Grundlagen: Recherche mit KI

Vorbemerkungen

• Die auf den folgenden Folien angegeben Links führen entweder zum jeweiligen KI-Tool oder zu Studien, die mir als Quelle meiner Ausführungen gedient haben oder weiterführende Informationen zu einem Thema oder einem spezifischen Punkt enthalten.
• Das Thema KI und Recherche- und Informationskompetenz habe ich in einem Debattenbeitrag beschrieben, der im August 2026 beim „Hochschulforum Digitalisierung“ veröffentlicht wurde. Sie finden den Text hier (doi.org).

Was sind die Ziele dieser Veranstaltung?

• Verständnis der grundlegenden wissenschaftlichen Recherche-Infrastruktur wecken
• Recherche als systematischen, methodisch reflektierten Prozess betreiben
• wissen, wo innerhalb der Recherche-Infrastruktur KI integriert ist und wo nicht
• generelles Verständnis von KI-Systemen: Funktionsweise, Chancen, Risiken
• Kenntnis spezifischer wissenschaftlicher KI-Recherche-Tools und ihrer Funktionen
• Verbindungen von KI-gestützten Möglichkeiten mit klassischen Suchtechniken zeigen
• = Ausbildung bzw. Verbesserung der wiss. Informations- und Recherchekompetenz

Wie verändert KI die (wissenschaftliche) Recherche?

• 60% - 70% der Google-Suchen = sog. zero-click searches (sparktoro.com)
• bei ChatGPT werden Links und Quellen in Ergebnissen zu 98%-99% nicht angeklickt (searchenginejournal.com)
• Prüfung und Auseinandersetzung mit den Quellen, Daten und Dokumenten nimmt ab (hochschulforumdigitalisierung.de)
• Nutzer lesen zunehmend nur noch die von KI erzeugte Interpretationsschicht
• 69% der Studierenden geben an, dass ihnen die Antworten von ChatGPT genügen (repositorium.hs-ruhrwest.de)
• Grund: KI-Antworten vermitteln durch ihre kohärente Sprache und schlüssig wirkende Argumentation (sog. processing fluency) Gefühl von Wahrhaftigkeit und Glaubwürdigkeit
• Vor KI: Hauptproblem = Informationen finden
• Mit KI: Hauptproblem = KI-Bewertung, Bias-Erkennung, Datengrundlage, Modelllogik usw.
• KI macht aus dem Suchproblem ein Bewertungsproblem

Wie groß ist das Problem der KI-Halluzinationen?

• zunehmend halluzinierte Quellen in Abschlussarbeiten, Peer-Review-Studien, Konferenzbeiträgen, Handbüchern usw. (thelancet.com / degruyterbrill.com / arxiv.org / arxiv.org / retractionwatch.com)
• Halluzinationen fallen oft nicht auf, werden zitiert und erhalten Renommee u. Relevanz
• Gravierende Folgen: erfundene Referenzen können in Studien und Leitlinien gelangen
• halluzinierte Quellen gelten als schwerer wissenschaftlicher Betrug (retractionwatch.com / retractionwatch.com)

Warum entstehen KI-Halluzinationen? Und was lässt sich dagegen machen?

• Technische Gründe
• Sprachmodelle erzeugen wahrscheinliche, nicht zwingend wahre Antworten
• Wissenslücken werden häufig plausibel ergänzt: in den Trainingsdaten folgen auf Fragen meist Antworten, bei der Feinabstimmung werden hilfreiche Antworten zusätzlich belohnt
• KI-Systeme können auch „innerhalb“ von Quellen halluzinieren, indem sie Ergebnisse im Laufe eines (längeren) Chats verfälschen (arxiv.org) oder sie übermäßig verallgemeinern (pubmed.ncbi.nlm.nih.gov)
• Menschliche Gründe
• Allzweck-KIs wie ChatGPT werden oft zur Recherche genutzt = Gefahr von Halluzinationen
• fehlenden fachspezifische KI-Bildung
• Lösungen
• Quellen prüfen und RAG-Systeme bzw. guideline-gebundenes RAG verwenden
• RAG reduziert den Anteil von Halluzinationen bzw. unsicherer Empfehlungen deutlich

Was kann man gegen KI-Halluzinationen machen?

