Open Access

Der Beitrag fragt danach, wie ein Konzept kritischer Professionalisierung, welches Aneignungs- bzw. Nutzer*innenperspektiven und arbeitsbündnistheoretische Überlegungen (insbesondere bezogen auf Schutz der Integritäten) zusammendenkt, eine Orientierungsfolie für die sich aus der Covid-19 Pandemie ergebenden Herausforderungen in der Offenen Kinder- und Jugendarbeit sein kann. Jugendarbeit allgemein und Offene Kinder- und Jugendarbeit im Besonderen sind gerade angesichts der gegenwärtigen Pandemiesituation aufgefordert, neue Praxen zu entwickeln, um Aushandlung, Partizipation und Sorge auch im digitalen Raum zu realisieren.

Kognitive Verhaltenstherapie (KVT) wird als psychotherapeutisches Verfahren am häufigsten in der Praxis angewendet. In der evangelischen Seelsorgelehre wurde diese Form der Therapie hingegen bislang in ihrer Vielfalt kaum angemessen wahrgenommen. Dem Anspruch der aktuellen Poimenik, verschiedene psychologische und psychotherapeutische Strömungen kritisch zu diskutieren und zu rezipieren, wird mit diesem dialogischen Ansatz Rechnung getragen. Der vorliegende Tagungsband versammelt die Beiträge namhafter Autoren aus den Bereichen der Psychologie, Psychotherapie und Seelsorgelehre. Er trägt damit wesentlich zum Schließen dieser Wahrnehmungs- und Forschungslücke bei. Im Fokus des Bandes stehen dabei die Fragen um Spiritualität und Sinn, die in den Feldern von Seelsorge und Psychotherapie disziplinübergreifend von Bedeutung sind.

Over the past few years, deep neural networks have shown excellent results in multiple tasks, however, there is still an increasing need to address the problem of interpretability to improve model transparency, performance, and safety. Achieving eXplainable Artificial Intelligence (XAI) by combining neural networks with continuous logic and multi-criteria decision-making tools is one of the most promising ways to approach this problem: by this combination, the black-box nature of neural models can be reduced. The continuous logic-based neural model uses so-called Squashing activation functions, a parametric family of functions that satisfy natural invariance requirements and contain rectified linear units as a particular case. This work demonstrates the first benchmark tests that measure the performance of Squashing functions in neural networks. Three experiments were carried out to examine their usability and a comparison with the most popular activation functions was made for five different network types. The performance was determined by measuring the accuracy, loss, and time per epoch. These experiments and the conducted benchmarks have proven that the use of Squashing functions is possible and similar in performance to conventional activation functions. Moreover, a further experiment was conducted by implementing nilpotent logical gates to demonstrate how simple classification tasks can be solved successfully and with high performance. The results indicate that due to the embedded nilpotent logical operators and the differentiability of the Squashing function, it is possible to solve classification problems, where other commonly used activation functions fail.