five to ten years is the shift toward trustworthy AI. We're already seeing growing attention on making models more explainable, fair, and robust — especially as AI systems are being deployed in critical areas like healthcare, mobility, and finance. The group also expect to see more hybrid models — combining deep learning with Bayesian methods, physics-based models, or symbolic reasoning. These approaches can help bridge the gap between raw performance and interpretability, and often lead to more data-efficient solutions. Another big trend is the rise of uncertainty-aware AI. As AI moves into more high-risk, real-world applications, it becomes essential that systems understand and communicate their own confidence. This is where uncertainty modeling will play a key role — helping to make AI not just more powerful, but also more safe and reliable. The lecture "Advanced Bayesian Data Analysis" covers fundamental concepts in Bayesian statistics, including parametric and non-parametric regression, computational techniques such as MCMC and variational inference, and Bayesian priors for handling high-dimensional data. Additionally, the lecturers offer a Research Seminar on Selected Topics in Statistical Learning and Data Science. The workgroup offers a variety of Master's thesis topics at the intersection of statistics and deep learning, focusing on Bayesian modeling, uncertainty quantification, and high-dimensional methods. Current topics include predictive information criteria for Bayesian models and uncertainty quantification in deep learning. Topics span theoretical, methodological, computational and applied projects. Students interested in rigorous theoretical and applied research are encouraged to explore our available projects and contact us for further details. The general advice of Nadja and Moussa for everybody interested to enter the field is: "Develop a strong foundation in statistical and mathematical principles, rather than focusing solely on the latest trends. Gain expertise in both theory and practical applications, as real-world impact requires a balance of both. Be open to interdisciplinary collaboration. Some of the most exciting and meaningful innovations happen at the intersection of fields — whether that's statistics and deep learning, or AI and domain-specific areas like medicine or mobility. So don't be afraid to step outside your comfort zone, ask questions across disciplines, and look for ways to connect different perspectives. That's often where real breakthroughs happen. With every new challenge comes an opportunity to innovate, and that's what keeps this work exciting. We're always pushing for more robust, efficient, and trustworthy AI. And we're also growing — so if you're a motivated researcher interested in this space, we'd love to hear from you." Literature and further information Webpage of the group G. Nuti, Lluis A.J. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arxiv Jan 2019 Wikipedia: Expected value of sample information C. Howson & P. Urbach: Scientific Reasoning: The Bayesian Approach (3rd ed.). Open Court Publishing Company. ISBN 978-0-8126-9578-6, 2005. A.Gelman e.a.: Bayesian Data Analysis Third Edition. Chapman and Hall/CRC. ISBN 978-1-4398-4095-5, 2013. Yu, Angela: Introduction to Bayesian Decision Theory cogsci.ucsd.edu, 2013. Devin Soni: Introduction to Bayesian Networks, 2015. G. Nuti, L. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arXiv:1901.03214 stat.ML, 2019. M. Carlan, T. Kneib and N. Klein: Bayesian conditional transformation models, Journal of the American Statistical Association, 119(546):1360-1373, 2024. N. Klein: Distributional regression for data analysis , Annual Review of Statistics and Its Application, 11:321-346, 2024 C.Hoffmann and N.Klein: Marginally calibrated response distributions for end-to-end learning in autonomous driving, Annals of Applied Statistics, 17(2):1740-1763, 2023 Kassem Sbeyti, M., Karg, M., Wirth, C., Klein, N., & Albayrak, S. (2024, September). Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection. In Uncertainty in Artificial Intelligence (pp. 1890-1900). PMLR. M. K. Sbeyti, N. Klein, A. Nowzad, F. Sivrikaya and S. Albayrak: Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection pdf. To appear in Transactions on Machine Learning Research, 2025 Podcasts Learning, Teaching, and Building in the Age of AI Ep 42 of Vanishing Gradient, Jan 2025. O. Beige, G. Thäter: Risikoentscheidungsprozesse, Gespräch im Modellansatz Podcast, Folge 193, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019.

