Literaturrecherche mit KI: Vom Suchbegriff zur Quellenliste

Die Prüfung von Titeln, Autorinnen, Autoren, DOI-Angaben und Originalquellen bleibt dagegen vollständig bestehen. Wer ein allgemeines Sprachmodell wie ChatGPT als wissenschaftliche Suchmaschine einsetzt, kann innerhalb weniger Minuten eine formal überzeugende, aber teilweise erfundene Quellenliste erzeugen.

Das technische Problem ist klar: Allgemeine Sprachmodelle berechnen wahrscheinliche Textfolgen. Sie durchsuchen nicht zwangsläufig eine wissenschaftliche Datenbank. Ohne angebundene Recherchequelle kennen sie weder den aktuellen Bestand einer Bibliothek noch die vollständige Publikationshistorie eines Fachgebiets. Für das Studium ist deshalb ein mehrstufiger Ablauf sinnvoll: KI für Eingrenzung und Synthese, spezialisierte Werkzeuge für die Suche, Bibliotheksdatenbanken für die Verifikation.

KI kann den Suchprozess beschleunigen. Sie ersetzt weder die Datenbank noch die Prüfung der Originalquelle.

Allgemeine Sprachmodelle sind keine wissenschaftlichen Suchmaschinen

Ein Sprachmodell eignet sich gut für Aufgaben, bei denen Sprache verarbeitet und umformuliert wird. Dazu gehören:

• ein breites Thema in untersuchbare Teilfragen zu zerlegen,
• zentrale Fachbegriffe und Synonyme zu identifizieren,
• englische und deutsche Suchbegriffe abzuleiten,
• unterschiedliche theoretische Perspektiven gegenüberzustellen,
• Abstracts oder Notizen zusammenzufassen,
• eine vorläufige Gliederung für eine Literaturarbeit zu entwickeln.

Die Schwäche liegt bei der verlässlichen Quellenbeschaffung. Ein Modell kann einen plausiblen Titel mit passenden Autorennamen und einem realistisch wirkenden Erscheinungsjahr formulieren, obwohl die Publikation nicht existiert. Dieses Verhalten wird als Halluzination bezeichnet. Es ist keine seltene sprachliche Ungenauigkeit, sondern ein strukturelles Risiko der Methode.

Auch eine korrekt wirkende DOI ist kein ausreichender Nachweis. Sie muss in einer wissenschaftlichen Datenbank oder beim Verlag aufgelöst werden. Gleiches gilt für Zeitschriftentitel, Bandnummern, Seitenangaben und den behaupteten Inhalt eines Artikels.

Die richtige Rolle von ChatGPT und ähnlichen Systemen

Ein allgemeines Sprachmodell sollte in der Literaturrecherche vor allem als Analyse- und Formulierungswerkzeug eingesetzt werden. Der Ablauf beginnt nicht mit der Aufforderung, zehn Quellen zu nennen. Besser ist eine kontrollierte Zerlegung des Themas:

1. Thema eingrenzen: Aus einem Feld wie „KI im Studium“ werden konkrete Dimensionen gebildet, etwa Prüfungsleistungen, Kompetenzentwicklung, Datenschutz oder Akzeptanz.

2. Begriffe ausbauen: Das Modell liefert Synonyme, verwandte Konzepte und Übersetzungen. Aus „KI-Kompetenz“ können beispielsweise „AI literacy“, „algorithmic literacy“, „digital competence“ und „technology acceptance“ entstehen.

3. Suchfragen formulieren: Die Begriffe werden mit Zielgruppe, Zeitraum, Methode oder Kontext kombiniert.

4. Gefundene Texte auswerten: Erst nachdem reale Dokumente vorliegen, kann die KI Abstracts, Methoden und Ergebnisse vergleichend zusammenfassen.

5. Aussagen zurückverfolgen: Jede zentrale Aussage muss auf eine konkrete Textstelle oder Originalquelle zurückgeführt werden.

Diese Reihenfolge verhindert den häufigsten Fehler: Das Modell produziert zuerst eine Quellenliste, und die Recherche versucht anschließend, diese Liste nachträglich zu rechtfertigen.

