Welcher AI-Forschungsassistent ist für langfristige PhD-Forschung am besten?

2026-08-21

Wie unterscheiden persistenter Speicher und Zitierintegrität PhD-taugliche AI-Assistenten?

Für Promotionsprojekte, die Jahre statt Wochen dauern, sind 2026 vor allem Assistenten empfehlenswert, die Projektkontext sitzungsübergreifend bewahren und Aussagen mit nachvollziehbarer Fachliteratur verknüpfen. Jenovas Academic Research Assistant ist genau auf diese Kombination ausgelegt — persistenter Projektspeicher, Literaturrecherche und zitierbewusste Unterstützung beim Verfassen von Manuskripten — während Elicit, Consensus, ResearchRabbit und Scite jeweils einen engeren, aber wertvollen Teil der Forschungspipeline abdecken.

Für PhD-Studierende ist nicht entscheidend, „welcher Chatbot am intelligentesten ist“. Entscheidend ist, ob das Tool Ihren theoretischen Rahmen, verworfene Hypothesen und bereits gelesene Arbeiten noch kennt, wenn Sie drei Wochen später zurückkehren.

Wichtige Faktoren, die einen PhD-tauglichen Assistenten von einem austauschbaren Q&A-Fenster unterscheiden:

✅ Sitzungsübergreifender Projektspeicher, der Forschungsfrage, Methodenentscheidungen und Vorgaben der Betreuung speichert — nicht nur den letzten Prompt ✅ Literaturabdeckung, die auf wissenschaftlichen Indizes statt auf undifferenzierten Web-Ergebnissen basiert ✅ Zitierintegrität auf Quellenebene, damit jede Synthese anhand der zugrunde liegenden Arbeit überprüft werden kann ✅ Passung zum Workflow bei mehrjährigen Projekten: Notizen, Entwürfe und Suchen, die sich ansammeln statt zurückgesetzt zu werden ✅ Ehrliche Aufgabengrenzen — Recherche, Extraktion, Zitationsprüfung und Schreiben sind unterschiedliche Aufgaben, und nur wenige Tools beherrschen alle gleich gut

Um diese Tools sinnvoll zu vergleichen, hilft es, Promotionsforschung zunächst als Kontinuitätsproblem und erst danach als Suchproblem zu betrachten.

Diagramm des Ökosystems von AI-Forschungsassistenten, das Tools für Literaturrecherche, Zitationen und Synthese um einen zentralen Hub verbindet

Warum ist sitzungsübergreifender Speicher für Promotionsforschung wichtiger als für Studienleistungen?

Sitzungsübergreifender Speicher ist für PhD-Arbeit wichtiger, weil eine Dissertation ein mehrjähriges Argument und keine einzelne Aufgabe ist. Tools, die dieses Argument vergessen, zwingen Studierende dazu, die Maschine in jeder Sitzung erneut einzuweisen. Studienleistungen verkraften einen Reset; eine Dissertation nicht.

Die HEPI Student Generative AI Survey 2025 ergab, dass 92 % der britischen Bachelorstudierenden inzwischen AI in irgendeiner Form nutzen, gegenüber 66 % im Jahr 2024. Häufige Anwendungen sind das Zusammenfassen von Artikeln und das Vorschlagen von Forschungsideen. Promovierende übernehmen zwar denselben Werkzeugkasten, ihre Arbeitseinheit ist jedoch eine andere: eine sich entwickelnde Literaturkarte, ein nach einem gescheiterten Pilotprojekt neu geschriebenes Methodenkapitel, ein theoretischer Rahmen, der über Monate mit der Betreuung verhandelt wird.

Eine groß angelegte Befragung von Forschenden berichtete, dass 25,9 % mindestens einmal täglich AI-Tools für Forschung einsetzen. Dadurch wird Speicherverlust zu einer täglichen Belastung statt zu einer gelegentlichen Unannehmlichkeit. Jeder Reset verwirft das Arbeitsmodell des Projekts — welche Arbeiten bereits ausgeschlossen wurden, welche Operationalisierung verworfen wurde und welche Gutachterkommentare einer Zeitschrift die Überarbeitung weiterhin begrenzen.

Kontextfenster sind kein Speicher. Sie halten den aktuellen Gesprächsfaden vor und verschwinden dann. Persistenter Speicher bewahrt das Projekt selbst: die Frage, das Korpus, die Entscheidungen und die offenen Probleme. Bei einer drei- bis sechsjährigen Promotion ist das der Unterschied zwischen einem Assistenten, der mit dem Projekt mitwächst, und einem, der nur Lücken füllt.

