Interessenvertreter aus verschiedenen Bereichen scheinen übereinstimmend die Auffassung zu vertreten, dass der Prozess der Digitalisierung beschleunigt werden muss, um den Herausforderungen in der Gesundheitsversorgung zu begegnen. In Deutschland wurde dieser Prozess erst in der jüngeren Vergangenheit entschiedener vorangetrieben, doch die Entwicklungen in anderen Ländern haben gezeigt, dass Big Tech Unternehmen diesen Wunsch nach einer beschleunigten Digitalisierung als Gelegenheit genutzt haben, um ihre gesundheitsbezogenen Aktivitäten auszuweiten. Besonders deutlich ist diese Entwicklung in den USA und Großbritannien sowie seit Beginn der Corona-Pandemie zu beobachten. Während manche Produkte, die die GAMAM-Unternehmen (Google, Apple, Meta, Amazon, Microsoft) im Gesundheitsbereich anbieten, wie z.B. die Apple Watch und die Corona-Warn-App, bereits ausführlicher untersucht wurden, wurde das ganze Ausmaß der Aktiväten dieser und weiterer Big Tech Unternehmen im Gesundheitsbereich noch nicht erfasst. Es ist das Ziel dieser Dissertation, diese gesundheitsbezogenen Aktivitäten der Big Tech Unternehmen detailliert zu beschreiben. Neben den GAMAM-Unternehmen und weiteren “Tech-Giganten” aus den USA werden hierbei auch die Aktivitäten von deutschen Unternehmen wie Deutsche Telekom und SAP sowie Anbieter von elektronischen Patientenakten und Krankenhausinformationssystemen wie Epic Systems berücksichtigt. Insgesamt werden die Aktivitäten von 17 Unternehmen erfasst. Hierbei beschreibt die Dissertation die Aktivitäten getrennt nach Unternehmen und – für jedes einzelne Unternehmen – gegliedert in 27 Kategorien. Erstens wird somit eine Übersicht über die Aktivitäten jedes einzelnen Unternehmens ermöglicht und zweitens eine präzise Kategorisierung dieser Aktivitäten vorgenommen. Das Ziel ist die Erfassung aller gesundheitsbezogenen Aktivitäten der berücksichtigten Unternehmen bis zum Jahr 2025, wobei ein besonderer Fokus auf Aktivitäten im deutschen Gesundheitssektor gelegt wird. Neben den wichtigsten Fakten bezüglich der angebotenen Produkte werden auch Kontroversen und Kritik berücksichtigt, um ein möglichst vollständiges Bild bezüglich der Nutzung der Produkte zu erhalten. Diesem Ansatz folgend kann gezeigt werden, dass manche Unternehmen in nahezu jedem Bereich des Gesundheitssektors aktiv sind (Google, Amazon), während andere Akteure einen klaren Fokus auf bestimmte Tätigkeitsfelder haben (CompuGroup Medical, Dedalus, Epic Systems). Betrachtet man die Aktivitäten im Zeitverlauf, wird deutlich, dass sie durch zahlreiche Brüche und Neuanfänge geprägt sind. Darüberhinaus fällt auf, dass viele Produkte, die von Big Tech im Gesundheitsbereich angeboten werden, nicht auf Eigenentwicklungen basieren, sondern durch den Kauf anderer Unternehmen übernommen wurden. Besonders deutlich am Beispiel von Palantir kann dargestellt werden, dass die Corona-Pandemie von Big Tech Akteuren teils als Eintrittspforte in den Gesundheitsbereich genutzt wurde. Während eine Nutzung von Palantir-Software im Gesundheitsbereich seitens der britischen Regierung zuvor abgelehnt worden war, beauftragte sie das Unternehmen und weitere US-Amerikanische Tech-Unternehmen zu Beginn der Pandemie mit der Erstellung einer zentralen Datenplattform und seitdem hat Palantir sich auch in weiteren Bereichen der Gesundheitsversorgung in Großbritannien als Partner etabliert. Nahezu alle in der Dissertation berücksichtigten Unternehmen haben ihre gesundheitsbezogenen Aktivitäten im Rahmen der Pandemie deutlich verstärkt. Trotz der umfassenden Darstellung muss insgesamt konstatiert werden, dass eine Evaluation, die potenzielle Vor- und Nachteile des Big Tech Engagements im Gesundheitsbereich abwägt, bislang nicht möglich erscheint. Dies liegt vor allem daran, dass teils ausschließlich Informationen von den Unternehmen selbst vorliegen, was eine objektive Einordnung unmöglich macht. Häufig wurden mit großem Aufwand eingeführte und beworbene Angebote ohne Angabe von Gründen wieder eingestellt. Während einige Big Tech Aktivitäten im Gesundheitsbereich erste vielversprechende Ergebnisse hervorgebracht haben, gingen andere Bemühungen mit unbefriedigenden Resultaten und, in manchen Fällen, sogar mit Gefahren für die behandelten Patienten einher. Diese Erkenntnisse legen nahe, dass sowohl die behaupteten Vorteile als auch die Motive der Big Tech Unternehmen kritisch hinterfragt werden sollten, wenn Implementierungen ihrer Lösungen im Gesundheitsbereich in Erwägung gezogen werden. Im Anschluss untersucht die Dissertation die Diskrepanz zwischen der nahezu übereinstimmend positiven Erwartungshaltung vieler Interessenvertreter bezüglich der Digitalisierung und Plattformisierung des Gesundheitswesens einerseits und der unklaren empirischen Befundlage bezüglich der Auswirkungen dieser Prozesse andererseits. Zu diesem Zweck wurden Aussagen