Warum präzise Eingaben allein nicht genügen

Ein besserer Eingabebefehl reduziert Missverständnisse. Er garantiert aber keine realen Quellen. Formulierungen wie „Nenne ausschließlich existierende, peer-reviewte Studien mit DOI“ erhöhen die gewünschte Genauigkeit, verändern jedoch nicht die technische Grundlage des Systems. Wenn keine Datenbankabfrage stattfindet, bleibt die Antwort eine Textgenerierung.

Ein brauchbarer Arbeitsauftrag enthält deshalb nicht nur das Thema, sondern auch die Verarbeitungsregel:

• Keine Quelle ohne überprüfbaren Datenbankeintrag übernehmen.
• Unsichere Angaben ausdrücklich markieren.
• Keine bibliografischen Details ergänzen, die nicht im Dokument stehen.
• Zwischen Primärstudie, Übersichtsarbeit und theoretischem Beitrag unterscheiden.
• Für jede Quelle eine kurze Begründung der thematischen Relevanz liefern.

Das Modell kann diese Regeln befolgen. Die tatsächliche Prüfung muss jedoch außerhalb des Sprachmodells stattfinden.

Spezialisierte KI-Tools greifen auf wissenschaftliche Datenbestände zu

Für die wissenschaftliche Literaturrecherche sind Werkzeuge geeigneter, die ihre Antworten an Publikationen und Metadaten anbinden. Elicit und Consensus verfolgen dabei unterschiedliche Schwerpunkte.

Elicit nutzt Sprachmodelle und greift auf die Datenbank Semantic Scholar zurück. Diese umfasst nach den vorliegenden Angaben mehr als 125 Millionen wissenschaftliche Publikationen. Das Werkzeug unterstützt vor allem die Suche nach relevanten Arbeiten, die tabellarische Erfassung von Merkmalen und den Vergleich von Studien.

Consensus verbindet die Suche mit wissenschaftlichen Datenbeständen wie OpenAlex, Semantic Scholar und PubMed. Je nach Suchmodus analysiert das System etwa 20 bis 50 Fachartikel pro Anfrage. Das ist für eine erste Orientierung nützlich. Es bedeutet aber nicht, dass damit das gesamte Forschungsfeld vollständig abgedeckt ist. Die Auswahl hängt von Suchbegriff, Datenbankabdeckung, Dokumenttyp und Indexierungsqualität ab.

Elicit und Consensus im Vergleich

Die Tabelle beschreibt keine Rangfolge. Beide Werkzeuge reduzieren den manuellen Suchaufwand, aber sie lösen unterschiedliche Teilprobleme. Für eine Hausarbeit kann Elicit beim Aufbau einer Quellenmatrix nützlicher sein. Consensus eignet sich eher, wenn eine eng formulierte Frage zu vorhandener Evidenz beantwortet werden soll.

Der Datenbankzugriff bleibt eine Grenze

Keines dieser Werkzeuge deckt automatisch alle kostenpflichtigen Fachdatenbanken vollständig ab. Proprietäre Bestände, institutionelle Zugangsrechte und unterschiedliche Indexierungsregeln erzeugen Lücken. Ein Treffer in Elicit ist deshalb nicht gleichbedeutend mit einem vollständigen Rechercheergebnis. Ein fehlender Treffer beweist umgekehrt nicht, dass es keine passende Publikation gibt.

Besonders bei spezialisierten Themen sind Bibliothekskataloge, Fachdatenbanken und Verlagsplattformen weiterhin erforderlich. Die KI liefert einen Startpunkt. Die wissenschaftliche Belastbarkeit entsteht erst durch den Abgleich mit den Originaldaten.

Ein belastbarer Ablauf für die KI-gestützte Literaturrecherche

Ein sinnvoller Ablauf besteht aus mehreren klar getrennten Phasen. Jede Phase hat ein anderes Ziel. Wer alle Aufgaben in einem einzigen Eingabefeld vermischt, verliert die Kontrolle über Suchraum und Quellenqualität.