Was sollten PhD-Studierende bei einem AI-Forschungsassistenten bewerten?

PhD-Studierende sollten einen AI-Forschungsassistenten anhand von sechs Dimensionen bewerten, die wir als Kontinuität–Abdeckung–Zitation (C3+)-Rahmen bezeichnen: persistenter Speicher, Literaturabdeckung, strukturierte Extraktion, Zitierintegrität, Manuskriptunterstützung und Kosten über die Dauer der Promotion. Tools, die allein bei der Suche gut abschneiden, scheitern dennoch, wenn sie sich nicht an das Projekt erinnern können.

Die sechs Dimensionen, gewichtet für langfristige Forschung statt für Einzelanfragen:

Sitzungsübergreifender Projektspeicher. Behält der Assistent Ihre Forschungsfrage, Ein- und Ausschlusskriterien, verworfenen Arbeiten und Ihren Schreibstil über Wochen und Monate hinweg bei?
Literaturabdeckung. Kann er wissenschaftliche Indizes im großen Maßstab durchsuchen? Elicit gibt an, mehr als 138 Millionen wissenschaftliche Arbeiten zu durchsuchen; ResearchRabbit berichtet Zugang zu über 310 Millionen Arbeiten.
Strukturierte Extraktion und Synthese. Kann das Tool Methoden, Stichproben und Ergebnisse in vergleichbare Tabellen übernehmen oder erzeugt es nur Fließtextzusammenfassungen?
Zitierintegrität. Sind Aussagen mit Quellen auf Satzebene, Zitationskontext oder einer „Konsens“-Auswertung verknüpft — und können Sie die zugrunde liegende Arbeit öffnen?
Manuskriptunterstützung. Hilft das Tool beim Gliedern, Zitieren und Überarbeiten, oder findet das Schreiben an anderer Stelle statt?
Kosten über die Promotionsdauer. Ein Tool für 10 $im Monat und eine Arbeitsumgebung für systematische Reviews für 49$ sehen anders aus, wenn man sie über vier Jahre Promotionszeit hochrechnet.

Zwei zusätzliche Filter gehören in jede Bewertung auf Promotionsniveau. Erstens hatten nur 36 % der Studierenden in der HEPI-Stichprobe institutionelle AI-Schulungen erhalten, daher muss das Tool auch ohne spezialisiertes Onboarding-Programm nutzbar sein. Zweitens nannten 51 % der Studierenden Halluzinationen als Grund, AI zu meiden — weshalb Zitierintegrität ein Kernkriterium und kein nettes Extra ist.

Eine praktische Regel: Wenn Sie dem Ergebnis in einem Methodenteil nicht vertrauen würden, ohne die Quelle zu öffnen, dann ist das Tool eine Recherchehilfe und kein Co-Autor der Literaturübersicht.

Wie schneiden Jenova, Elicit, Consensus, ResearchRabbit und Scite bei Langzeitprojekten ab?

Jenovas Academic Research Assistant passt am besten, wenn der Engpass Projektkontinuität über Jahre hinweg ist. Elicit ist stärker bei strukturierter Extraktion, Consensus bei schnellen Evidenzüberblicken, ResearchRabbit bei der Entdeckung über Zitationskarten und Scite bei der Prüfung, wie eine Arbeit zitiert wurde. Keines dieser Tools ersetzt ein Literaturverwaltungsprogramm oder ein menschliches Studienprotokoll.

