Prof. Dr. Mohammad Gharaibeh

Prof. Gharaibeh leitet den Aufbau und die Weiterentwicklung des Zentralinstituts für Islamische Theologie an der Humboldt-Universität zu Berlin (2024–2028). Seine aktuelle Forschung konzentriert sich auf islamische Ideen- und Theologiegeschichte, insbesondere auf Fragen von Kanon und Zensur sowie auf die Vermittlung theologischer Inhalte in digitalen Kontexten. Ein Schwerpunkt liegt auf der Erforschung von Islam und Digitalität unter Berücksichtigung von Medialität, Materialität und Hermeneutik. Für Institutionen und Bildungsträger bietet diese Arbeit Grundlagen für die akademische Etablierung islamisch-theologischer Lehre im deutschsprachigen Raum sowie Erkenntnisse über die Rolle digitaler Medien in der Vermittlung religiöser Inhalte.

🔒 Das System hat 765 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• Aufbau des Zentralinstituts für Islamische Theologie an der Humboldt-Universität zu Berlin

  Quelle ↗

  Förderer: Bundesministerium für Forschung, Technologie und Raumfahrt Zeitraum: 01/2019 - 12/2023 Projektleitung: Prof. Dr. Mohammad Gharaibeh, Prof. Dr. phil. Michael Borgolte

• „Kanon und Zensur in der Islamischen Ideen- und Theologiegeschichte“

  Quelle ↗

  Förderer: Bundesministerium für Forschung, Technologie und Raumfahrt Zeitraum: 11/2020 - 10/2021 Projektleitung: Prof. Dr. Mohammad Gharaibeh

• Islam und Digitalität: Medialität, Materialität, Hermeneutik.

  Quelle ↗

  Förderer: Bundesministerium für Forschung, Technologie und Raumfahrt Zeitraum: 01/2024 - 06/2027 Projektleitung: Prof. Dr. Mohammad Gharaibeh

• Automated Monkeypox Skin Lesion Detection Using Deep Learning and Transfer Learning Techniques

  2023

  International Journal of Environmental Research and Public Health · DOI

  The current outbreak of monkeypox (mpox) has become a major public health concern because of the quick spread of this disease across multiple countries. Early detection and diagnosis of mpox is crucial for effective treatment and management. Considering this, the purpose of this research was to detect and validate the best performing model for detecting mpox using deep learning approaches and classification models. To achieve this goal, we evaluated the performance of five common pretrained deep learning models (VGG19, VGG16, ResNet50, MobileNetV2, and EfficientNetB3) and compared their accuracy levels when detecting mpox. The performance of the models was assessed with metrics (i.e., the accuracy, recall, precision, and F1-score). Our experimental results demonstrate that the MobileNetV2 model had the best classification performance with an accuracy level of 98.16%, a recall of 0.96, a precision of 0.99, and an F1-score of 0.98. Additionally, validation of the model with different datasets showed that the highest accuracy of 0.94% was achieved using the MobileNetV2 model. Our findings indicate that the MobileNetV2 method outperforms previous models described in the literature in mpox image classification. These results are promising, as they show that machine learning techniques could be used for the early detection of mpox. Our algorithm was able to achieve a high level of accuracy in classifying mpox in both the training and test sets, making it a potentially valuable tool for quick and accurate diagnosis in clinical settings.

• Stress concentration analysis for countersunk rivet holes in orthotropic plates

  2012

  European Journal of Mechanics - A/Solids · DOI