Benutzerspezifische Werkzeuge

Information zum Seitenaufbau und Sprungmarken fuer Screenreader-Benutzer: Ganz oben links auf jeder Seite befindet sich das Logo der JLU, verlinkt mit der Startseite. Neben dem Logo kann sich rechts daneben das Bannerbild anschließen. Rechts daneben kann sich ein weiteres Bild/Schriftzug befinden. Es folgt die Suche. Unterhalb dieser oberen Leiste schliesst sich die Hauptnavigation an. Unterhalb der Hauptnavigation befindet sich der Inhaltsbereich. Die Feinnavigation findet sich - sofern vorhanden - in der linken Spalte. In der rechten Spalte finden Sie ueblicherweise Kontaktdaten. Als Abschluss der Seite findet sich die Brotkrumennavigation und im Fussbereich Links zu Barrierefreiheit, Impressum, Hilfe und das Login fuer Redakteure. Barrierefreiheit JLU - Logo, Link zur Startseite der JLU-Gießen Direkt zur Navigation vertikale linke Navigationsleiste vor Sie sind hier Direkt zum Inhalt vor rechter Kolumne mit zusaetzlichen Informationen vor Suche vor Fußbereich mit Impressum

Artikelaktionen

Professur für Data Science & Digitalisierung

News
BWL XI: Paper at ICIS 2019
A new research paper has been accepted for publication in the proceedings of the 40th International Conference on Information Systems (ICIS 2019). ICIS is the flagship conference in Information Systems and ranked A in the VHB ranking.
BWL XI: Klausureinsicht
Die Klausureinsicht für die Klausur „Data Science for Management“ (SS19) findet am 13.09.2019 von 15:30 bis 16:00 Uhr in der Licher Str. 62, Raum 102 statt.
BWL XI: New Master's Course: Text Mining
We will offer a master's course on "Text Mining" in winter semester 19/20. The course will have an interactive format including coding sessions, discussions, and presentations by students. The course is also open to interested bachelor students currently enrolled in the 210- and 240-CP programs.
Mehr ...
Featured Research: Argumentation Patterns in Reviews

An overwhelming majority of previous works find longer reviews to be more helpful than short reviews. In this study, we propose that longer reviews should not be assumed to be uniformly more helpful; instead, we argue that the effect depends on the line of argumentation. To test this idea, we use a large dataset of customer reviews from Amazon in combination with a state-of-the-art approach from natural language processing that allows us to study argumentation lines at sentence level. Our results disprove the prevailing narrative that longer reviews are uniformly perceived as more helpful and allow retailer platforms to feature more useful product reviews.


Preprint on arXiv