GESIS Leibniz-Institut für Sozialwissenschaften: Homepage aufrufen

Forschung

GESIS - für eine forschungsbasierte Infrastruktur

GESIS ist eine forschungsbasierte Infrastruktureinrichtung für die Sozialwissenschaften und führt eigene kontinuierliche und interdisziplinäre Forschung durch. Die Ergebnisse unserer Forschung dienen sowohl der Gewinnung wissenschaftlicher Erkenntnis, als auch der nachhaltigen Verbesserung unserer Angebote für die Sozialwissenschaften.

Für GESIS steht die Qualität von Daten im Mittelpunkt. GESIS strebt nicht nur danach, qualitativ hochwertige Forschungsdaten bereitszustellen. Wir möchten Forschenden mit unseren Methoden und Tools in die Lage versetzen, selbst einzuschätzen, wie hoch die Qualität von Forschungsdaten ist.

Mit unserer Forschungsarbeit in den Bereichen Survey Methodology, Computational Methods, Research Data Management und Substantive Research erweitern und optimieren wir stetig unser Angebotsportfolio, mit dem wir Forschende unterstützen, die mit quantitativen Daten zu sozialwissenschaftlichen Fragestellungen arbeiten und selbst Beiträge zu grundlegenden inhaltlichen Fragestellungen leisten.

Forschungsarbeit bei GESIS

  • Sun, Jun, and Fariba Karimi. 2024. "Emergence of group size disparity in growing networks with adoption." Communications Physics 7 (19 September 2024): 309. doi: https://doi.org/10.1038/s42005-024-01799-z.
  • Lietz, Haiko. 2024. "Practical computational analytical sociology." 16th Annual Conference of the International Network of Analytical Sociology, Leipzig University, Leipzig, 2024-05-30.
  • Dahou, Abdelhalim Hafedh, and Brigitte Mathiak. 2025. "Automatic Categorization of Software Repository Domains with Minimal Resources." In Communications in Computer and Information Science (CCIS), Book series. doi: https://doi.org/10.1007/978-3-031-87569-4_2.
  • Ferrara, Antonio, Francesco Bonchi, Francesco Fabbri, Fariba Karimi, and Claudia Wagner. 2024. "Bias-aware ranking from pairwise comparisons." Data Mining and Knowledge Discovery 38 (4): 2062-2086. doi: https://doi.org/10.1007/s10618-024-01024-z.
  • Otto, Wolfgang, Sharmila Upadhyaya, and Stefan Dietze. 2024. "Enhancing Software-Related Information Extraction via Single-Choice Question Answering with Large Language Models." In Natural Scientific Language Processing and Research Knowledge Graphs. NSLP 2024, edited by Georg Rehm, Stefan Dietze, Sonja Schimmler, and Frank Krüger, Lecture Notes in Computer Science 14770, 289-306. Cham: Springer Nature. doi: https://doi.org/10.1007/978-3-031-65794-8_21. https://link.springer.com/content/pdf/10.1007/978-3-031-65794-8.pdf.