Im Datensatz "COVID-19-Hospitalisierungen in Deutschland" des Robert Koch-Instituts werden täglich aktualisierte Informationen zu Hospitalisierungen im Zusammenhang mit COVID-19 basierend auf den Meldungen nach dem Infektionsschutzgesetz (IfSG) bereitgestellt. Neben tagesaktuellen Fallzahlen und Inzidenzen auf Bundes- und Länderebene enthält der Datensatz auch modellgestützte Schätzungen verzögert gemeldeter Hospitalisierungen mittels Nowcasting. Ziel ist es, die tatsächliche Belastung des Gesundheitssystems durch COVID-19 besser abzubilden, insbesondere durch die Berechnung adjustierter 7-Tage-Hospitalisierungsinzidenzen.
Der Datensatz "Daten der Notaufnahmesurveillance" wird durch das Robert Koch-Institut und das AKTIN-Notaufnahmeregister bei Krankenhausaufnahmen bereitgestellt. Der Datensatz beinhaltet aggregierte Routinedaten aus deutschen Notaufnahmen zur syndromischen Überwachung von akuten Erkrankungen. Dazu zählen grippeähnliche Erkrankungen (ILI), Coronavirus-Erkrankungen (COVID-19), akute respiratorische Erkrankungen (ARE), gastrointestinale Infektionen (GI) und schwere akute respiratorische Infektionen (SARI). Dabei wird der relative Anteil dieser Erkrankungen an der Gesamtzahl der Notaufnahmevorstellungen sowie die berechneten Erwartungswerte und Prädiktionsintervalle ausgewiesen. Die Daten sind nach Notaufnahmetypen und Altersgruppen aggregiert. Damit bietet der Datensatz eine wertvolle Ressource für die Forschung im Bereich der Notfallmedizin und der Überwachung akuter Gesundheitsereignisse in Deutschland.
Im Datensatz "COVID-19-Todesfälle in Deutschland" des Robert Koch-Instituts werden täglich aktualisierte Informationen zu COVID-19-bedingten Todesfällen in Deutschland bereitgestellt. Die Datenerhebung erfolgt im Rahmen des Infektionsschutzgesetzes (IfSG). Der Datensatz umfasst aggregierte Todesfallzahlen nach Berichtsdatum, Altersgruppen und Bundesländern und wird ergänzt durch den Fall-Verstorbenen-Anteil. Der Datensatz ermöglicht fundierte Analysen zur Bewertung der Krankheitsschwere und Verbreitung von COVID-19 in Deutschland.
Im Datensatz "7-Tage-Inzidenz der COVID-19-Fälle in Deutschland" des Robert Koch-Instituts werden die täglich aktualisierten COVID-19-Inzidenzen auf Bundes-, Landes- und Landkreisebene basierend auf den Meldungen nach dem Infektionsschutzgesetz (IfSG) bereitgestellt. Die 7-Tage-Inzidenz wird definiert als Anzahl gemeldeter Fälle der letzten sieben Tage pro 100.000 Einwohner:innen und differenziert nach Altersgruppen und Regionen. Die Datenverarbeitung erfolgt vollständig elektronisch über das Deutsche Elektronische Melde- und Informationssystem (DEMIS).
Im Datensatz "SARS-CoV-2 Infektionen in Deutschland" des Robert Koch-Instituts werden die Daten basierend auf Meldungen zu SARS-CoV-2 Infektionen nach dem Infektionsschutzgesetz (IfSG) bereitgestellt. Darin enthalten sind Informationen auf Landkreisebene zu bestätigten Infektionen, Todesfällen und Genesungen, differenziert nach Altersgruppen und Geschlecht. Diese Daten dienen als Grundlage für epidemiologische Bewertungen und gesundheitspolitische Maßnahmen.
Der Datensatz "Intensivkapazitäten und COVID-19-Intensivbettenbelegung in Deutschland" des Robert Koch-Instituts dokumentiert die tägliche intensivmedizinische Versorgungslage seit der COVID-19-Pandemie. Basierend auf Meldungen aller intensivbettenführenden Krankenhäuser in Deutschland erfasst das DIVI-Intensivregister Echtzeitdaten zu belegten und freien Intensivbetten. Die Erhebung differenziert nach Altersgruppen, Regionen und Versorgungsstufen. COVID-19-Fälle auf Intensivstationen werden gesondert ausgewiesen. Die Daten stehen aggregiert auf Bundes-, Landes- und Kreisebene zur Verfügung. Damit bildet der Datensatz eine Grundlage für die Überwachung von Kapazitäten, die Koordination von Behandlungskapazitäten und politische Entscheidungsprozesse während der Pandemie und darüber hinaus.