1. Forschungsfrage operationalisieren

Der erste Schritt ist nicht die Auswahl des Werkzeugs, sondern die Präzisierung der Forschungsfrage. Ein Thema wie „Künstliche Intelligenz und Hochschulbildung“ ist für eine belastbare Suche zu breit. Es kann sich um Lehrqualität, Prüfungsrecht, Lernverhalten, Schreibkompetenz oder Infrastruktur handeln.

Eine brauchbare Forschungsfrage enthält möglichst mehrere Dimensionen:

• Gegenstand oder Intervention,
• Zielgruppe,
• Bildungskontext,
• Vergleichsgröße,
• beobachtetes Ergebnis,
• zeitliche oder regionale Begrenzung.

Aus dem breiten Thema kann beispielsweise eine Frage zur Wirkung generativer KI auf die Qualität akademischer Schreibprozesse bei Studierenden werden. Diese Fassung erzeugt andere Treffer als eine Suche zur Akzeptanz von KI-Werkzeugen durch Lehrende.

2. Suchbegriffe als Suchmatrix aufbauen

Ein einzelner Begriff ist technisch schwach. Fachartikel verwenden unterschiedliche Terminologien. Die Suchmatrix bündelt deshalb Synonyme und verwandte Konzepte.

Die Begriffe werden anschließend mit booleschen Operatoren kombiniert. Eine Suche kann beispielsweise Technologie und Tätigkeit verbinden und den Bildungskontext ergänzen. Die konkrete Syntax unterscheidet sich je nach Datenbank. Eine KI kann dafür Suchvarianten erzeugen. Die Treffer müssen jedoch in der jeweiligen Plattform getestet werden.

3. Mit breiter Suche beginnen und gezielt verengen

Die erste Suche dient der Orientierung. Sie soll bekannte Begriffe, zentrale Autorinnen und Autoren, häufig zitierte Arbeiten und konkurrierende Konzepte sichtbar machen. Erst danach wird der Suchraum eingegrenzt.

Eine praktikable Reihenfolge:

1. Breite Suche mit zwei bis drei Kernbegriffen.

2. Sichtung von Titeln und Abstracts.

3. Erfassung wiederkehrender Fachbegriffe.

4. Zweite Suche mit Synonymen und präziseren Kombinationen.

5. Einschränkung nach Zeitraum, Publikationstyp oder Fachgebiet.

6. Rückwärtssuche in den Literaturverzeichnissen relevanter Arbeiten.

7. Vorwärtssuche über zitierende Publikationen.

Dieser Prozess ist weniger spektakulär als eine automatische Komplettantwort. Er ist dafür reproduzierbar. Die einzelnen Suchentscheidungen bleiben nachvollziehbar.

4. Ergebnisse in einer Quellenmatrix erfassen

Eine Quellenmatrix trennt bibliografische Daten von der inhaltlichen Bewertung. Sie kann in einer Tabellenkalkulation oder einem Literaturverwaltungsprogramm angelegt werden.

Sinnvolle Spalten sind:

• vollständige bibliografische Angabe,
• persistenter Identifikator wie DOI,
• Datenbank oder Fundort,
• Forschungsfrage,
• Stichprobe und Kontext,
• Methode,
• zentrale Ergebnisse,
• Einschränkungen der Studie,
• Bezug zur eigenen Arbeit,
• Status der Originalquellenprüfung.

Die KI kann Abstracts in diese Struktur übertragen. Sie darf dabei aber keine fehlenden Informationen ergänzen. Wenn Stichprobe, Methode oder Untersuchungszeitraum im Abstract nicht genannt werden, bleibt das Feld leer oder wird als nicht angegeben markiert.

Zitationsnetzwerke machen Forschungsfelder sichtbar

Eine reine Stichwortsuche bildet nur einen Ausschnitt des Forschungsfelds ab. Sie findet Dokumente, die bestimmte Begriffe enthalten. Sie zeigt weniger zuverlässig, wie Arbeiten miteinander verbunden sind. Dafür eignen sich Zitations- und Visualisierungswerkzeuge wie Connected Papers, Litmaps, ResearchRabbit und Open Knowledge Maps.

