Die Praxishefte Demokratische Schulkultur erscheinen halbjährlich und bieten Schulleitungen und Schulpersonal theoretische Grundlagen und praxisorientierte Anleitungen zur demokratiepädagogischen Schulentwicklung. Jedes Themenheft ist jeweils einer demokratiepädagogischen Bauform oder strategischen Frage der Schulentwicklung gewidmet. Die Praxishefte werden allen Luxemburger Schulen als Printausgabe zur Verfügung gestellt und online mit zusätzlichen Materialien und in französischer Fassung vorgehalten.

Die Implementierung eines Klassenrats ist mit der Hoffnung verbunden, die demokratischen Kompetenzen von Schüler*innen zu stärken. Welche Kompetenzen die Teilnehmer*innen mithilfe dieser demokratiepädagogischen Methode tatsächlich erwerben und wie sich der Klassenrat auf die Klassengemeinschaft auswirkt, hat eine empirische Studie1 am Lycée Nic Biever in Dudelange untersucht.

An Grundschulen bietet der Klassenrat eine Möglichkeit für Schüler*innen, erste Schritte demokratischen Umgangs zu erlernen oder auch zu vertiefen. Hier lernen sie in einem geschützten Raum sich zu verschiedensten Themen zu äußern, Konflikte lösungsorientiert zu verarbeiten und Verantwortung zu übernehmen. Die hier vorgestellten Materialien sollen bei der Einführung und Durchführung des Klassenrats helfen.

Sollten Plastikverpackungen verboten werden? Was spricht gegen eine Wahlberechtigung ab 14 Jahren? Wie sollte die EU mit möglichen Auswirkungen des Brexits umgehen? – Auch solche Fragen haben im Klassenrat ihre Berechtigung, denn ihre Diskussion bietet besondere Chancen für demokratische Lernprozesse.

In this thesis, we consider the solution of high-dimensional optimization problems with an underlying low-rank tensor structure. Due to the exponentially increasing computational complexity in the number of dimensions—the so-called curse of dimensionality—they present a considerable computational challenge and become infeasible even for moderate problem sizes. Multilinear algebra and tensor numerical methods have a wide range of applications in the fields of data science and scientific computing. Due to the typically large problem sizes in practical settings, efficient methods, which exploit low-rank structures, are essential. In this thesis, we consider an application each in both of these fields. Tensor completion, or imputation of unknown values in partially known multiway data is an important problem, which appears in statistics, mathematical imaging science and data science. Under the assumption of redundancy in the underlying data, this is a well-defined problem and methods of mathematical optimization can be applied to it. Due to the fact that tensors of fixed rank form a Riemannian submanifold of the ambient high-dimensional tensor space, Riemannian optimization is a natural framework for these problems, which is both mathematically rigorous and computationally efficient. We present a novel Riemannian trust-region scheme, which compares favourably with the state of the art on selected application cases and outperforms known methods on some test problems. Optimization problems governed by partial differential equations form an area of scientific computing which has applications in a variety of areas, ranging from physics to financial mathematics. Due to the inherent high dimensionality of optimization problems arising from discretized differential equations, these problems present computational challenges, especially in the case of three or more dimensions. An even more challenging class of optimization problems has operators of integral instead of differential type in the constraint. These operators are nonlocal, and therefore lead to large, dense discrete systems of equations. We present a novel solution method, based on separation of spatial dimensions and provably low-rank approximation of the nonlocal operator. Our approach allows the solution of multidimensional problems with a complexity which is only slightly larger than linear in the univariate grid size; this improves the state of the art for a particular test problem problem by at least two orders of magnitude.