Zuverlässigere Literaturübersichten

Obwohl die vorher genannten KI-Systeme hilfreich sein können, um eine Literatursuche schnell durchzuführen, weisen sie, wie bereits erwähnt, einige Einschränkungen auf. Je nach akademischer Arbeit ist eine zuverlässigere und qualitativ hochwertigere Literaturübersicht erforderlich. 

Wie wir gesehen haben, stützen sich KI-Systeme stark auf Open-Access-Publikationen. Daher werden viele relevante und einflussreiche Artikel, die nicht Open Access sind und hinter Paywalls wissenschaftlicher Verlage liegen, von KI-Forschungsassistenten nicht als Ergebnisse bereitgestellt. Um auf diese wissenschaftlichen Artikel zugreifen zu können, benötigen Universitäten weltweit Abonnements. 

Studierende, Professor:innen und Forschende der Freien Universität Berlin können beispielsweise das Bibliotheksportal Primo nutzen, um Bücher, Zeitschriftenartikel und Konferenzbeiträge zu suchen und darauf zuzugreifen. Alternativ/Ergänzend können Studierende, Professor:innen und Forschende direkt auf die akademischen Datenbanken zugreifen, für die die Universität Abonnements hat, und die Literatursuche durchführen, während sie mit dem Campusnetzwerk verbunden sind oder über VPN darauf zugreifen.

Erstellen der Sucheingabe

Egal, ob die Suche über das Bibliotheksportal Primo oder direkt in akademischen Datenbanken erfolgt, es ist notwendig, eine hochwertige Sucheingabe zu formulieren, um die Wahrscheinlichkeit zu erhöhen, relevante Arbeiten zu finden. Hier können KI-Systeme hilfreich sein. Eine Sucheingabe ist eine Kombination aus Schlüsselwörtern und booleschen Operatoren, die in das Suchfeld einer Bibliotheksdatenbank eingegeben werden. Forschende können LLMs nutzen, um den Prozess der Erstellung von solchen Eingaben zu unterstützen. Siehe das folgende Beispiel:

Benmamoun, Mamoun. “Generative AI in International Business Research: A Guide to Ethical and Responsible Application.” Thunderbird International Business Review 67, no. 1 (2025): 139–46. https://doi.org/10.1002/tie.22415.

Boolesche Ausdrücke sind nichts anderes als mehrere Suchbegriffe, die mit den Operationen „AND“ (UND) oder „OR“ (ODER) kombiniert werden. Mit booleschen Ausdrücken kann man entweder die Suche erweitern, um mehr Ergebnisse zu erhalten, oder die Suche spezifizieren, um nur die Ergebnisse zu bekommen, die die gewünschten Informationen enthalten. In den meisten Suchmaschinen findet man diese Funktion unter „Erweiterte Suche“. Auch Primo der FU Berlin bietet diese Funktion an, sodass die Suche von den Nutzern leicht angepasst werden kann. Im folgenden Beispiel wurden mit den drei angegebenen Schlüsselwörtern 634 Ergebnisse gefunden, während die Eingabe nur der ersten beiden Schlüsselwörter 4296 Ergebnisse lieferte.

Auswahlprozess

Nach der Durchführung der Suche mit KI-Forschungsassistenten wie Consensus oder direkt in akademischen Datenbanken wie Web of Science müssen Forschende auswählen, welche Artikel sie analysieren möchten. 

Sowohl bei der Verwendung von KI-Forschungsassistenten als auch bei der direkten Recherche in akademischen Datenbanken werden viele nicht verwandte Arbeiten gefunden. Forschende müssen daher Einschluss- und Ausschlusskriterien verwenden, um Artikel in die Literaturübersicht aufzunehmen oder auszuschließen (falls sie nicht relevant sind). 

Derzeit gibt es KI-Systeme, die Forschende dabei unterstützen können, den Auswahlprozess zu beschleunigen und ihre Arbeitsbelastung zu verringern. Einige Beispiele für solche KI-Systeme sind Abstrackr und Rayyan. Abstrackr hilft dabei, Zeit zu sparen, indem es das Risiko minimiert relevante Artikel zu übersehen und einen oder zwei Reviewer unterstützt. Rayyan, eine weit verbreitete webbasierte Softwareplattform, integriert KI-Tools, um den Screening-Prozess zu erleichtern. Es ist jedoch wichtig zu betonen, dass diese KI-Systeme, obwohl sie eine gute Genauigkeit aufweisen, möglicherweise einen Artikel fälschlicherweise als nicht relevant einstufen könnten. Daher ist es wichtig, dass Forschende die von diesen KI-Systemen getroffenen Entscheidungen überprüfen.

Abschließend lässt sich sagen, dass Forschende für zuverlässigere Literaturübersichten zunehmend sowohl KI-gestützte Forschungsassistenten als auch akademische Datenbanken nutzen. Einige Beispiele für Studien, die gemischte Strategien zur Literatursuche verwendeten:

• Arcas, Vasile Calin, Anca Maria Fratila, Doru Florian Cornel Moga, Iulian Roman-Filip, Ana-Maria Cristina Arcas, Corina Roman-Filip, and Mihai Sava. „A Literature Review and Meta-Analysis on the Potential Use of miR-150 as a Novel Biomarker in the Detection and Progression of Multiple Sclerosis.“ Journal of Personalized Medicine 14, Nr. 8 (August 2024): 815. https://doi.org/10.3390/jpm14080815.
• Rodríguez-Galán, Germán, and Jenny Torres. „Personal Data Filtering: A Systematic Literature Review Comparing the Effectiveness of XSS Attacks in Web Applications vs Cookie Stealing.“ Annals of Telecommunications 79, Nr. 11–12 (Dezember 2024): 763–802. https://doi.org/10.1007/s12243-024-01022-8.
• Jiménez, Amalio, Frederick R. Carrick, Norman Hoffman, and Monèm Jemni. „The Impact of Low-Level Laser Therapy on Spasticity in Children with Spastic Cerebral Palsy: A Systematic Review.“ Brain Sciences 14, Nr. 12 (Dezember 2024): 1179. https://doi.org/10.3390/brainsci14121179.
• Kádár, Béla, and Erika Jáki. „COVID-19 and SMEs: An Umbrella Review of Systematic Literature (2020–2024) and Future Directions for Entrepreneurship: Introduction to the ‘The Entrepreneurial Landscape in the Post-COVID Era: Insights, Challenges, and Future Perspectives’ Special Issue.“ Society and Economy 46, Nr. 4 (7. Dezember 2024): 323–41. https://doi.org/10.1556/204.2024.00017."