Für viele ist der 1. Mai bloß irgendein Feiertag wie andere Feiertage auch. Doch der Tag der Arbeit hat eine wendungsreiche und teils dramatische Geschichte, die nicht in Vergessenheit geraten sollte. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-tag-der-arbeit

Giorgio apre la puntata 560 di Scientificast con un'analisi dei rischi e delle conseguenze di una contaminazione interna da materiale radioattivo: cosa è più pericoloso? dopo quanto tempo smetto di essere radioattivo? come faccio a contaminarmi? queste alcune delle domande a cui cerchiamo risposta.Leonardo ha Intervistato Alessio Botta, che ci parla di un tema che conosciamo tutti: il phising!Andrea, infine, ha scovato uno studio curioso: come si forma il suono che sentiamo quando applaudiamo? la risposta è nei risuonatori di Helmholtz...Diventa un supporter di questo podcast: https://www.spreaker.com/podcast/scientificast-la-scienza-come-non-l-hai-mai-sentita--1762253/support.

Die Situation für Forscher:innen in den USA ist derzeit unsicher. Für Deutschland ist das eine Chance, Talente anzulocken. Josef Penninger vom Helmholtz-Zentrum für Infektionsforschung hat dazu klare Ansichten. _Hinweis: Dieser Podcast wird durch Sponsorings unterstützt. Alle Infos zu unseren Werbepartnern findest du [hier](https://linktr.ee/mittechnologyreviewpodcast)_.

In der Medizin gilt der cis Mann immer noch als Norm — mit gesundheitlichen Folgen für alle. Geschlechtersensible Medizin will daran etwas ändern und die „Gender Health Gap“, die Forschungslücke in der Gesundheitsversorgung, schließen. Hier findet ihr ein Interview der Uni Greifwald mit Prof. Sylvia Stracke zu Geschlechteraspekten in der medizinischen Forschung. >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschlechtersensible-medizin

In der Umweltpolitik prallen oft gegensätzliche Narrative aufeinander. Am Helmholtz-Zentrum für Umweltforschung werden diese Diskurse analysiert. Wie kann eine Verständigung funktionieren? Eine Übersicht über die Arbeit unseres Gesprächspartners Henry Hempel am Helmholtz-Zentrum für Umweltforschung findet ihr hier. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-narrative-in-der-umweltpolitik

Sich noch einmal von einer geliebten verstorbenen Person verabschieden, mit ihr sprechen, sie nach ihrer Meinung fragen — was nach Science-Fiction klingt, macht KI möglich. Zumindest in einer virtuellen Realität. Die Studie „Ethik, Recht und Sicherheit des digitalen Weiterlebens“ findet ihr hier. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-digitales-weiterleben

Die mRNA-Forschung hat die Impfstoffe gegen das Corona-Virus geliefert. Kann die RNA-Technologie irgendwann sogar den Krebs besiegen? Prof. Markus Landthaler arbeitet am Max Delbrück Center daran, die Wirkweise der RNA-bindenden Proteine zu entschlüsseln und nutzbar zu machen. Ein Porträt unseres Gesprächspartners Prof. Markus Landthaler findet ihr hier. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-mrna-forschung

Die EU soll bis 2050 klimaneutral werden — und die Energieforschung soll dabei helfen. Im Fokus stehen unter anderem neue saubere Energiequellen und nachhaltige Speichermethoden. Das Wissenschaftsmagazin der Max-Planck-Gesellschaft, MaxPlanckForschung 1/2025, ist erschienen. Im Fokus steht die Energieforschung, passend zum Thema des Wissenschaftsjahres 2025: „Zukunftsenergie“. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-energieforschung

Sicherheitslücken in Computerprogrammen sind riskant. Mit Fuzzing sollen sie entdeckt werden, bevor sie Schaden anrichten können. Doch die Methode ist aufwendig — bis jetzt. Prof. Andreas Zeller vom CISPA in Saarbrücken will das ändern. Prof. Andreas Zeller verfolgt am CISPA Helmholtz-Zentrum für Informationssicherheit eine Vision: mit seinem Team Software-Bots entwickeln, die Softwaresysteme automatisch testen, debuggen und überwachen. Das Projekt heißt „S3 – Semantics of Software Systems“. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-wie-fuzzing-sicherheitsluecken-findet

Protonenstrahlen können gezielt gegen bestimmte Tumore eingesetzt werden. In Berlin wird diese Therapie weiterentwickelt, um Nebenwirkungen zu minimieren. Ein Blick auf die Technik hinter der Protonentherapie. Wie die Anlage für die Protonentherapie aussieht, seht ihr hier. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-protonentherapie

