scienceOS: Wissen recherchieren, analysieren und visualisieren

Veröffentlicht am von

Ein Gastbeitrag von Danny Walther

Künstliche Intelligenz wird an Hochschulen intensiv genutzt, auch – und vor allem – zur Recherche. Dabei dominieren ChatGPT und Claude, doch für eine wissenschaftliche Recherche sind beide nur bedingt geeignet. Die wachsende Zahl an halluzinierten Quellen ist nur ein Beleg dafür. Zwar können ChatGPT und Claude über Skills, GPTs und Deep Research-Modi bei der Daten- und Literaturrecherche inzwischen einiges leisten und lassen sich durch Konnektoren und Plugins mit wissenschaftlichen Datenbanken verbinden, doch wer fundiert recherchieren will, sollte (noch) andere Wege gehen.

Betrachtet man die wissenschaftliche Recherche-Infrastruktur im Ganzen, so sieht man, dass KI an immer mehr Stellen Einzug hält. Fachdatenbanken bekommen KI-Assistenten, wissenschaftliche Suchmaschinen wie Google Scholar Labs oder OpenAlex lassen sich in natürlicher Sprache befragen und Preprint-Server wie alphaXiv bieten Möglichkeiten zur KI-gestützten Recherche und Analyse von Papern.

Die neueste Säule in dieser Infrastruktur sind speziell für die Recherche entwickelte KI-Tools, die auf große wissenschaftliche Datenbanken zurückgreifen. Aktuell gibt es mehr als 50 solcher Tools. Eines davon ist scienceOS.ai. 

Das Besondere: Das 2023 in Dresden gegründete Unternehmen entwickelt sein Tool komplett DSGVO-konform und hat einen KI-Agenten, der selbsterklärend ist, d. h. dem Nutzer die Funktionen und die Arbeitsweise des Programms auf Nachfrage genau erklärt. Gründe genug, sich scienceOS mal näher anzuschauen.

Abbildung 1: Startseite von scienceOS

Was ist die Datenbasis von scienceOS?

Wie bei manch anderen KI-Recherche-Tools ist auch bei scienceOS die maßgebliche Datenbasis Semantic Scholar – eine wissenschaftliche Suchmaschine, die mithilfe von Machine Learning relevante Papers, Zitationen, Autoren und Zusammenhänge erschließt und über einen Academic Graph zur Verfügung stellt. Aktuell sind in der Semantic-Scholar-Datenbank rund 235 Millionen Publikationen verzeichnet, die ca. 2,4 Milliarden Zitationsbeziehungen beinhalten. Dieser Index wird von scienceOS zusätzlich mit Links zu Open-Access-Volltexten angereichert.

Abbildung 2: Auskunft des KI-Agenten zur Datenbasis von scienceOS.

Auf dieser Grundlage hat scienceOS sein Tool gebaut. Neben verschiedenen Suchmodi beinhaltet es auch zahlreiche Möglichkeiten der KI-gestützten Analyse und Auswertung von Daten und Literatur. Schauen wir uns die Funktionen und die Funktionsweisen einmal genauer an.

Wie recherchiert scienceOS und wie filtert es seine Dokumente?

Nachdem eine Anfrage in Form eines Prompts gestellt wurde, durchsucht scienceOS die Semantic-Scholar-Datenbank und sammelt relevante Dokumente. Da das System über einen KI-Agenten funktioniert, kann eine Anfrage mehrere Suchläufe auslösen. Fragt der Benutzer zum Beispiel nach dem Vergleich zweier Autoren oder verschiedener Konzepte, wird die Datenbank mehrfach durchsucht und erst dann die Synthese erstellt. Zudem kann es sein, dass der KI-Agent bei der Recherche Verbindungen entdeckt, die zuvor nicht offensichtlich waren. Auch dann wird eine neue Suche aktiviert, um diese Verbindungen wiederzugeben. Kurzum: Der KI-Agent ruft seine Subagenten und Tools oft mehrfach auf, um ein möglichst umfassendes und ausgewogenes Trefferbild zu liefern. Das Ergebnis ist eine Liste von bis zu 100 Quellen, die unter der Antwort gesammelt aufgeführt sind.

Abbildung 3: Ausschnitt aus der Antwort zu einer Recherche zum Thema „KI und Deskilling“

An die Sammelphase schließt sich die Auswahlphase an, bei der es um thematische Fokussierung und Qualitätssicherung geht. Aus den 100 Quellen werden die besten ausgewählt. Das wichtigste Auswahlkriterium ist dabei semantische Relevanz, d. h., wie gut eine Quelle zur gestellten Frage passt. Weitere Kriterien sind die Aktualität und die Zitationsrate. Neuere Publikationen werden tendenziell höher gerankt. Ältere Studien finden besonders dann Berücksichtigung, wenn sie häufig zitiert wurden bzw. als grundlegende Arbeit im Feld gelten. Das vierte Auswahlkriterium ist die Qualität des Publikationsmediums, zum Beispiel ein Q1-Journal.

scienceOS nutzt einen komplexen Algorithmus, der die Kriterien in ein Gesamtranking überführt, um eine ausgewogene Auswahl zu treffen. Die Informationen aus dieser Auswahl werden verwendet, um die Antwort zu formulieren und die KI-generierte Zusammenfassung mit Quellen und – wo möglich – mit Seitenzahlen zu belegen.