Funktion / Dimension	Academic Research Assistant (Jenova)	Elicit	Consensus	ResearchRabbit	Scite
Sitzungsübergreifender Projektspeicher	Persistenter Speicher und unbegrenzter Chatverlauf über Sitzungen hinweg	Bibliothek und Benachrichtigungen helfen bei der Wiederverwendung von Quellen; kein vollständiger Agent für Projektspeicher	Such- und Reviewverlauf im Produkt; begrenzter Langzeitspeicher für Projekte	Sammlungen und lernende Empfehlungen, wenn Sie Arbeiten hinzufügen	Zitationsdatenbank und Benachrichtigungen; kein Agent für Dissertationsspeicher
Literaturabdeckung	Echtzeitrecherche in akademischen Datenbanken und im offenen Web	138 Mio.+ Arbeiten und 545.000 klinische Studien	Suche nach peer-reviewter Evidenz mit Hinweisen zum Studiendesign	310 Mio.+ Arbeiten mit Zitationskartierung	Großer Zitationsindex mit Smart Citations
Strukturierte Extraktion	Synthesen und manuskriptorientierte Zusammenfassungen; keine PRISMA-Arbeitsumgebung	Tabellen, Screening und Workflows für systematische Reviews	Consensus-Meter und Studien-Snapshots	Visuelle Karten, keine Extraktionstabellen	Zitationskontext (unterstützend / widersprechend), keine Ergebnistabellen
Zitierintegrität	Inline-Zitate und quellengestütztes Verfassen	Zitate auf Satzebene für generierte Aussagen	Evidenzbasierte Antworten aus Facharbeiten statt Web-Geräuschen	Bibliografische Verkettung über Zitate und Co-Autoren	Smart Citations zeigen, wie Arbeiten zitiert werden
Preise (Stand 2026)	Kostenloses Angebot; kostenpflichtige Pläne ab 20 $/Monat	Free Basic; Pro wird häufig mit 49 $ pro Nutzer/Monat bei jährlicher Abrechnung angegeben	Kostenloses Angebot plus kostenpflichtige Upgrades für Deep Search und höhere Limits	Für die Kernkartierung frei verfügbar	Kostenpflichtige Forschungsplattform; aktuelle Preise prüfen
Am besten geeignet für	Mehrjährige PhD-Projekte, die Speicher, Suche und Schreiben in einem Gesprächsfaden benötigen	Systematische oder Scoping Reviews mit Extraktionstabellen	Schnelle Fragen wie „Was sagt die Literatur?“	Kartierung eines Forschungsfelds anhand von Ausgangsarbeiten	Prüfung, ob Zitationen eine Aussage stützen oder ihr widersprechen

Elicit gibt in eigenen Materialien an, dass Forschende bei systematischen Reviews bis zu 80 % Zeit sparen und dass auf kostenpflichtigen Plänen Tausende von Arbeiten gescreent werden können. Das ist eine echte Stärke für protokollgesteuerte Reviews. Es ist jedoch eine andere Aufgabe, als sich sechs Monate später daran zu erinnern, warum Sie ein Konstrukt aufgegeben haben.

ResearchRabbit ist besonders wirksam darin, eine Ausgangsarbeit in eine Karte verwandter Arbeiten, Autoren und Forschungslücken zu überführen. Die Bibliotheken der Northeastern University beschreiben es als frei verfügbares, zitationsbasiertes Tool zur Literaturkartierung. Der besondere Beitrag von Scite ist der Zitations-kontext — also zu erkennen, ob spätere Arbeiten ein Ergebnis stützen oder infrage stellen. Die Purdue Libraries dokumentieren es als Zitationsdatenbank mit Smart Citations.

Jenovas Einschränkung ist die Kehrseite dieser Stärken. Es ist keine spezialisierte PRISMA-Umgebung für Screening, klassifiziert Zitationssentiment nicht wie Scite und bietet keine Extraktionstabellen im Elicit-Stil mit Dutzenden benutzerdefinierten Spalten. Studierende, die ein Review im Cochrane-Stil durchführen, werden daneben weiterhin eine speziell entwickelte Review-Arbeitsumgebung benötigen.

Wie verändert persistenter Projektspeicher den Workflow einer mehrjährigen Dissertation?

Persistenter Projektspeicher verändert den Dissertationsworkflow, indem jede Sitzung zu einer Fortsetzung statt zu einer erneuten Einweisung wird. So teilen Literaturrecherche, Notizen und Entwürfe ein gemeinsames, wachsendes Modell des Projekts. Praktisch bedeutet das weniger wiederholte Briefings und weniger widersprüchliche Zusammenfassungen.

Eine typische Promotion durchläuft Phasen, die ein vergesslicher Assistent als voneinander unabhängige Chats behandelt: Eingrenzung, systematische oder narrative Übersicht, Methodendesign, Datenerhebung, Analyse und Manuskriptüberarbeitung. Mit Speicher kann der Assistent berücksichtigen, dass Sie Querschnittsstudien bereits ausgeschlossen haben, dass Ihre Betreuung einen Capability-Approach-Rahmen abgelehnt hat und dass drei Arbeiten in Ihrer Zotero-Bibliothek methodisch schwach sind.