Der Angriffskrieg Russlands auf die Ukraine dauert schon drei Jahre an. Zehntausende Menschen sind seit Beginn des Kriegs getötet worden. Neben Menschenleben wird aber auch architektonisches Erbe zerstört. Eine digitale Ausstellung des Leibniz-Instituts für Geschichte und Kultur des östlichen Europas beschäftigt sich damit. Der Ukrainische Architekturhistoriker Dr. Semen Shyrochyn hat in Zusammenarbeit mit dem GWZO die Online-Ausstellung „Destroyed Ukrainian Heritage. Ukraine’s Built Heritage since February 24, 2022. A Record of Destruction“ kuratiert. Hier könnt ihr euch die digitale Ausstellung ansehen. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-zerstoertes-kulturelles-erbe-in-der-ukraine

Die Quantenphysik feiert ihren 100. Geburtstag. Ohne sie würde es digitale Technologien, wie wir sie heute ganz selbstverständlich nutzen, nicht geben. Denn erst mit der Quantenphysik lässt sich das Verhalten von Elektronen in Elektronik erklären. Was wird aktuell in dem Bereich erforscht und welche Fortschritte werden kommen? Zur „Forschungsquartett“-Folge über Quanten-Kryptografie kommt ihr hier. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-quantenphysik

Die Quantenphysik feiert ihren 100. Geburtstag. Ohne sie würde es digitale Technologien, wie wir sie heute ganz selbstverständlich nutzen, nicht geben. Denn erst mit der Quantenphysik lässt sich das Verhalten von Elektronen in Elektronik erklären. Was wird aktuell in dem Bereich erforscht und welche Fortschritte werden kommen? Zur „Forschungsquartett“-Folge über Quanten-Kryptografie kommt ihr hier. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-quantenphysik

Deutsche Ausgabe: Ende November 2024 fand in Berlin ein Austausch von Ausbildern und Tutoren bei Helmholtz statt - unter dem Namen TEACH. Wie kann man dem wachsenden Bedarf and Weiterbildung gerecht werden und welche Mittel und Tools helfen dabei. In diesem kleinen Rückblick spreche ich mit den OrganisatorInnen und Sprechern der Veranstaltung: Prof Silke Schworm, Jolanta Zjuba, Fredo Erxleben und Anna-Lisa Döring. Links:https://events.hifis.net/event/1472/timetable/#20241121.detailed Das Programm der Veranstaltung mit Beiträgen zum Herunterladenhttps://www.helmholtz-hida.de HIDA, der Dachverband bei dem die Tagung stattfandhttps://www.hifis.net HIFIS auch eine Helmholtz Platformhttps://www.helmholtz.de/hida-files/user_upload/pdf_dokumente/Helmholz-Incubator-Folder_2022.pdf Übersicht der Helmholtz Platformenhttps://www.uni-regensburg.de/humanwissenschaften/erziehungswissenschaft-medien/team/prof-dr-silke-schworm/index.html Prof Silke Schwormhttps://www.youtube.com/watch?v=xKralSEhZq0Get in touchThank you for listening! Merci de votre écoute! Vielen Dank für´s Zuhören! Contact Details/ Coordonnées / Kontakt: Email mailto:peter@code4thought.org UK RSE Slack (ukrse.slack.com): @code4thought or @piddie US RSE Slack (usrse.slack.com): @Peter Schmidt Mastodon: https://fosstodon.org/@code4thought or @code4thought@fosstodon.org Bluesky: https://bsky.app/profile/code4thought.bsky.social LinkedIn: https://www.linkedin.com/in/pweschmidt/ (personal Profile)LinkedIn: https://www.linkedin.com/company/codeforthought/ (Code for Thought Profile) This podcast is licensed under the Creative Commons Licence: https://creativecommons.org/licenses/by-sa/4.0/

Echte Nachrichten von Fake News zu unterscheiden, ist nicht immer einfach. Welche Menschen sind besonders anfällig für Fehlinformationen — und warum? Und welche Faktoren beeinflussen, ob wir eine Behauptung für wahr halten oder nicht? Mehr zur Metaanalyse des Max-Planck-Instituts für Bildungsforschung zu Online-Fehlinformationen findet ihr hier. Das Gespräch mit Philipp Lorenz-Spreen zum Einfluss von Social Media auf unsere Demokratie im detektor.fm-Podcast „Ach, Mensch!“ findet ihr hier. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-fake-news