• Halluzinations-Erkennungs-Programme wie BibFox (bibfox.com) nutzen oder
• KI-Systeme können auch „innerhalb“ von Quellen halluzinieren, indem sie Ergebnisse im Laufe eines (längeren) Chats verfälschen (github.com) oder sie übermäßig verallgemeinern (github.com)
• Gefundene Quellen und Dokumente immer auf Echtheit prüfen und zudem sicherstellen, welche Inhalte nach mehreren Arbeitsschritten noch aus dem Originaltext stammen

Warum sind und bleiben präzise Fachbegriffe auch bei KI-gestützten Recherchen wichtig?

• Begriffe wirken wie Register an einer Orgel: Je nachdem, welches Register gezogen wird, verändert sich der Klang – bei KI verändert sich der semantische Suchraum.
• KI verändert die Suchlogik, aber nicht die Notwendigkeit guter Begriffsarbeit.
• Welche Treffer erscheinen, hängt zudem von Datenbasis, Indexierung, Suchlogik und Ranking des jeweiligen Systems ab.
• Abbildung KI-generiert

Warum reicht ein allgemeiner (breiter) Prompt für eine gezielte Recherche nicht aus?

• Beispielprompt: „Führt der Einsatz generativer KI bei Studierenden zu Deskilling?“
• Offen bleibt:
• Was genau bedeutet „Deskilling“? Verlust vorhandener Fähigkeiten, geringerer Kompetenzerwerb, weniger Übung oder stärkere Abhängigkeit von KI?
• Welche Kompetenzen sind gemeint? Schreiben, wissenschaftliche Recherche, kritisches Denken, Problemlösen, Programmieren oder Fachwissen?
• Welche Form der KI-Nutzung wird untersucht? Textgenerierung, Recherche, Zusammenfassung, Feedback, Übersetzung oder Problemlösung?
• Welche Vergleichssituation interessiert? Nutzung mit vs. ohne KI, unterschiedliche Nutzungsintensität oder verschiedene Arten der KI-Unterstützung?
• Welche Evidenz soll berücksichtigt werden? Experimente, Längsschnittstudien, Beobachtungsstudien, Befragungen, qualitative Studien oder Reviews?
• Folge des breiten Prompts: Unterschiedliche Kompetenzbegriffe, Wirkmechanismen und Evidenztypen werden vermischt.

Welche Funktionen erfüllt ein breit angelegter Prompt – und welche nicht?

• Breit angelegter Prompt: „Führt der Einsatz generativer KI bei Studierenden zu Deskilling?“
• Geeignet, um:
• zentrale Problemfelder und Fragestellungen zu entdecken
• einen ersten Überblick über das Forschungsfeld zu gewinnen.
• Nicht geeignet, um
• wissenschaftlicher Evidenz gezielt zu prüfen
• ein Thema differenziert und umfassend zu erschließen
• Breite Prompts kartieren das Forschungsfeld, präzise Prompts strukturieren die Evidenzsuche.
• Für Recherche sind präzise, differenzierte Prompts nötig, ggf. Prompt-Generator nutzen (chatgpt.com)

Was muss vor einer wissenschaftlichen Recherche mit (und ohne) KI geklärt werden?

Welche Funktionen erfüllt ein mehrdimensionaler und zugleich präziser Rechercheprompt?