Diese Systeme stellen Beziehungen zwischen Publikationen grafisch dar. Je nach Werkzeug beruhen die Verbindungen auf Zitationen, thematischer Ähnlichkeit, gemeinsamen Referenzen oder zeitlichen Entwicklungen. Das hilft bei drei Aufgaben:

• Grundlagenarbeiten eines Themenfelds identifizieren,
• neue oder bislang übersehene Publikationen finden,
• Entwicklungslinien und Forschungscluster erkennen.

Die grafische Darstellung ist jedoch keine Qualitätsbewertung. Ein zentral positionierter Artikel ist nicht automatisch methodisch stark. Häufige Zitation kann auch auf Kontroversen, Kritik oder die breite Bekanntheit eines Begriffs zurückgehen.

Ein Zitationsnetzwerk richtig auswerten

Der technische Nutzen entsteht erst durch eine kontrollierte Prüfung. Dafür wird zunächst eine bereits verifizierte Ausgangspublikation verwendet. Von diesem Ausgangspunkt aus werden verwandte Arbeiten geöffnet und nach mehreren Kriterien sortiert:

• Passt die Forschungsfrage zur eigenen Arbeit?
• Handelt es sich um eine Primärstudie oder um eine Zusammenfassung?
• Ist die Methode für die eigene Argumentation relevant?
• Sind Publikationsdatum und Datenstand angemessen?
• Ist der Volltext erreichbar?
• Existiert ein überprüfbarer Eintrag in einer wissenschaftlichen Datenbank?

Die Visualisierung eignet sich besonders für die zweite Recherchephase. Sie ersetzt keine Stichwortsuche und keinen Bibliothekskatalog. Ihr Vorteil liegt in der Entdeckung von Beziehungen, die bei einer rein textbasierten Suche unsichtbar bleiben.

Ein Zitationsnetzwerk liefert Orientierung. Die wissenschaftliche Bewertung beginnt erst außerhalb der Grafik.

Verifikation: Jede KI-Quelle braucht einen Datenbankabgleich

Die Verifikation ist der entscheidende Kontrollpunkt. Nach den Leitlinien deutscher Hochschulen und Universitätsbibliotheken müssen KI-generierte Literaturangaben in wissenschaftlichen Katalogen oder Datenbanken geprüft und entsprechend den Vorgaben des Prüfungsamts dokumentiert werden. Für Literaturverweise gilt damit praktisch eine vollständige Prüfpflicht.

Der Abgleich sollte nicht nur den Titel umfassen. Mindestens folgende Angaben gehören in die Prüfung:

• Name und Reihenfolge der Autorinnen und Autoren,
• exakter Titel,
• Zeitschrift, Sammelband oder Verlag,
• Erscheinungsjahr,
• Band, Ausgabe und Seitenbereich,
• DOI oder anderer dauerhafter Identifikator,
• Übereinstimmung zwischen behauptetem Inhalt und tatsächlichem Abstract,
• Publikationstyp und wissenschaftlicher Status.

Ein vorhandener Datensatz genügt ebenfalls nicht automatisch. Ein Modell kann eine reale Publikation mit einer falschen Aussage verbinden. Deshalb muss die inhaltliche Relevanz im Abstract und bei zentralen Argumenten im Volltext kontrolliert werden.

Drei Stufen der Quellenprüfung

Stufe 1: Existenzprüfung

Die Quelle wird in einer verlässlichen Datenbank gefunden. Titel, Autorenschaft und Erscheinungsjahr stimmen überein. Bei digitalen Publikationen wird der Identifikator aufgelöst.

Stufe 2: Metadatenprüfung

Die vollständigen bibliografischen Angaben werden mit dem Datensatz der Datenbank oder des Verlags abgeglichen. Abweichungen bei Untertiteln, Seitenzahlen und Herausgeberschaft werden korrigiert.

Stufe 3: Inhaltsprüfung

Die Quelle beantwortet tatsächlich die Frage, für die sie eingesetzt werden soll. Abstract und relevante Textstellen werden gelesen. Eine KI-Zusammenfassung darf diese Prüfung vorbereiten, aber nicht ersetzen.

Gerade die dritte Stufe wird häufig ausgelassen. Das Ergebnis ist dann eine formal korrekte, aber argumentativ unpassende Literaturarbeit.