Rechtsextreme versuchen gezielt, die Geschichte des Nationalsozialismus umzudeuten. Was bezwecken sie mit ihrem Geschichtsrevisionismus? Das analysiert der Sozialwissenschaftler Jakob Schergaut von der Uni Jena, der mit der Initiative „Geschichte statt Mythen“ gegen krude historische Thesen zum Nationalsozialismus ankämpft. Mehr zum Thema auf der Website der Initiative „Geschichte statt Mythen“ sowie auf dem Instagram-Kanal der Intitiative. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-geschichtsrevisionismus

Der Klimawandel hinterlässt seine Spuren: Dürren und Starkregen im Wechsel beeinflussen die Qualität unseres Grundwassers, weil die ausgetrockneten Böden das Regenwasser schlechter filtern. Zu diesem Schluss kommt eine Forschungsgruppe des Max-Planck-Instituts für Biogeochemie in Jena. Mehr dazu beim Max-Planck-Institut für Biogeochemie: „Grundwasser durch Dürren und starke Regenfälle gefährdet“ >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-grundwasser-und-extremwetterereignisse

Im November 2024 fand die UN-Klimakonferenz (COP29) im aserbaidschanischen Baku statt, kurz zuvor im Oktober die UN-Biodiversitätskonferenz (CBD-COP16) im kolumbischen Cali. Wie ist die Bilanz? Und wie geht globaler Klimaschutz, nachdem die USA aus dem Pariser Klimaabkommen ausgetreten sind? >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-bilanz-der-cop29-und-cbd-cop16

Sie sind im Meersalz, im Honig, im Mineralwasser, in Teebeuteln — winzig kleine Plastikpartikel. Jede Woche nehmen wir, ohne es zu merken, bis zu fünf Gramm Mikro- und Nanoplastik in uns auf. Das ist so, als würden wir jede Woche eine ganze Kreditkarte essen! Aber mit welchen Folgen? Euch interessiert das Thema Mikro- und Nanoplastik? Hier geht’s zur „Forschungsquartett“-Folge, in der wir uns fragen: Wie schafft es Mikroplastik bis in die Arktis? >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-nano-und-mikroplastik-im-koerper

Um den Jahreswechsel herum sind die Erwartungen an das neue Jahr groß. Viele Menschen fassen Neujahrsvorsätze, wollen sich und ihr Leben verbessern. Doch wie schaffen wir es, auch langfristig dranzubleiben? Eine Verhaltensforscherin erklärt, warum wir Vorsätze brauchen und wie wir sie auch umsetzen. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-neujahrsvorsaetze

Quantencomputer gelten als Schlüsseltechnologie der Zukunft. Sie versprechen, komplexe Probleme zu lösen, für die heutige Rechner zu langsam sind — von der Entwicklung neuer Materialien bis hin zur Optimierung globaler Prozesse. Doch wie revolutionär sind sie wirklich und wo liegen ihre Grenzen? Die Folge über Post-Quanten-Kryptografie findet ihr hier. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-quantencomputer

Wie beeinflusst die Umwelt unsere Gesundheit und unsere Entwicklung? Die Epigenetik zeigt, wie Stress, Ernährung und soziale Ungleichheit unsere Gene regulieren und unsere Lebenserwartung beeinflussen können. Ein ausführliches Interview mit Dr. Laurel Raffington über ihre epigenetische Forschung könnt ihr in der neuen Ausgabe des Wissenschaftsmagazins „MaxPlanckForschung“ der Max-Planck-Gesellschaft lesen, das am 2. Januar 2025 erscheint. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-epigenetik-2

Mit bis zu 1000 Kilometern pro Stunde in einer Kapsel durch eine Röhre sausen — und das günstig und klimaschonend: Hat der Hyperloop das Zeug zum Verkehrsmittel der Zukunft? Ihr fragt euch auch, warum es so viele Störungen und Verspätungen bei der Deutschen Bahn gibt? Dann haben wir einen Podcast-Tipp für euch: Im Recherche-Podcast „Teurer Fahren“ hört ihr eine packende Geschichte über die Krise der Deutschen Bahn. Ihr findet „Teurer Fahren“ überall, wo es Podcasts gibt – zum Beispiel auf Spotify, Apple Podcasts und in der ARD-Audiothek. Alle Infos unter detektor.fm/teurer-fahren >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-hyperloop