• Rechercheprompt:
• Recherchiere empirische Literatur (2024 - 2026) zu Deskilling, Downskilling und Cognitive Offloading durch KI im Schul- und Hochschulbereich.
• Prüfe in diesem Kontext auch Veränderungen von Schreib-, Recherche-, Problemlöse-, Metakognitions- und Critical-Thinking-Kompetenzen
• Priorisiere europäische Studien, besonders aus dem DACH-Raum und ergänze sie um internationale Evidenz. Erfasse quantitative, qualitative und Mixed-Methods-Studien sowie relevante Reports, Metanalysen und systematische Literature Reviews.
• Erstelle eine Evidenzmatrix mit Studiendesign, Stichprobe, Ergebnissen, Evidenzstärke und Limitationen. Trenne konsequent zwischen gemessenen Kompetenzveränderungen, wahrgenommenen Effekten und bloßen Einstellungen gegenüber KI.
• Identifiziere Forschungslücken und leite Implikationen für Hochschulen ab.

Welche Funktionen erfüllt ein mehrdimensionaler und zugleich präziser Rechercheprompt?

Welche Funktionen erfüllt ein mehrdimensionaler und zugleich präziser Rechercheprompt?

Welche Funktionen erfüllt ein mehrdimensionaler und zugleich präziser Rechercheprompt?

• ABER: Auch ein guter Rechercheprompt führt nur dann zu validen Ergebnissen, wenn dafür die jeweils geeigneten wissenschaftlichen Recherche-Plattformen genutzt werden. ⟶ ⟶ ⟶

Wie sieht die wissenschaftliche Recherche-Infrastruktur (ungefähr) aus?

• In der Abbildung gelb markiert sind KI-Integrationen in „klassische“ Plattformen bzw. genuine KI-Tools.
• Die Abbildung wurde mit Mermaid.ai (mermaid.ai) auf Basis eigener Notizen und Daten erstellt.

Warum fehlen ChatGPT, Gemini, Claude und Co in der Recherche-Übersicht?

• ChatGPT, Claude, Gemini und Co. können wissenschaftliche Recherche unterstützen (z.B. durch Deep Research), sind aber keine genuin wissenschaftlichen Plattformen
• Qualität ihrer Ergebnisse hängt von angebundenen Datenquellen, verfügbaren Funktionen und Zugriffsrechten ab
• aber: Zugriff auf wissenschaftliche Datenbanken oft eingeschränkt bzw. setzt institutionellen Zugang und technische Integrationen voraus
• ChatGPT, Claude usw. können durch Plugins und Konnektoren mit KI-Recherche-Tools verbunden und durch „Skills“ bzw. Arbeitsanweisungen zu komplexen Recherche-Pipelines erweitert werden
• solche Workflows können – abhängig von Zugriff, Konfiguration, Datenbankanbindung und Nutzungslimit – mehrere Datenbanken durchsuchen, Treffer bewerten und Ergebnisse synthetisieren

Wie kann ich eine „Allzweck-KI“ wie Claude für die wissenschaftliche Recherche nutzen?

• Strukturierte Recherche-Pipeline aus:
• Literatur Search Skill (z.B. hier) – ggf. auf Fach und relevante Datenbanken usw. anpassen
• LLM (Claude)
• Konnektoren, die sich zur (fach-)wissenschaftlichen Recherche eignen

Wie kann ich eine „Allzweck-KI“ wie Claude für die wissenschaftliche Recherche nutzen?

• Skills können über „Fähigkeiten“ verwalten“ gesucht, hinzugefügt, selbst verfasst oder mit Hilfe von Claude erstellt werden

Wie kann ich „Allzweck-KI“-Systeme wie Claude oder ChatGPT für die wiss. Recherche nutzen?