Im Datensatz "7-Tage-Inzidenz der COVID-19-Fälle in Deutschland" des Robert Koch-Instituts werden die täglich aktualisierten COVID-19-Inzidenzen auf Bundes-, Landes- und Landkreisebene basierend auf den Meldungen nach dem Infektionsschutzgesetz (IfSG) bereitgestellt. Die 7-Tage-Inzidenz wird definiert als Anzahl gemeldeter Fälle der letzten sieben Tage pro 100.000 Einwohner:innen und differenziert nach Altersgruppen und Regionen. Die Datenverarbeitung erfolgt vollständig elektronisch über das Deutsche Elektronische Melde- und Informationssystem (DEMIS).
Im Datensatz "COVID-19-Todesfälle in Deutschland" des Robert Koch-Instituts werden täglich aktualisierte Informationen zu COVID-19-bedingten Todesfällen in Deutschland bereitgestellt. Die Datenerhebung erfolgt im Rahmen des Infektionsschutzgesetzes (IfSG). Der Datensatz umfasst aggregierte Todesfallzahlen nach Berichtsdatum, Altersgruppen und Bundesländern und wird ergänzt durch den Fall-Verstorbenen-Anteil. Der Datensatz ermöglicht fundierte Analysen zur Bewertung der Krankheitsschwere und Verbreitung von COVID-19 in Deutschland.
MedFSN-Bench is a benchmark corpus constructed from Field Safety Notices (FSNs) issued within medical device vigilance systems. FSNs are manufacturer-issued regulatory communications describing device malfunctions, associated risks, health hazards, and corrective actions identified during post-market surveillance. The corpus was developed to support research on Natural Language Processing (NLP) and Large Language Models (LLMs) for medical device safety analysis. MedFSN-Bench contains three benchmark tasks: Task 1: Medical Device Classification Input: Intended-use descriptions and candidate label space Output: Device category and subcategory Task 2: Health Effect Prediction Input: Device problem descriptions, risk descriptions, and candidate label space derived from IMDRF Annex F terminology Output: Appropriate IMDRF Annex F health effect terms Task 3: Device Problem Classification Input: Device problem descriptions, risk descriptions, corrective actions, and candidate label space derived from IMDRF Annex A terminology Output: Appropriate IMDRF Annex A device problem terms The corpus was constructed from publicly available Field Safety Notices collected from the German medical device vigilance system between 2013 and 2025. A hybrid human-LLM annotation workflow was employed, followed by LLM-as-a-Judge verification and additional human quality checks on a subset of the data. Corpus Statistics: Total instances: 874 Task 1: 612 instances Task 2: 192 instances Task 3: 70 instances The dataset is intended for benchmarking NLP and LLM systems in medical device safety surveillance, regulatory document understanding, post-market surveillance, and medical device vigilance research. This resource is released to support academic research, education, and reproducible evaluation of AI systems in the medical device safety domain. The benchmark was derived from publicly available regulatory safety communications and is intended solely for scientific, educational, and non-commercial research purposes. Ownership and copyright of the original source documents remain with their respective rights holders. Users are responsible for complying with any applicable licensing, copyright, and usage conditions associated with the original source materials. Citation If you use MedFSN-Bench in your research, please cite the associated publication: Md Moin Uddin and Mouzhi Ge. 2026. MedFSN-Bench: A Benchmark Corpus for Medical Device Safety. In Proceedings of the 17th ACM International Conference on Bioinformatics, Computational Biology and Health Informatics (BCB '26), June 30-July 03, 2026, Rende (CS), Italy. ACM, New York, NY, USA. DOI: https://doi.org/10.1145/3807503.3819497 BibTeX: @inproceedings{uddin2026medfsnbench, author = {Uddin, Md Moin and Ge, Mouzhi}, title = {MedFSN-Bench: A Benchmark Corpus for Medical Device Safety}, booktitle = {Proceedings of the 17th ACM International Conference on Bioinformatics, Computational Biology and Health Informatics (BCB '26)}, year = {2026}, location = {Rende (CS), Italy}, publisher = {Association for Computing Machinery}, doi = {10.1145/3807503.3819497}, isbn = {979-8-4007-2653-8/2026/06} }