Dokumentation und akademisches Schreiben mit KI

Die Regeln für generative KI unterscheiden sich zwischen Hochschulen, Fakultäten und Prüfungsformaten. Manche Einrichtungen verlangen die Angabe verwendeter Werkzeuge. Andere unterscheiden zwischen sprachlicher Überarbeitung, Ideengenerierung, Rechercheunterstützung und inhaltlicher Textproduktion. Verbindlich ist jeweils die aktuelle Regelung der eigenen Hochschule.

Für eine saubere Dokumentation reicht es nicht, nur den Namen des Werkzeugs zu notieren. Der Arbeitsprozess sollte nachvollziehbar bleiben:

• verwendetes KI-Werkzeug und gegebenenfalls Version,
• Datum der Nutzung,
• Zweck des Einsatzes,
• verwendete Eingaben oder Suchanweisungen,
• übernommene und verworfene Vorschläge,
• eigenständige Quellenprüfung,
• maßgebliche Änderungen am erzeugten Text.

Die Eingaben sollten keine vertraulichen Prüfungsdaten, unveröffentlichten Forschungsergebnisse oder personenbezogenen Informationen enthalten. Bei Cloud-Diensten ist außerdem unklar, wo Daten verarbeitet und wie lange sie gespeichert werden. Das betrifft nicht nur Datenschutz, sondern auch die Vertraulichkeit laufender Forschungsprojekte.

KI für Formulierung, nicht für fingierte Evidenz

Beim akademischen Schreiben kann KI sprachliche Aufgaben übernehmen. Sie kann Absätze kürzen, Argumente ordnen oder wiederholte Formulierungen markieren. Die wissenschaftliche Verantwortung bleibt bei der Person, die den Text einreicht.

Besonders kritisch sind drei Anwendungen:

1. Erfundene Belege: Das Modell ergänzt Quellen, Seitenzahlen oder Studienergebnisse.

2. Verdeckte Paraphrasen: Eine Zusammenfassung verändert die Aussage der Originalquelle.

3. Scheinpräzision: Unsichere Befunde werden als eindeutige Ergebnisse formuliert.

Ein belastbarer Arbeitsprozess trennt daher Material und Formulierung. Zuerst wird die Quelle gelesen und in eigenen Notizen dokumentiert. Danach kann die KI bei der sprachlichen Struktur helfen. Die finale Aussage wird gegen die Originalquelle geprüft. So bleibt erkennbar, welche Inhalte aus der Forschung stammen und welche nur redaktionell bearbeitet wurden.

Kombination mit Bibliothekskatalogen und Fachdatenbanken

KI-Werkzeuge sind am stärksten, wenn sie in einen bestehenden Rechercheprozess integriert werden. Sie sollten nicht als alleinige Oberfläche dienen. Die Bibliothek liefert Zugriff, Bestandsnachweis und fachliche Suchfilter. Die KI liefert Varianten, Zusammenfassungen und Struktur.

Ein technisch und wissenschaftlich stabiler Ablauf sieht so aus:

1. Forschungsfrage definieren und Suchmatrix erstellen.

2. Mit Elicit, Consensus oder vergleichbaren Werkzeugen erste relevante Publikationen suchen.

3. Die wichtigsten Treffer in Bibliothekskatalogen und Fachdatenbanken nachprüfen.

4. Volltexte über institutionelle Zugänge beschaffen.

5. Quellenmatrix mit Originaldaten befüllen.

6. Zitationsnetzwerke für Vorwärts- und Rückwärtssuche nutzen.

7. Suchbegriffe und Ausschlusskriterien dokumentieren.

8. KI nur auf verifizierte Dokumente oder eigene Notizen anwenden.

9. Zentrale Aussagen im Volltext kontrollieren.

10. Quellenverzeichnis mit einem Literaturverwaltungsprogramm erzeugen und anschließend manuell prüfen.

Die Reihenfolge verhindert eine typische Fehlkonfiguration: Ein Sprachmodell wird mit einer unkontrollierten Quellenliste gefüttert und erzeugt daraus eine zweite, noch schwerer prüfbare Liste. Besser ist ein geschlossenes Materialset. Die KI arbeitet dann nur mit Dokumenten, deren Herkunft bereits bekannt ist.