• Claude ist die ausführende KI: liest, vergleicht, extrahiert, synthetisiert
• Skill ist die Methode: legt fest, wie recherchiert wird, z.B. Suchstrategie, Einschlusskriterien, Screening, Qualitätsbewertung usw.
• Konnektor ist der Zugang zum Korpus: z.B. Consensus, scite.ai, alphaXiv usw.
• Problem: volle Leistung nur mit Abos möglich, selbst Claude Pro reicht oft nicht aus
• Zudem: Konnektoren finden nur, worauf sie Zugriff haben ⟶ fehlende Domains oder gesperrte Datenbanken erzeugen blinde Flecken
• Skills müssen klar sein ⟶ unscharfe Arbeitsanweisungen führen zu zufälligem Screening
• mehr Treffer bzw. Quellen bedeuten nicht automatisch bessere Ergebnisse → mehr Dubletten, irrelevante Treffer und höherer Screening-Aufwand
• Menschliche Expertise bleibt entscheidend bei Recherche, Datenbankauswahl, Bewertung der Studienqualität, Interpretation der Evidenz, Prüfung der Quellen

Worauf muss ich beim Einsatz von Konnektoren bei Claude achten?

• Problem: Konnektoren werden bei Claude nicht automatisch bei jeder Suche einbezogen, auch wenn sie verbunden sind  Lösung: Konnektoren im Prompt erwähnen.
• Beispiel: Recherchiere empirische Literatur (2024 - 2026) zu Deskilling, Downskilling und Cognitive Offloading durch KI im Schul- und Hochschulbereich. Prüfe in diesem Kontext auch Veränderungen von Schreib-, Recherche-, Problemlöse-, Metakognitions- und Critical-Thinking-Kompetenzen. Priorisiere europäische Studien, besonders aus dem DACH-Raum und ergänze sie um internationale Evidenz. Erfasse quantitative, qualitative und Mixed-Methods-Studien sowie relevante Reports, Metanalysen und systematische Literature Reviews. Erstelle eine Evidenzmatrix mit Studiendesign, Stichprobe, Ergebnissen, Evidenzstärke und Limitationen. Trenne konsequent zwischen gemessenen Kompetenzveränderungen, wahrgenommenen Effekten und bloßen Einstellungen gegenüber KI. Identifiziere Forschungslücken und leite Implikationen für Hochschulen ab. Nutze zusätzlich meine Konnektoren: Consensus, Elicit, alphaXiv, Scite.ai, Paperguide, Undermind und alle weiteren Recherche-Tools. Gib mir deren Treffer jeweils gesondert aus. (Ergebnis)

Wie kann ich eine „Allzweck-KI“ wie ChatGPT für die wissenschaftliche Recherche nutzen?

• Als Plugin können in ChatGPT können KI-Recherche-Tools wie Scite, Consensus, Elicit, SciSpace u.a. dazugeschaltet werden.
• Es ist jeweils ein Account für diese Tools nötig. Ein Freemium-Account ist oft ausreichend.
• Auch wenn dann nicht die vollen Suchumfänge bzw. Suchtiefen der Tools genutzt werden können, ist die Recherche-Leistung von ChatGPT besser als ohne Plugins.

Wie kann ich eine „Allzweck-KI“ wie ChatGPT für die wissenschaftliche Recherche nutzen?

• In ChatGPT können auch Skills definiert werden, z.B. ein Skill zur Literaturrecherche.
• Am stärksten ist eine Recherche, die Plugins und einen (fachspezifischen) Literatur-Recherche-Skill verwendet.

Worauf muss ich beim Einsatz von Pluginsund Skills bei ChatGPT achten?

• Problem: Plugins und Skills werden bei ChatGPT nicht automatisch bei jeder Suche einbezogen, auch wenn sie verbunden sind
• Lösung: Plugins und Skills im Prompt erwähnen oder mit @ bzw. + im Prompt einfügen
• Ergebnis ohne Med.Skill / Ergebnis mit Med.Skill
• c

Wie funktioniert ScopusAI (scopus.com)?