zu positiven Effekten, die in zwei aktuellen Sammelbänden zum Thema Digitalisierung und Plattformisierung der Gesundheitsversorgung ohne Angabe empirischer Nachweise getätigt wurden, ausgewertet und kategorisiert. Im Anschluss wurden die an den Sammelbänden beteiligten Autoren nach Nachweisen für ihre Aussagen gefragt. Im Rahmen dieser Studie wurden ca. 1.000 Aussagen zu positiven Effekten ohne empirischen Nachweis im Text identifiziert. Zu mehr als 500 dieser Aussagen wurden Fragen an die Autoren der beiden Sammelbände geschickt und bezüglich fast 300 Aussagen antworteten die Autoren. Hierbei wurden nur 6,5% der Aussagen zu denen Antworten eingingen mit überzeugenden Nachweisen belegt. Zu keiner der Kategorien, nach denen die Aussagen sortiert wurden, wurde eine hohe Bestätigungsquote erzielt und für einige Kategorien konnte kein einziger Nachweis für positive Effekte genannt werden. Während sich die Ergebnisse dieser Autorenbefragung nicht dazu eignen, positive Effekte der Digitalisierung und Plattformisierung im Gesundheitsbereich auszuschließen, deuten sie zumindest darauf hin, dass Aussagen bezüglich dieser Effekte häufig nicht durch empirische Nachweise abgesichert zu sein scheinen. Dies sollte berücksichtigt werden, bevor die betreffenden Prozesse mit unklarem Ausgang vorangetrieben werden. Insgesamt lässt sich somit festhalten, dass sowohl bezüglich der Auswirkungen des gesundheitsbezogenen Big Tech Engagements als auch bezüglich der Effekte von Digitalisierungs- und Plattformisierungsprozessen im Gesundheitsbereich noch viele Unklarheiten bestehen. Allerdings legen die im Rahmen dieser Dissertation gewonnenen Erkenntnisse nahe, dass neben den häufig postulierten Vorteilen auch negative Auswirkungen resultieren können und vermutete positive Effekte häufig nicht durch überzeugende empirische Nachweise belegt sind.

Innovation is essential for economic growth, technological competitiveness, and sustainable transformation. However, measuring innovation remains a complex challenge for researchers and policymakers. Although patents have long been used as an indicator of technological innovation, they only capture part of the process. Patents primarily reflect technical invention rather than market introduction or service-related innovation. By contrast, trademarks are the most widely used form of intellectual property right and provide valuable insights into market-oriented and non-technological innovation. Building on this distinction, this dissertation explores how patent and trademark data can offer a more comprehensive and reliable overview of innovation. This dissertation combines methodological, conceptual, and empirical perspectives to improve our understanding of how intellectual property data can be used to study innovation. The dissertation develops approaches for linking patent and trademark data to firm-level information. It also explores the value of this data as an indicator of different types of innovation and examines how it reveals distinctive innovation patterns. The dissertation presents these approaches across five studies and applies them empirically using large-scale datasets that integrate patent, trademark, and firm information. The first study establishes a transparent and reproducible process for linking patent data from the PATSTAT database with firm-level data. Using a sample of over ten thousand German manufacturing firms, the study introduces a seven-step matching framework that combines algorithmic and manual processes. This approach improves the reliability and traceability of the results, providing a robust basis for analyzing innovation behavior at the firm level. The second study provides a comprehensive review of trademark-based indicators, which remain underutilized despite their potential to capture product innovation, branding, and commercialization activities. It identifies nine key data sources and over forty distinct measures, classifying them into seven thematic domains. It demonstrates that trademarks can provide further insight into firms' innovation and market strategies, and it offers guidance on how to retrieve, clean, and apply such data. Furthermore, the study explores the potential applications of AI and language models in analyzing the textual and visual characteristics of trademarks. The third study examines the potential of patents and trademarks as indicators of environmental innovation. Using matched firm-level and survey data from Germany and Italy, the study assesses the reliability of these indicators in identifying firms engaged in green innovation. The results show that patents and trademarks capture different aspects of innovation: patents reflect technological invention, whereas trademarks indicate market-oriented and sustainability-related activities. The fourth study examines how the knowledge