WetVegDE is tri-annual wetland land cover mapping (30 m) dataset for Germany from 1985 to 2022. The maps contain detailed information of different wetland vegetations. Overview: Web map Map value Class name Color code (R,G,B) 1 Other land covers (220,220,220) 2 Grassland (143,158,0) 3 Forest (0,150,0) 4 Water (0,0,255) 5 Open swamp (111,244,230) 6 Salt marsh (82,195,220) 7 Cut-over raised bog (213,94,0) 8 Natural or restored raised bog (204,121,167) 9 Natural or restored fen (240,228,66) This dataset contains: WetVegDE_{year}.tif : Tri-annual map data (30 m) in GeoTIFF format (projection ETRS89 / EPSG:3035) legend_EN.qml : Map style to be used in QGIS (English) legend_DE.qml : Map style to be used in QGIS (German)
This record provides a governance-compatible reproducibility and transparency package accompanying the manuscript "Risk-adapted surveillance for lung and bone metastasis in hepatocellular carcinoma: international evaluation and prospective two-wave pathway implementation". The package includes fixed LM/BM threshold definitions, predictor and endpoint dictionaries, denominator maps, missing-data rules, pathway-assignment code, reviewer-oriented analysis-code skeletons, synthetic example data, table-generation workflows, software-environment files, validation scripts, model-card documentation, source-document materials, and a public-calculator manifest. No identifiable patient-level data are included. Controlled-access analytic extracts are governed by institutional approvals, data-use agreements, and confidentiality agreements.
Version 3 — Corrected electronic ground state (June 2026) This dataset accompanies the manuscript 'Translucent Structural Steel Based on MoO₂: Computational Design via Genetic Algorithms, Density Functional Theory, and Finite Element Structural Validation' (Journal of Constructional Steel Research, Elsevier). Correction in v3 (vs. v2): the diatomic Mo–O potential energy surface in v2 had two off-curve points caused by SCF convergence to an excited solution. Re-running with a robust, stability-checked SCF protocol revealed that the root cause was the spin state : v2 used the triplet, but the ground state (matching the experimental ⁵Δ) is the quintet . Confirmed at the same level (UB3LYP/def2-SVP+ECP28, PySCF 2.13): the quintet lies below the triplet throughout the well (≈ 4.9 kcal/mol near equilibrium), the PES is smooth, and the solution is essentially spin-pure (⟨S²⟩ = 6.03). Corrected DFT values (quintet ⁵Δ): r_eq = 1.6956 Å, E = −143.3043 Eh, HOMO–LUMO gap = 2.012 eV, dipole = 3.19 D, ν = 975.2 cm⁻¹ (experimental 897–1009 cm⁻¹). Unchanged from v2: structural/optical results — E = 288.6 GPa (Voigt–Reuss–Hill, Taib et al. 2019), n = 2.03, T ≈ 45%, and the full FEM analysis (anastruct; W14×211 columns / W12×190 beams; σmax = 251.9 MPa = 76.3% fy; all load combinations PASS). Version history: v1 (10.5281/zenodo.14345994) contained an ORCA H₂O simulation in error; v2 (10.5281/zenodo.20263263) corrected this to a PySCF Mo–O calculation but in the triplet state; v3 corrects the ground state to the quintet ⁵Δ. Patent: BR 10 2024 024314-5 (INPI, Brazil) Author: Luiz Ricardo Mantovani da Silva — UNISAGRADO, Bauru, SP, Brazil
Reproduction Code and Data for "Exceptional Points as Manifestations of Analyticity Breakdown in the 't Hooft Model" Author: Kejun Liu (Soochow University) Manuscript: K. Liu, arXiv:2606.10141 (2026) Paper DOI: https://doi.org/10.48550/arXiv.2606.10141 Archive DOI: [pending - assigned by Zenodo upon deposit] Funding: This work was supported by the National High-Level Overseas Talent Program (KS21400126), the Suzhou Talent project (ZXP2025057), the Jiangsu Distinguished Professorship Fund (SR21400225), and the Research Start-up Fund (NH21400525). The numerical calculations were supported by a project funded by the Priority Academic Program Development (PAPD) of Jiangsu Higher Education Institutions. This archive contains the numerical code, raw data, and analytical derivations that support the results reported in the manuscript. Contents ├── README.md ← this file ├── LICENSE ← MIT (code) + CC-BY 4.0 (data) ├── requirements.txt ← Python dependencies ├── code/ │ ├── thooft_prl_numerics.py ← core library: operator construction, HPC campaigns A-C │ ├── higher_order_ep.py ← higher-order EP probe (cascade diagnostics) │ ├── si_skin_demo.py ← Supplemental Fig. S1 (skin envelope = e^{αx}) │ ├── skin_profile.py ← skin decay-rate analysis (exp vs power-law) │ ├── make_fig1.py ← main-text Fig. 1 (FSS, EP, γ_c scaling) │ ├── definitive_dq_test_v3.py ← D-Q conjecture test (Supplement S6.3) │ └── run_array.slurm ← SLURM batch script for HPC campaigns ├── data/ │ ├── campaignA_*.json ← Campaign A: exploratory (γ, m) parameter survey (not reported in paper) │ ├── campaignB_*.json ← Campaign B: finite-size scaling │ ├── campaignC_*.json ← Campaign C: NHSE + quench dynamics │ ├── ep_*.json ← EP scan data (chiral and massive) │ ├── nhse_*.json ← NHSE scan data │ └── ep_scan_*.json ← fine-mesh EP spectrum └── derivations/ └── route_C_theta_term_analysis.md ← analytical notes on the cos θ tridiagonal structure Computation Narrative The numerical programme followed a reconnaissance-to-production workflow: theory defines the observable, a coarse survey locates the interesting region, and high-resolution production runs characterise it in detail. Step 1 - Reconnaissance (Campaign A). A coarse 2D survey of the (γ, m) parameter plane-60 γ-values × 20 mass values at L = 100-mapped the PT-symmetry-breaking phase boundary γ_c(m). This survey established three facts that guided all subsequent computation: The phase boundary γ_c(m) is monotonically increasing : quark mass stabilises the PT-unbroken phase, pushing the EP to larger deformation strength. The chiral-limit threshold γ_c(m=0) ≈ 7.97 g²N_c was confirmed to agree with the Jacobi continued-fraction prediction (§S2) within the coarse mesh resolution. The EP disappears from the physical γ > 0 axis for m ≳ 0.3 (at g²N_c = 1), setting the upper bound for the massive-quark analysis. Campaign A is exploratory : its coarse mesh (γ step 0.17, L = 100) and two-digit precision are insufficient for publication-grade results. Its role was to identify where to look , not to produce final numbers. Step 2 - Production (Campaigns B, C, HOEP). Guided by the reconnaissance map, production runs targeted specific points with high resolution: Campaign B performed finite-size scaling at L = 200-2000, scanning 250 γ-points in a narrow window centred on γ c for each (g²N_c, m) combination. This yielded the ν = 1/2 exponent (Fig. 1a, Table S1), the γ c scaling (Fig. 1c), and the massive-quark threshold trend (§S6.1). Campaign C characterised the non-reciprocal deformation (NHSE, Fig. 3, Table S2) and the real-time quench dynamics (Fig. 2b). HOEP probed the higher-order EP cascade (Fig. 1d). Step 3 - Falsification test (D-Q conjecture). Independent of the HPC campaigns, a self-contained high-precision calculation (mpmath, 40 decimal digits) tested the FLZ D-Q conjecture at the chiral point (§S6.3). This emerged from a dialogue with the integrability community and is included here for transparency. The reconnaissance data (Campaign A) is preserved in this archive even though it does not appear in the paper, because it documents the exploratory reasoning that led to the production parameter choices. Quick Start pip install -r requirements.txt # Run the demo (takes ~30 s, no HPC needed) python code/thooft_prl_numerics.py --demo # Regenerate Supplemental Fig. S1 python code/si_skin_demo.py # Regenerate main-text Fig. 1 (requires HPC data in results_v2/) python code/make_fig1.py Code-Manuscript Mapping Main-text results Manuscript result Code Key data files §3: EP as branch point of G(z;γ); γ_c = 7.966 g²N_c thooft_prl_numerics.py → campaign_b_fss campaignB_*.json , ep_*.json §3, Eq. (4): Jacobi J-fraction threshold (two-pole → depth-5 convergence) thooft_prl_numerics.py → campaign_b_collect Table S1 data in campaignB_*.json §3: ν = 1/2 finite-size scaling (N up to 1999) thooft_prl_numerics.py → campaign_b_fss campaignB_L*_g1.00_m0.000.json §4: propagator norm three-regime law (bounded / linear / exponential) thooft_prl_numerics.py → campaign_c_quench campaignC_quench_*.json §5: EP cascade γ c^(k) ≈ k γ c^(1) higher_order_ep.py ep_scan_*.json §5: NHSE from V_α = e^{αX} V e^{-αX}; skin rate κ = α si_skin_demo.py , skin_profile.py nhse_*.json , campaignC_nhse_*.json Fig. 1: EP exponent FSS, fine-mesh spectrum, γ_c scaling make_fig1.py campaignB_*.json Supplemental Material SM section Code Data S1: functional-analytic setting - (analytical) derivations/route_C_theta_term_analysis.md S2: J-fraction derivation of γ_c thooft_prl_numerics.py → campaign_b_fss Table S1 in campaignB_*.json S3: Jordan secular law + Wannier-Stark mapping thooft_prl_numerics.py → campaign_c_quench campaignC_quench_*.json S4: imaginary-gauge similarity; Fig. S1 si_skin_demo.py - S5: extended connections (Yang-Lee, Roberge-Weiss) - (analytical) - S6.1: massive-quark basis bias thooft_prl_numerics.py → campaign_b_fss (m>0) campaignB_L*_g1.00.json (m=0.1) S6.3: D-Q conjecture test at chiral point definitive_dq_test_v3.py (self-contained, no external data) S7: numerical tables - Tables S1, S2 derived from campaignB_*.json , nhse_*.json HPC Reproduction The main production runs used SLURM array jobs. To reproduce: cd code/ python thooft_prl_numerics.py --make-jobs # generates job_array.json (~200 jobs) # Update --array range in run_array.slurm to match job count sbatch run_array.slurm # submit to SLURM cluster python thooft_prl_numerics.py --collect-fss # FSS extrapolation after all jobs finish HPC Environment The production results were obtained on the Soochow University high-performance computing cluster (Slurm-based). Each compute node hosts 2 × AMD EPYC 7763 (64 cores) with 256 GB RAM; the GPU node hosts 2 × AMD EPYC 9654 (96 cores) with 384 GB RAM. All jobs ran on CPU (NumPy/SciPy dense linear algebra, no GPU acceleration required). Total compute: ~42 CPU-hours across 200+ completed SLURM array tasks (1 CPU, 4 GB RAM each), verified from cluster sacct records: Campaign Jobs CPU-hours Purpose B (v1) 58 9.7 FSS of EP exponent B (v2, large N) 61 19.8 FSS to N = 1999, large-N refinement B (individual, N = 74-79) 6 8.7 Gap-fill at N = 1200-2000 C (NHSE + quench) 83 2.5 Skin effect and real-time evolution HOEP (cascade probe) 3 1.5 Higher-order EP cascade Total (paper results) 211 42.2 A (exploratory) 32 19.6 Parameter survey, not reported in paper The data/ directory contains representative results at L = 100 (demo scale). Full-resolution results (L up to 2000) were produced on the HPC cluster; the largest individual jobs (dense complex diagonalization at N = 1999) took ~1 hour each. D-Q Conjecture Test (Supplement S6.3) The script definitive_dq_test_v3.py is self-contained and reproduces the falsification of the FLZ D-Q relation at the chiral point (α = -1). python code/definitive_dq_test_v3.py Result: The conjectural D-Q relation predicts c₁⁰ - c₃⁰ = 4.029; two independent numerical methods give 7.592 (PV-integral difference) and 7.583 (contour integration), disagreeing by ~88%. The exact chiral-limit spectral sum G⁻⁽¹⁾ = 2 log 2 ≈ 1.386 is not recovered. See SM S6.3 for full discussion. Software Requirements Python ≥ 3.9 NumPy ≥ 1.21 SciPy ≥ 1.7 Matplotlib ≥ 3.5 mpmath ≥ 1.2 (for D-Q conjecture test only) Tested on Linux x86_64 with Python 3.11, NumPy 1.26, SciPy 1.12. Citation If you use this code or data, please cite: @misc{Liu2026thooft, author = {Kejun Liu}, title = {Exceptional Points as Manifestations of Analyticity Breakdown in the 't Hooft Model}, year = {2026}, eprint = {2606.10141}, archivePrefix= {arXiv}, primaryClass = {quant-ph}, doi = {10.48550/arXiv.2606.10141}, url = {https://doi.org/10.48550/arXiv.2606.10141}, note = {Reproduction code and data: zenodo.org/record/XXXXXXX} } Contact Kejun Liu - kjliu@suda.edu.cn Soochow University, Suzhou, China
This repository contains a dataset of 30 Urban Climate Experiments (UCEs) conducted in German municipalities between 2014-2023. The dataset includes case-level information, governance conditions used in configurational analysis, and supplementary analytical outputs. Version 1.1 adds complete csQCA results generated using fsQCA 4.1, including necessity analysis, subset/superset analysis, truth table analysis, and solution minimization outputs.