• ScopusAI ist die KI-Suche der Scopus-Datenbank (mehr zu Scopus AI hier von mir)
• Zugang zu Scopus aus Campusnetz lizenziert bzw. per VPN
• Scopus enthält 100 Mio. Dokumente: Abstracts, Preprints, Artikel, Konferenzbeiträge etc.
• ca. 2,5 Milliarden Zitationen aus ca. 28.000 Peer-Review-Journale
• Suche kann in natürlicher Sprache und auch auf Deutsch erfolgen
• Deep Research verwenden, um mehr Treffer zu bekommen
• Suche mit „Cited by, Autorenprofilen und verschiedenen Scopus-Metriken erweitern bzw Suchergebnisse damit bewerten
• Aber: selber Prompt am selben Computer = unterschiedliche Ergebnisse (ki-recherchen.de)

Warum ist eine einzelne KI-Recherche kein reproduzierbares Endergebnis?

• KI-Recherchetools können bei ähnlichen oder sogar identischen Anfragen unterschiedliche Quellen auswählen, gewichten und zusammenfassen.
• Systeme kombinieren semantische Ähnlichkeit, Keywords, Zitationsdaten, Filter und Ranking immer wieder unterschiedlich
• Suchschritte, Auswahl-Entscheidungen und Synthesen können von Suchlauf zu Suchlauf variieren.
• Konsequenz für die Praxis
• Recherche mit demselben Prompt mehrfach durchführen
• prüfen, ob zusätzliche Suchen noch relevante neue Literatur liefern
• Formulierungen und Suchbegriffe variieren
• neue und wiederkehrende Treffer (mit KI) vergleichen
• Ergebnisse mit klassischen Suchwegen und Citation Tracking ergänzen

Wie funktioniert ScopusAI?

Welche Grenzen und Einschränkungen hat ScopusAI?

Wo können Verzerrungen (Biases) bei KI-gestützten Recherchen entstehen?

• Datenbasis und Abdeckung: Englischsprachige Journals und gut indexierte Publikationen sind überrepräsentiert. Monografien, Normen und graue Literatur kommen seltener vor. Auch deutschsprachige Forschung und regional bezogene Arbeiten sind deutlich seltener.
• Indexierung und Metadaten: Ein System findet nur, was in seinem Korpus vorhanden und gut erschlossen ist. Fehlerhafte oder fehlende Metadaten erzeugen blinde Flecken.
• Retrieval und Ranking: Semantische Ähnlichkeit, Zitationszahlen und Popularitätssignale können bestimmte Themen, Positionen, Journals und Autoren bevorzugen.

Wo können Verzerrungen (Biases) bei KI-gestützten Recherchen entstehen?

• Generative Synthese: KI-Zusammenfassungen können methodische Unterschiede, Limitationen und Gegenbefunde einebnen und Befunde zu sehr verallgemeinern
• Transparenz und Reproduzierbarkeit: Korpus, Ranking, Modellversion und Auswahlentscheidungen der KI-Systeme sind oft nur begrenzt nachvollziehbar.
• Konsequenzen:
• Verschiedene Recherchesysteme kombinieren.
• Klassische Systeme wie OPACs und Fachdatenbanken bleiben unverzichtbar, weil sie z.T. andere Bestände und Publikationstypen erschließen und ihre Suchlogik besser steuerbar ist.

Wie funktioniert der KI-Assistent in wiso-net.de (wiso-net.de)?

• KI-gestützter Rechercheassistent innerhalb der WISO-Fachdatenbank
• Erreichbar aus dem Campusnetz bzw. via VPN
• Schwerpunkt: Wirtschafts- und Sozialwissenschaften
• natürliche Sprache statt klassischer Suchsyntax
• analysiert und verdichtet Inhalte aus dem lizenzierten WISO-Datenraum
• arbeitet primär mit kuratierten Quellen (eBooks, Fachzeitschriften, Presse, Studien usw.)
• direkte Verlinkung zu Originaldokumenten
• Basis: Retrieval Augmented Generation (RAG)-Architektur
• KI-Schicht vermittelt zwischen Nutzer und Dokument
• KI-Assistent senkt Einstiegshürden klassischer Datenbankrecherche

Welche Stärken hat der KI-Assistent in wiso-net?

