Der Beitrag untersucht die wachsende Bedeutung von Resilienz, Selbstfürsorge und Stressmanagement in der Sozialen Arbeit unter sich verschärfenden Arbeitsbedingungen. Auf Basis einer Analyse von Weiterbildungsangeboten und zehn Gruppendiskussionen wird gezeigt, dass diese Konzepte zwar Entlastung versprechen, tatsächlich aber zur Individualisierung struktureller Probleme beitragen. Überlastung, Personalmangel und widersprüchliche Anforderungen erscheinen nicht mehr als organisationale oder politische Defizite, sondern als Fragen persönlicher Belastbarkeit. Resilienz wird so zur Steuerungsfigur, die Anpassung moralisch aufwertet und kollektive Kritik entwertet. Der Beitrag plädiert für eine Repolitisierung des Resilienz-Diskurses und die Rückbindung professioneller Qualität an strukturelle Bedingungen statt an individuelle Anpassungsfähigkeit.
Die Häufigkeit des Konsums von Alkohol, Nikotin und Energydrinks bei Menschen mit intellektueller Beeinträchtigung ist mittlerweile vergleichbar mit dem der Allgemeinbevölkerung. Der selbstbestimmte und gesundheitsbewusste Umgang mit Substanzen sowie gesundheitskompetente Entscheidungen zu treffen, spielen aufgrund zunehmender Inklusion und Normalisierung eine wichtige Rolle. Das Projekt SKoL (Substanz-Kompetenz-Toolbox, Laufzeit 01.11.2020–28.02.2024) hatte zum Ziel (1) die Wissenskompetenz im Bereich Substanzmittelkonsum, insbesondere Alkohol, Nikotin und Energydrinks, durch die Entwicklung einer sog. Toolbox mit unterschiedlichen Materialien und einer App zu stärken. (2) Die Handlungskompetenz (Anwendung des Faktenwissens) im Bereich Substanzmittelkonsum bei den Nutzenden zu erweitern. Das Projekt gliederte sich in 3 Phasen: (1) Vorbereitungsphase mit Ist-Stand-Erhebung, Fokusgruppe und Erprobungs-Workshop, (2) Entwicklungsphase der Toolbox und App in Form von 11 Kreativwerkstätten, (3) Erprobungsphase von Toolbox und App in zwei Erprobungsgruppen. Eine inklusive Arbeitsgruppe (n = 8 Menschen mit intellektueller Beeinträchtigung, n = 3 Fachpersonen der Behindertenhilfe) war im gesamten Prozess der partizipativen Toolbox-Entwicklung involviert. SKoL wurde über alle drei Phasen des Projekts (Vorher-Nachher-Befragungen in Leichter Sprache, Fokusgruppe und Interviews mit Fachpersonal der Lebenswelten Wohnen und Arbeiten, World-Café mit Fachpersonal der Behinderten- und Suchthilfe) wissenschaftlich begleitend evaluiert. Die Toolbox wurde zum Projektende von zwei Erprobungsgruppen unter Anleitung von Fachkräften zur Substanz Energydrinks hinsichtlich Anwendbarkeit und Zufriedenheit getestet. Entstanden sind eine Toolbox mit analogen und digitalen Elementen, eine App, ein Praxisleitfaden zur nachhaltigen Nutzung der Materialien und App sowie eine Webseite, die die Produkte zum Download bereitstellt. Es wurde ein analoges und digitales Angebot für die informierte Nutzung und Stärkung der Gesundheitskompetenz für den stoffgebundenen Substanzmittelkonsum für die Nutzenden entwickelt. Die Toolbox berücksichtigt nutzergruppenspezifische Besonderheiten, z. B. lebensweltbezogene Beispiele, Leichte Sprache, wiederholende Elemente, unterschiedliche Formate zum Aufbau der Wissens- und Handlungskompetenz (Info-Materialien, Quizfragen, Aufgaben und Selbsterfahrung), das 2‑Sinne-Prinzip durch Bebilderung/Piktogramme und Vorlesefunktion, eine orts- und zeitunabhängige Nutzung als Einzelnutzer*in oder für die Anwendung als Gruppe.
Among hardware accelerators for deep-learning inference, data flow implementations offer low latency and high throughput capabilities. In these architectures, each neuron is mapped to a dedicated hardware unit, making them well-suited for field-programmable gate array (FPGA) implementation. Previous unrolled implementations mostly focus on fully connected networks because of their simplicity, although it is well known that convolutional neural networks (CNNs) require fewer computations for the same accuracy. When observing the data flow in CNNs, pooling layers and convolutional layers with a stride larger than one, the number of data at their output is reduced with respect to their input. This data reduction strongly affects the data rate in a fully parallel implementation, making hardware units heavily underutilized unless it is handled properly. This work addresses this issue by analyzing the data flow of CNNs and presents a novel approach to designing data-rate-aware, continuous-flow CNN architectures. The proposed approach ensures a high hardware utilization close to 100
Asynchronous Many-Task (AMT) runtimes offer a productive alternative to the Message Passing Interface (MPI). However, the diverse AMT landscape makes fair comparisons challenging. Task Bench, proposed by Slaughter et al., addresses this through a parameterized framework for evaluating parallel programming systems. This work integrates two recent cluster AMTs, Itoyori and ItoyoriFBC, into Task Bench for the first time. Itoyori employs a Partitioned Global Address Space (PGAS) model with RDMA-based work stealing, while ItoyoriFBC extends it with future-based synchronization. We compare Task Bench implementations using MPI, HPX, Itoyori, and ItoyoriFBC, evaluating performance and programmer productivity. Each implementation reflects the programming style it naturally supports: Bulk-Synchronous Parallel (BSP) for MPI, parallel loops for HPX, and nested fork-join and future-based cooperation for Itoyori and ItoyoriFBC, respectively. Performance is assessed across compute-bound kernels, weak scaling, and imbalanced and communication-intensive patterns. We use application efficiency, i.e., the percentage of maximum performance achieved, and Minimum Effective Task Granularity (METG), i.e., the smallest task duration before runtime overheads dominate. Productivity is quantified using Lines of Code (LOC) and Number of Library Constructs (NLC). Our results reveal distinct trade-offs. The MPI implementation achieves highest efficiency for regular, communication-light workloads but requires verbose, low-level code. The HPX implementation maintains stable efficiency under load imbalance, yet ranks last in productivity, showing that AMTs do not inherently guarantee improved productivity. The Itoyori implementation achieves highest efficiency in communication-intensive configurations while leading in productivity. The ItoyoriFBC implementation exhibits slightly lower efficiency than Itoyori, though its future-based synchronization offers potential for irregular workloads.