Was kann ich mit den KI-Antworten machen?

scienceOS bietet eine Reihe von Möglichkeiten, die Antworten weiterzubearbeiten. Durch Follow-up-Fragen können Themen vertieft oder in eine bestimmte Richtung gelenkt werden. Darüber hinaus lassen sich die Ergebnisse in Form einer Tabelle, als Plot oder Diagramm darstellen. Da die Diagramme auf Mermaid-Code basieren, können sie problemlos exportiert und weiterverarbeitet werden.

Abbildung 4: Beispiel der Darstellung von Forschungszusammenhängen als Diagramm

Zudem kann der Nutzer den Chat an jeder beliebigen Stelle zurücksetzen und dort neu beginnen. Das lohnt sich etwa, wenn man eine alternative Forschungsrichtung erkunden will oder eine Suchanfrage neu formulieren möchte. Darüber hinaus können Paper aus externen Quellen hochgeladen, analysiert und mit den Ergebnissen eines Chatverlaufs verglichen werden.

Wie kann ich die gefundenen Dokumente analysieren?

Die bei der Recherche gefundenen Dokumente lassen sich in scienceOS systematisch analysieren und miteinander verbinden. Der Nutzer kann Zusammenfassungen erstellen, gezielt nach Methoden, Datengrundlagen, Ergebnissen oder Einschränkungen fragen und einzelne Aussagen durch Belege aus dem Dokument überprüfen. Ist der Volltext verfügbar, verweist scienceOS direkt auf die entsprechenden Seiten. Liegen nur bibliografische Angaben und der Abstract vor, beschränkt sich die Analyse darauf.

Besonders nützlich ist die parallele Analyse mehrerer Dokumente. Studien können z.B. nach Stichprobengröße, Untersuchungsdesign, Methoden, zentralen Befunden und Limitationen verglichen werden. Auf diese Weise lassen sich Gemeinsamkeiten, Widersprüche und Forschungslücken sichtbar machen. Die Ergebnisse können als strukturierte Übersicht ausgegeben und durch weitere Fragen präzisiert werden.

Abbildung 5: Ausschnitt einer strukturierten Übersicht in Form einer Tabelle

Darüber hinaus zeigt scienceOS durch die „How this paper is cited“-Funktion, wie eine Studie in der wissenschaftlichen Literatur aufgenommen wurde, d. h., ob andere Studien ihr explizit zustimmen, sie „nur“ erwähnen oder ihren Ergebnissen widersprechen. Hierfür greift scienceOS auf rund 800 Mio. Volltext-Snippets zurück, deren Sprache, Formulierungen und Zitationskontexte semantisch analysiert werden. Die rein quantitativen Zitationszahlen werden dadurch um eine qualitative Ebene ergänzt.

Abbildung 6: Beispiel einer „How this paper is cited“-Analyse

Die in den Analysen aufgeführten Studien können ebenfalls angeklickt und untersucht werden. Jedes Paper enthält dabei eine Kurzzusammenfassung (TL;DR = Too long; didn’t read), den Abstract sowie – wenn vorhanden – den Volltext. Dazu gibt es eine Reihe bibliometrischer Angaben, die helfen, die Bedeutung der Quelle zu erschließen. Darüber hinaus gibt es die Möglichkeit, Zitationsverbindungen grafisch sichtbar zu machen.

Abbildung 7: Beispiel einer grafischen Darstellung von Zitationsverbindungen über die „How this paper is connected“-Funktion.

Der Nutzer ist bei seinen Analysen nicht auf die von scienceOS gefundenen Quellen beschränkt. Eigene Dateien und anderweitig recherchierte Dokumente können in die Bibliothek hochgeladen, ausgewertet und mit den Ergebnissen der bisherigen Recherche verbunden werden. Damit lässt sich die Datenbasis gezielt erweitern.

Abbildung 8: Analyse einer hochgeladenen Studie (Bartoš et al.) und Kontextualisierung mit den Ergebnissen des Chats

Wie funktioniert die Bibliothek von scienceOS und was leistet sie?

Die Bibliothek bietet den Vorteil, dass nicht nur jene Studien gespeichert werden können, die scienceOS recherchiert hat, sondern auch jene, die der Nutzer auf anderen Wegen gefunden hat. Denn auch und gerade im KI-Zeitalter darf die Literatursuche nicht auf KI-Tools beschränkt bleiben. Wer umfassend recherchieren will, muss (weiterhin) Bibliothekskataloge, Fachdatenbanken, Preprint-Server, Repositorien und akademische Suchmaschinen nutzen, um die ganze Bandbreite an Literatur und Daten abzudecken.