• Quellentransparenz: Jede Aussage ist mit Originaldokumenten verlinkt
• dadurch keine Gefahr von erfundenen Quellen
• Wissensraum aus Wissenschaft + Praxis + Medien
• neben wissenschaftlichen Büchern und Studien sind auch (Fach-)Zeitungen mit abgedeckt - gut für aktuelle Infos, Praxisberichte usw.
• primär deutschsprachig bzw. Quellen aus dem DACH-Raum
• einfacher Einstieg ohne komplexe Suchsyntax
• schnelle Orientierung in großen Dokumentmengen durch KI-Zusammenfassung
• Kombination aus Datenbankqualität und KI-Komfort

Welche Schwächen hat der KI-Assistent in wiso-net?

• Schwerpunkt auf deutschsprachige Quellen und Dokumente
• unklare KI-Gewichtungs- und Auswahlprozesse
• Zusammenfassungen reduzieren Komplexität und methodische Details
• Keine follow-up-Fragen möglich (wiso-Rechercheassistent „PLUS“ mit Dialogfunktion seit April 2026 vorhanden, aber nicht an HTWK lizensiert)
• Publicationbias und Verzerrung durch Zeitfilter: „KI-Antworten basieren aktuell auf Dokumenten aus den Medienarten Presse, Fachpresse und Publikumspresse ab 01.01.2023“ (gbi-genios.de)
• Gefahren (wie bei jedem KI-System): oberflächliche Rezeption der Ergebnisse, Verlust aktiver Quellenarbeit, Antwortzufriedenheit

Google Scholar Labs (scholar.google.com)

Wie funktioniert Google Scholar Labs?

• experimentelle KI-Erweiterung von Google Scholar
• natürliche Sprache statt klassischer Schlagwortsuche
• analysiert zentrale Themen, Aspekte, Beziehungen  sucht im Google-Scholar-Index
• Ranking bewertet Papers nach Relevanz für die Forschungsfrage
• Filter nur über Prompts möglich
• Labs enthält die von Google Scholar bekannten Funktionen wie Forward Citation Tracking (siehe dazu die nächste Folie und meine Ausführungen hier, Link)
• LLM erzeugt Kurzzusammenfassung (TL; DR)
• längere Zusammenfassung von Volltexten durch „Quick Read“ (nur bei engl. Prompts)
• Ergebnis Deutsch / Ergebnis Englisch

Welche Stärken und Schwächen hat Google Scholar Labs?

• Stärken
• natürliche Sprache statt Suchsyntax
• Suchen werden automatisch übersetzt
• basiert auf dem sehr großen Google-Scholar-Datenraum
• Follow-up-Fragen ermöglichen Vertiefungen und Filter
• hilfreich, wenn Fachbegriffe unklar / unbekannt / variabel
• Schwächen
• Ranking- und Modelllogik weitgehend Black Box
• unklar, wie Papers genau gewichtet werden
• wichtige Studien können fehlen
• Qualität der KI-Zusammenfassungen gering

Welche wissenschaftlichen Suchmaschinen gibt es noch?

• BASE (base-search.net)
• OpenAIRE (explore.openaire.eu)
• CORE (core.ac.uk)
• Matilda (matilda.science)
• Livivo (livivo.de)
• OpenAlex (openalex.org)
• Diese Suchmaschinen und Plattformen haben zwar – bis auf OpenAlex – (noch) kein KI integriert, sind aber für die Recherche zu empfehlen, da sie:
• hunderte Millionen Dokumente indexiert und zum Großteil auch im Volltext haben
• viel Literatur und Daten beinhalten, die sonst nur schwer oder gar nicht zu finden ist, z.B. Bachelor- und Masterarbeiten, Dissertationen, Forschungsberichte, Working-Papers usw.

Wie unterscheiden sich die Boolesche und die semantische Suche in OpenAlex?