Was bei der Skalierung des Prozesses zu beachten ist

Für eine einzelne Seminararbeit genügt oft eine einfache Tabelle. Bei Abschlussarbeiten, Forschungsprojekten oder institutionellen Weiterbildungen steigen die Anforderungen. Dann werden Versionskontrolle, einheitliche Metadaten und klare Statusfelder relevant.

Eine Quellenmatrix sollte mindestens unterscheiden zwischen:

• gefunden,
• bibliografisch bestätigt,
• Volltext verfügbar,
• inhaltlich geprüft,
• verwendet,
• verworfen.

Diese Zustände verhindern, dass eine nur vorgeschlagene Quelle später versehentlich in das Literaturverzeichnis gelangt. Bei mehreren Personen im Projekt reduziert ein standardisiertes Schema außerdem doppelte Arbeit und widersprüchliche Bewertungen.

Auch die Latenz und das Token-Limit generativer Werkzeuge spielen eine Rolle. Große Dokumentmengen lassen sich nicht zuverlässig in einer einzigen Eingabe verarbeiten. Lange Texte müssen segmentiert werden. Jede Zusammenfassung benötigt einen Bezug zum Dokument, etwa Seiten- oder Abschnittsangaben. Ohne diese Rückbindung wird die Prüfung unnötig aufwendig.

Zwischenfazit: Effizienz entsteht durch Trennung der Aufgaben

Die KI-gestützte Literaturrecherche ist kein Ersatz für wissenschaftliche Recherche. Sie ist eine zusätzliche Verarbeitungsschicht. Ihr Wert hängt davon ab, ob ihre Aufgabe klar begrenzt ist.

Besonders effizient ist die Methode bei:

• der Entwicklung von Suchbegriffen,
• der Eingrenzung komplexer Themen,
• der ersten Sortierung großer Trefferlisten,
• dem Vergleich von Abstracts,
• der Erkennung wiederkehrender Konzepte,
• der Vorbereitung von Zitations- und Themenkarten.

Nicht delegiert werden sollten:

• die Existenzprüfung von Quellen,
• die Bewertung methodischer Qualität,
• die Interpretation statistischer Ergebnisse,
• die Auswahl zentraler Belege ohne Lektüre,
• die Entscheidung über die wissenschaftliche Relevanz,
• die Verantwortung für das eingereichte Literaturverzeichnis.

Wer diese Trennung implementiert, erhält einen schnelleren Ablauf ohne den Anspruch auf automatische Verlässlichkeit. Wer sie ignoriert, skaliert vor allem das Risiko falscher Literaturangaben.

Fazit: Go für Rechercheunterstützung, No-Go als Quellenautomat

Für das Studium ist die Literaturrecherche mit KI grundsätzlich ein Go. Die technische Machbarkeit ist gegeben. Elicit kann einen umfangreichen wissenschaftlichen Bestand durchsuchen und Studien strukturiert vergleichbar machen. Consensus kann mehrere Fachartikel zu einer klar formulierten Frage auswerten. Connected Papers, Litmaps, ResearchRabbit und Open Knowledge Maps erweitern die Suche um Zitations- und Ähnlichkeitsbeziehungen.

Ein No-Go ist dagegen die automatische Übernahme von Quellen aus einem allgemeinen Sprachmodell. ChatGPT und ähnliche Systeme sind ohne externe Datenbankanbindung keine Primärsuchmaschinen für wissenschaftliche Literatur. Eine überzeugend formulierte Quellenangabe ist noch kein realer Nachweis.

Die belastbare Architektur besteht aus vier Komponenten:

• Sprachmodell für Begriffe, Struktur und sprachliche Verarbeitung,
• spezialisiertes KI-Werkzeug für die erste wissenschaftliche Suche,
• Bibliothekskatalog und Fachdatenbank für den Abgleich,
• eigene Lektüre und Dokumentation für die wissenschaftliche Entscheidung.

Damit wird KI nicht zum Ersatz für akademische Arbeit. Sie wird zu einem kontrollierten Werkzeug in einem überprüfbaren Prozess. Genau diese Begrenzung macht ihren Einsatz im Studium praktikabel.