Der Datensatz "Intensivkapazitäten und COVID-19-Intensivbettenbelegung in Deutschland" des Robert Koch-Instituts dokumentiert die tägliche intensivmedizinische Versorgungslage seit der COVID-19-Pandemie. Basierend auf Meldungen aller intensivbettenführenden Krankenhäuser in Deutschland erfasst das DIVI-Intensivregister Echtzeitdaten zu belegten und freien Intensivbetten. Die Erhebung differenziert nach Altersgruppen, Regionen und Versorgungsstufen. COVID-19-Fälle auf Intensivstationen werden gesondert ausgewiesen. Die Daten stehen aggregiert auf Bundes-, Landes- und Kreisebene zur Verfügung. Damit bildet der Datensatz eine Grundlage für die Überwachung von Kapazitäten, die Koordination von Behandlungskapazitäten und politische Entscheidungsprozesse während der Pandemie und darüber hinaus.
Der Datensatz "Daten der Notaufnahmesurveillance" wird durch das Robert Koch-Institut und das AKTIN-Notaufnahmeregister bei Krankenhausaufnahmen bereitgestellt. Der Datensatz beinhaltet aggregierte Routinedaten aus deutschen Notaufnahmen zur syndromischen Überwachung von akuten Erkrankungen. Dazu zählen grippeähnliche Erkrankungen (ILI), Coronavirus-Erkrankungen (COVID-19), akute respiratorische Erkrankungen (ARE), gastrointestinale Infektionen (GI) und schwere akute respiratorische Infektionen (SARI). Dabei wird der relative Anteil dieser Erkrankungen an der Gesamtzahl der Notaufnahmevorstellungen sowie die berechneten Erwartungswerte und Prädiktionsintervalle ausgewiesen. Die Daten sind nach Notaufnahmetypen und Altersgruppen aggregiert. Damit bietet der Datensatz eine wertvolle Ressource für die Forschung im Bereich der Notfallmedizin und der Überwachung akuter Gesundheitsereignisse in Deutschland.
Der Datensatz "Daten der Notaufnahmesurveillance" wird durch das Robert Koch-Institut und das AKTIN-Notaufnahmeregister bei Krankenhausaufnahmen bereitgestellt. Der Datensatz beinhaltet aggregierte Routinedaten aus deutschen Notaufnahmen zur syndromischen Überwachung von akuten Erkrankungen. Dazu zählen grippeähnliche Erkrankungen (ILI), Coronavirus-Erkrankungen (COVID-19), akute respiratorische Erkrankungen (ARE), gastrointestinale Infektionen (GI) und schwere akute respiratorische Infektionen (SARI). Dabei wird der relative Anteil dieser Erkrankungen an der Gesamtzahl der Notaufnahmevorstellungen sowie die berechneten Erwartungswerte und Prädiktionsintervalle ausgewiesen. Die Daten sind nach Notaufnahmetypen und Altersgruppen aggregiert. Damit bietet der Datensatz eine wertvolle Ressource für die Forschung im Bereich der Notfallmedizin und der Überwachung akuter Gesundheitsereignisse in Deutschland.
How do media representations of immigrants shape their treatment by street-level bureaucrats? Despite a uniform federal legal framework, decision-making varies substantially across local welfare offices. Though prior research links national news reporting and policy implementation, little is known about how regional variation in news reporting on immigration is linked to spatial variation in bureaucratic decision-making. This is a key gap because regional media structures how residents perceive local developments and problems. I argue that street-level bureaucrats are embedded within such a regional news environment, where reporting shapes their perception of regional immigration patterns and makes stereotypes cognitively accessible to them, influencing their decisions. I term this dynamic the regional media bias mechanism. To examine this phenomenon, I combine state-level data on benefit reduction rates in Germany’s welfare program Citizen’s Benefit with regional newspaper articles (2010-2019). Leveraging topic modeling and panel data analysis, I show that regional narratives on rather positive topics of immigration are associated with more favorable administrative outcomes for immigrants, whereas frames emphasizing rather negative aspects correspond with stricter treatment. These results highlight the critical role of regional media in explaining regional variation in administrative decision-making, thereby shaping policy implementation.
open
Scholarly works
unavailable this run
Patents
0 matches
No patents in the bounded preview corpus for this query.