Welche Schwierigkeiten gibt es beim Prompting inder OpenAlex Semantic Search (Beta)?

• Problem:
• Rechercheprompt („Recherchiere wissenschaftliche Literatur…“) überfordert die semantische Such-API von OpenAlex
• Wenn man komplexen Prompt einfügt, „verwaschen“ die Befehle den thematischen Kern
• Semantische OpenAlex-Suche versteht thematische Beschreibungen, aber keine komplexen Arbeitsanweisungen
• Metaanweisungen, Ausschlüsse und formale Bedingungen in Filter / separate Suchschritte
• Lösung:
• rein thematische Beschreibung ohne Formatierungswünsche nutzen
• „Deskilling, Kompetenzverlust und kognitive Auslagerung durch generative KI bei Schülerinnen, Schülern und Studierenden. Auswirkungen auf Schreiben, Recherche, Problemlösen, Metakognition und kritisches Denken.“ (openalex.org komplex / openalex.org reduziert)
• OpenAlex findet viel graue Literatur, die z.T. nicht mal bei Google Scholar indiziert ist

Wie unterscheiden sich die Boolesche und die semantische Suche in OpenAlex?

• Citation Tracking (Forward / Backward) nutzen
• Related Articles suchen - diese müssen den Artikel weder zitieren noch von ihm zitiert werden
• Bedeutung einer Studie im wissenschaftl. Feld durch Field-Weighted Citation Impact (FWCI) erkennen, hier: 28 Mal so häufig wie erwartet

alphaXiv (alphaxiv.org)

Wie funktioniert alphaXiv?

Welche Stärken hat alphaXiv?

Welche Schwächen hat alphaXiv?

Wie sahen die Wege zur wissenschaftlichen Literatur vor KI aus?

• Keyword-Suche
• Suche über Titel, Abstracts und Schlagwörter
• Treffer hängen stark von den verwendeten Begriffen ab
• Lineares Citation-Tracking
• Ausgangspunkt ist ein relevantes Seed Paper
• rückwärts: Welche Quellen zitiert das Paper?
• vorwärts: Welche späteren Arbeiten zitieren das Paper?

Wie erweitert KI die Wege zur wissenschaftlichen Literatur?

• Semantisch ähnliche Arbeiten
• Systeme empfehlen inhaltlich ähnliche Paper auf Basis von Textmerkmalen
• Netzwerkbasierte Verbindungen
• Co-Citation = zwei Paper werden oft von denselben späteren Arbeiten gemeinsam zitiert
• deutet darauf hin, dass sie thematisch zusammengehören, sodass sie von der KI auch ohne direkte Zitationsverbindung als ähnlich eingeordnet werden.
• Inhaltliche Bewertung von Zitationen
• KI kann den Kontext einer Zitation analysieren, z.B. zwischen unterstützenden, widersprechenden und lediglich erwähnenden Zitationsaussagen (siehe unten)
• Paper können thematisch zusammengehören, auch ohne direkte Zitation: entweder weil sie häufig gemeinsam zitiert werden oder weil sie viele dieselben Quellen verwenden.

Auswahl wissenschaftsspezifischer KI-Toolsfür die Daten- und Literaturrecherche(Zugang durch Klick auf die jeweiligen Grafiken)

Was muss bei der wissenschaftlichen Recherche mit KI-Tools generell beachtet werden?

• es gibt eine sehr große Auswahl an KI-Tools – am besten ausprobieren!
• sie greifen teilweise auf unterschiedliche Datengrundlagen zurück, beispielsweise Semantic Scholar oder OpenAlex
• testen Sie, welche Tools für Ihren eigenen Themen- und Fachbereich relevant sind.
• für den Einstieg genügt ein kostenloser Account
• ggf. als Konnektor (Claude) bzw. Plugin (ChatGPT) mit Allzweck-KI-Systemen verbinden
• Bei Fragen können Sie sich gerne an mich wenden.