Rumänisches Kino wird in Deutschland kaum wahrgenommen. Ein neues Buch über die „Klassiker des rumänischen Films“ soll das ändern. Dr. Stefan Krause vom Leibniz-Institut für Geschichte und Kultur des östlichen Europa (GWZO) ist der Experte in dieser Folge. Drei Filme möchte er dem Publikum besonders ans Herz legen: „12:08 Östlich von Bukarest“ (auch: „12:08 Jenseits von Bukarest“) von Corneliu Porumboiu, „California Dreamin‘ (Endless)“ von Cristian Nemescu sowie als Zeitzeugnis des sozialistischen Rumäniens Filme des Regisseurs Sergiu Nicolaescu. Warum Stefan Krause diese Filme für besonders sehenswert hält, hört ihr in der Folge. Ihr seid auf den Geschmack gekommen? Dann schaut doch mal beim rumänischen Filmarchiv cinepub.ro vorbei. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-rumaenisches-kino

Billionen Mikroorganismen leben in und auf uns — und haben entscheidenden Einfluss auf unser Wohlbefinden. Das Mikrobiom steuert nicht nur Verdauung und Immunsystem, sondern kann auch Herz-Kreislauf-Erkrankungen und die Psyche beeinflussen. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquarett-mikrobiom

Mehrere Millionen Tonnen Plastikmüll pro Jahr verschmutzen unsere Umwelt. Die Biotechnologie will Abhilfe schaffen — mit Mikroorganismen, die Kunststoffabfälle in nützliche Materialien umwandeln. Wie funktioniert das und welche Chancen ergeben sich daraus? Die Folge „Mission Energiewende“ zu Pflastersteinen aus Plastikmüll findet ihr hier. Hier geht’s entlang zum „Forschungsquartett“ über Mikroplastik. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-plastikfressende-bakterien

Wir kommen täglich mit Dutzenden Umweltchemikalien in Kontakt. Viele der Chemikalien sind unbedenklich, aber einige können unsere Gesundheit gefährden — insbesondere in der Schwangerschaft. Wie können wir uns besser schützen? Du willst bei der „SAFE-Challenge“ mitmachen? Hier kannst Du dich registrieren! >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-gefahr-durch-chemikalien

In Ausgabe 90 geht es um das neue Buch der Astronomin Ruth Grützbauch "Sternenjahr auf Unsichtbar". Sie bespricht mit dem Kabarettisten Martin Puntigam ihr neues Buch, die unsichtbaren Sachen im Universum, wie man faule Astronominnen zum Arbeiten zwingen kann, ob wir zu schasauget sind fürs Universum, was Astronominnen spannend finden, wie Marketing mit Liebe aussieht, was wir vom Universum eigentlich sehen können, wie cool die Realität ist, wie lange ein Sternenjahr dauert, warum in Ruths Buch so schöne Illustrationen sind, wie man Gravitationswellen misst & wo sie herkommen, warum die Gravitation so schwach & so mächtig ist, ob man auch im Fallen fallen kann, wie man mit der Bewegung der Erde einen Kühlschrank betreiben könnte, warum Albert Einstein lieber keine Gravitationswellen gehabt hätte, wie sich Licht verspäten kann, wann es im Universum große Ursache bei kleiner Wirkung gibt, warum Schwarze Löcher die besseren Gravitationswellen machen, wie man zufällig Gravitationswellen misst, ob man seinen Körper von 2 Schwarzen Löchern stauchen lassen sollte, wann das Universum Wupp! sagt, was ein Röntgen-Tsunami ist, warum man sich von der Atmosphäre nicht den Tag verderben lassen sollte, ob die Milchstraße in einem Galaxienhaufen Leben hervorbringen könnte, wer instabiler ist, Kelvin oder Helmholtz, wann ein Kaffee als Mahlzeit gilt, wie man einen Galaxienhaufen Latte zubereitet ob man mit einem Röntgen-Tsunami eher in Dur oder in Moll musiziert

Unsere Lebensgrundlagen verändern sich ständig. Doch mit dem Klimawandel sind sie stärker gefährdet als je zuvor. Was können wir dagegen tun? Das Wissenschaftsmagazin der Max-Planck-Gesellschaft, MaxPlanckForschung 3/2024, ist erschienen. Im Fokus steht die Frage, wie wir in Zukunft unsere Lebensgrundlagen sichern können, die zunehmend durch den Klimawandel bedroht werden – und wie Forschung und Wissenschaft dabei helfen können. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-sichere-lebensgrundlagen