KI-Systeme finden immer nur einen Teil der vorhandenen Literatur zu einem Thema. Sie können aber – und hier kommt die Bibliothek ins Spiel – das gesammelte Wissen aufnehmen und mit den Möglichkeiten der KI analysieren. Die scienceOS-Bibliothek kann bis zu 4.000 Quellen verarbeiten und sie in Sammlungen und Projekte aufteilen, die mit anderen geteilt werden können. Durch die Zotero-Verbindung können Daten importiert und aus scienceOS auch wieder exportiert werden.

Abbildung 9: Beispiel eines Methodenvergleichs von drei Studien in einer Bibliothek.

Was kostet scienceOS?

In der Grundversion – nichts. Der „Angel-Plan“, der alle Funktionen in vollem Umfang einschließt, ist für Einzelnutzer für 7,25 Euro im Monat (plus Steuern) zu haben. Verglichen mit anderen Tools ist das günstig. Für Hochschulen gibt es Team- und Institutionspläne, die maximal 6 Euro pro Nutzer und Monat kosten. Bei Multilizenzen lassen sich die Kosten auf nur 2 Euro pro Monat und Nutzer senken. Verglichen mit anderen KI-Tools ist das extrem preiswert und zeigt, dass nicht Gewinn-, sondern Wissensmaximierung das Ziel ist, schließlich wollen die Entwickler von scienceOS, die selbst aus der Wissenschaft kommen, mit ihrem Tool einen Beitrag zur besseren Vernetzung von Erkenntnissen leisten. Die Nutzer sind ausdrücklich aufgerufen, daran mitzuwirken, indem sie scienceOS testen, Ideen für neue oder verbesserte Funktionen einbringen oder einfach Rückmeldung geben. „Entwickler wollen Dinge verbessern. Feedback macht sie glücklich“, erklärt einer von ihnen im Interview. In diesem Sinne: einfach mal recherchieren und testen …

Wie geht es mit scienceOS, KI-Recherche-Tools und KI in der Wissenschaft weiter?

Bei KI-Tools lässt sich ein genereller Trend beobachten: Die Zahl der Funktionen wächst. Viele Programme, die einst für die Recherche entwickelt wurden, erweitern ihr Einsatzgebiet. Auch scienceOS folgt diesem Trend. Künftig sollen sich auch CSV-Dateien hochladen, statistisch auswerten und visualisieren lassen. Ich durfte die neuen Funktionen bereits testen – und die Ergebnisse sind vielversprechend.

Abbildung 10: Visualisierung eines Datensatzes, der den Einfluss von KI-Bildung auf die Leistungen von 300 Studierenden untersucht. Es handelt sich hierbei um einen künstlich erzeugten Datensatz zu Testzwecken.

Auch eine lokale Version von scienceOS wird gerade entwickelt. Sie kann überall dort eingesetzt werden, wo besonders hohe Anforderungen gelten, sei es beim Datenschutz oder bei der Transparenz der Quellen. Das trifft z.B. auf den KI-Einsatz in Krankenhäusern zu. Im Rahmen eines Pilotprojekts am Klinikum Chemnitz wird das in den kommenden zwei Jahren intensiv getestet.

Es zeigt sich also: scienceOS ist mehr als ein Recherche-Tool, es ist eine Forschungsplattform. Und genau diese wird für die Wissenschaft immer wichtiger, denn es geht darum, mithilfe von KI integrierte Arbeitsumgebungen zu schaffen, in denen sich Literaturrecherche, Datenanalyse, wissenschaftliches Arbeiten und Datensicherheit verbinden. Die richtigen Tools dafür zu finden und sie fundiert und reflektiert einzusetzen, ist dabei von entscheidender Bedeutung – für die KI-Bildung des Einzelnen wie für die KI-Infrastruktur der Bildungs- und Forschungslandschaft insgesamt. Unter den zahlreichen Angeboten auf dem Markt ist scienceOS durch seine Vielzahl an Funktionen und die Tatsache, dass alle Daten in Europa verarbeitet werden, eine sehr gute Wahl.

Danny Walther

 

Zum Autor:

Danny Walther ist freier Dozent. Er veranstaltet Workshops zum Einsatz von Künstlicher Intelligenz in Wissenschaft und Studium. Seine Schwerpunkte sind die Daten- und Literaturrecherche, Visualisierungs-Methoden und die Frage, wie Studieren, Lehren und Forschen im KI-Zeitalter gelingen kann. Das Ziel seiner Arbeit ist ein reflektierter, praxisnaher und wissenschaftlich fundierter Umgang mit KI. Mehr unter https://ki-recherchen.de/ und https://www.linkedin.com/in/ki-recherchen/