embedded in inventions influences the discontinuous potential of climate change mitigation technology patents. Using advanced text-based similarity analysis, the study distinguishes between inventions that draw more strongly on basic research and those that draw more strongly on applied technological knowledge. The results show that inventions with a stronger orientation toward basic research are more likely to generate technological discontinuities, while those based on applied knowledge tend to reinforce existing trajectories. Compared to traditional citation-based measures, the study demonstrates that content-based indicators can provide deeper insights into the knowledge foundations and transformative potential of innovation. The fifth study examines the technological innovation patterns of Hidden Champions, which are highly specialized, export-oriented niche leaders that form the backbone of the German Mittelstand. Based on patent data, the analysis shows that Hidden Champions are more active in technological innovation and exhibit greater depth and specialization than comparable firms. However, their strong reliance on internal knowledge sources limits their innovation efficiency and results in predominantly incremental rather than radical innovation. These findings empirically support long-standing theoretical assumptions about the innovation behavior of Hidden Champions and demonstrate how patent indicators can identify firms with distinctive innovation profiles. Together, the five studies offer substantial contributions to our understanding of innovation and how to measure it. They offer practical guidance for creating reproducible IPR datasets and summarize how trademark indicators can be used in innovation research. Additionally, they demonstrate how patent-based measures can be applied to study sustainability and knowledge orientation. The findings emphasize that the usefulness of IPR indicators depends on the context, as patents and trademarks capture different aspects of innovation that vary across industries and firm types. Furthermore, the dissertation shows that text-based similarity methods can enhance innovation analysis by revealing the knowledge bases and broader potential of inventions.

Dieser dritte Zwischenbericht beschäftigt sich mit sexualisierter Gewalt im Bistum Trier in den beiden ersten Jahrzehnten des 21. Jahrhunderts. Er führt die beiden ersten Zwischenberichte fort, die sich mit den Amtszeiten der Bischöfe Bernhard Stein (1967-1980) und Hermann Josef Spital (1981-2001) auseinandersetzen. Erneut erfasst der Bericht das Ausmaß des Hellfeldes von Missbrauchstaten an Kindern und Jugendlichen, analysiert den Umgang der Verantwortlichen im Bistum mit Betroffenen und Beschuldigten und die Verantwortung der beiden Ortsbischöfe Marx und Ackermann.

Die Texte stehen in Zusammenhang mit den römischen Bauten, mit berühmten Persönlichkeiten, mit den Bewohnern der Gegend und mit der Geschichte der Stadt selbst. Es sind verschiedene Textgattungen vertreten. Das Weiterleben der lateinischen Sprache über die Antike hinaus ins Mittelalter bis in die Neuzeit wird deutlich.

Diese Arbeit untersucht, ob und unter welchen Bedingungen diachroner semantischer Wandel als Signal in den kontextualisierten Tokenrepräsentationen vortrainierter Sprachmodelle nachweisbar ist. Ausgangspunkt ist die theoretische Konvergenz der Distributionalhypothese mit der Architektur moderner Transformer-Modelle: da kontextualisierte Embeddings distributional definierte Bedeutung operationalisieren, könnten sie latent kodieren, was die Bedeutungsgeschichte eines Wortes hinterlässt. Drei Beiträge werden geleistet: Erstens wird der AmDi-Datensatz vorgestellt, ein sense-annotiertes, multi-temporales Korpus polysemer deutschen Nomen mit 22.230 annotierten Instanzen, verankert im GermaNet-Inventar. Zweitens werden zwei Trainingsstrategien zur Verstärkung des temporalen Signals evaluiert: Multitask-Instruction-Tuning scheitert daran, diachrones Signal uuverlässig von überlagernden Signalen zu trennen; kontrastives Lernen mit temporal gewichteter Verlustfunktion gelingt dies auf Lemmaebene und erzielt messbar höhere Signal-Rausch-Verhältnisse. Drittens wird ein Messrahmen entwickelt, der semantischen Drift nicht als skalare Distanz zwischen mittleren Embeddings erfasst, sondern als Verteilung dimensionaler Veränderungen im Einbettungsraum. Diese Verteilungsmetriken korrelieren zuverlässiger mit goldstandard-basierten Bedeutungswandelurteilen als Kosinus-basierte Baseline-Maße. Die Arbeit diskutiert zudem die epistemologischen Grenzen des Ansatzes: Muster in Modellrepräsentationen erlauben keine direkten Rückschlüsse auf natürlichen Sprachwandel; der Erkenntnisgewinn liegt vielmehr darin, zu verstehen, welche sprachlichen Signale Modelle enkodieren und wie diese nutzbar gemacht werden können.