Als Folge der globalen Erwärmung wird es schwere Hochwasser in Zukunft immer häufiger geben. Wie können wir uns besser vor Flutkatastrophen schützen? Ob eure Wohngegend hochwassergefährdet ist, könnt ihr mit dem Quick-Check des HochwasserKompetenzCentrums herausfinden. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-hochwasser

Im September 2024 stellen wir Euch einige Best-of-Folgen des Resonator-Podcasts vor: Hans Günter Dosch und Matthias Hauck haben "Helmholtz-Resonatoren" erforscht. Was die mit leeren Bierflaschen zu tun haben, erklären die beiden in dieser Sendung.

Die Asiatische Tigermücke kann gefährliche Krankheiten übertragen. Mittlerweile hat sie sich auch in mehreren Regionen in Deutschland angesiedelt. Wie lässt sie sich bekämpfen? >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-tigermuecke

Forscher haben neue Risikogene identifiziert, die das Entstehen bipolarer Störungen beeinflussen könnten. Jan Deussing, Biologe am Max-Planck-Institut für Psychiatrie, erklärt, wie genetische Veranlagungen und psychosoziale Faktoren zusammenwirken und welche Auswirkungen sie auf Diagnose und Therapie haben könnten. Hier geht es zum Forschungsprojekt: https://www.nature.com/articles/s41380-024-02663-w >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-bipolare-stoerungen

Nagorny, Tobias www.deutschlandfunkkultur.de, Studio 9

Wenn wir uns verletzen, dann tut es weh. Dieser Schmerz sagt uns, dass etwas nicht stimmt. Aber wie entsteht er? Und was passiert im Körper bei chronischen Schmerzen? >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-chronische-schmerzen

Die Analyse von Kometenstaub kann uns einiges darüber verraten, wie das Sonnensystem entstanden ist. Welche Hinweise liefern die Partikel auf die Anfänge des Sonnensystems? >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-kometen-forschung

Mit ihrer selbst gebauten Drohne wollte eine Gruppe von Studierenden eigentlich nur einen Wettbewerb gewinnen. Nach dem Sieg bekam das Projekt einen ganz neuen Sinn — in der Waldbrandfrüherkennung. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-waldbrandfrueherkennung-per-drohne

In Ungarn haben vor mehreren Jahrhunderten verschiedene Reiter-Krieger-Nomaden gelebt. Welche Völker zählten dazu und was ist heute von ihrem Erbe geblieben? >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-reiter-krieger-nomaden

Phantom phone buzzes? Painless mosquito bites? Toy masks flipped inside-out? It might be your brain bringing order to its complex world. In episode 109 of Overthink, Ellie and David interview cognitive philosopher Andy Clark, whose cutting edge work on perception builds off theories of computation to offer an intriguing new model of mind and experience. He explains why the predictive processing model promises a healthier relation to neurodiversity, and they all explore its real-world applications across placebos, road safety, chronic pain, anxiety, and even the accidental success of ‘positive thinking.' Plus, in the bonus, Ellie and David discuss depression, plasticity, qualia, zombies, and what phenomenologists can bring to the cognitive table.Check out the episode's extended cut here!Works Discussed:Thomas Bayes, An Essay Towards Solving a Problem in the Doctrine of ChancesAnjali Bhat, et al., "Immunoceptive inference: why are psychiatric disorders and immune responses intertwined?"Andy Clark, The Experience Machine: How Our Minds Predict and Shape RealitySarah Garfinkel, et al., "Knowing your own heart: distinguishing interoceptive accuracy from interoceptive awareness"Hermann von Helmholtz, Treatise on Physiological OpticsDavid Hume, A Treatise of Human NatureAlva Nöe, Out of Our Heads: Why You Are Not Your Brain, and Other Lessons from the Biology of ConsciousnessAnil Seth, Being YouThis Might Hurt (2019)Support the Show.Patreon | patreon.com/overthinkpodcast Website | overthinkpodcast.comInstagram & Twitter | @overthink_podEmail | dearoverthink@gmail.comYouTube | Overthink podcast

In der Natur schreitet das Artensterben unaufhaltsam voran. Und auch in der Literatur ist zu beobachten, wie die Artenvielfalt schwindet. >> Artikel zum Nachlesen: https://detektor.fm/wissen/forschungsquartett-literatur-und-artenvielfalt