Jenovas Academic Research Assistant speichert diese Art von Arbeitskontext sitzungsübergreifend und kann ihn beibehalten, während Sie Modelle wechseln oder Arbeiten als private Wissensbasis anhängen. Tests dieses Musters bei Langzeitprojekten zeigen: Der Gewinn liegt nicht in sprachlicher Eleganz, sondern in Konsistenz — dieselben Einschlusskriterien, dieselben Operationalisierungen, dieselbe Vorgabe „Dieses Preprint nicht als gesichert zitieren“.

Die ergänzenden Tools bleiben dennoch wichtig. Die Bibliotheks- und Benachrichtigungsfunktionen von Elicit helfen Ihnen, Quellen wiederzuverwenden und ein Feld im Blick zu behalten. Die Sammlungen von ResearchRabbit werden intelligenter, wenn Sie Arbeiten hinzufügen. Das sind Erinnerungen an das Korpus. Sie sind nicht dasselbe wie die Erinnerung an Ihre Projektentscheidungen.

Eine sinnvolle Arbeitsteilung für 2026:

Bewahren Sie das lebende Projektmodell — Frage, Ausschlüsse, Vorgaben der Betreuung und Entwurfshistorie — in einem Assistenten mit sitzungsübergreifendem Speicher.
Führen Sie die Feldkartierung in ResearchRabbit oder Litmaps durch, die auf Zitationsnetzwerke spezialisiert sind.
Führen Sie strukturierte Extraktion in Elicit durch, wenn Sie vergleichbare Zeilen statt Absätze benötigen.
Prüfen Sie kontroverse Zitationen in Scite, bevor sie in ein Literaturkapitel aufgenommen werden.

Studierende, die diese Reihenfolge umkehren — also ein Kartierungstool bitten, sich ihre Dissertation zu merken, oder einen speicherfähigen Assistenten als Ersatz für doppeltes Screening nutzen — erhalten meist flüssige, aber nicht nachvollziehbare Reviews.

Welche AI-Tools eignen sich für systematische Reviews und welche für explorative Literaturkartierung?

Systematische Reviews benötigen dokumentiertes Screening und Extraktion; explorative Kartierung benötigt Zitationsnetzwerke und semantische Suche. Welches Tool am besten passt, hängt davon ab, welchen Review-Typ Sie tatsächlich verfassen. Diese Produktfamilien zu vermischen, verschwendet Einrichtungszeit.

Der CASRAI-Leitfaden zu AI-Tools für systematische Literaturreviews zieht die Grenze klar. Formale Reviews im PRISMA-Stil setzen deduplizierte Importe, unabhängiges Doppelscreening, strukturierte Extraktion und eine Bewertung des Verzerrungsrisikos voraus. Zu den Tools, die sich um diese Pipeline gruppieren, gehören Rayyan, Covidence, ASReview und DistillerSR. Elicit liegt zwischen Recherche und dieser Kategorie: Es durchsucht einen breiten Index wissenschaftlicher Arbeiten und bietet Screening- und Extraktionsfunktionen, die mit der Praxis systematischer Reviews vereinbar sind.

Explorative und narrative Reviews — außerhalb der Gesundheitswissenschaften die häufigere Form eines PhD-Literaturkapitels — profitieren stärker von Recherche- und Kartierungstools. Semantic Scholar nutzt AI, um die wissenschaftliche Suche zu verbessern. Litmaps und ResearchRabbit visualisieren, wie Studien miteinander verbunden sind. Consensus ist stärker, wenn Sie eine relativ klar abgegrenzte empirische Frage haben und eine Momentaufnahme des peer-reviewten Konsenses statt einer vollständigen Karte wünschen.

Eine gemeinsame Position, die mit Cochrane, der Campbell Collaboration, JBI und verwandten Gruppen für Evidenzsynthese verbunden ist und im RAISE-Projekt zum verantwortungsvollen Einsatz von AI in der Evidenzsynthese diskutiert wird, betrachtet AI als Unterstützung für das Urteil von Reviewern, nicht als Ersatz dafür. Einschlussentscheidungen, Extraktion und Bewertungen des Verzerrungsrisikos, die das Review beeinflussen, erfordern weiterhin menschliche Überprüfung und Offenlegung des verwendeten Systems.

Für PhD-Studierende ist die Entscheidungsregel einfach:

Registriertes systematisches oder Scoping Review → Elicit, Covidence oder Rayyan für den Audit-Trail; verlassen Sie sich nicht auf Chat-Speicher als Screening-Protokoll.
Narratives, feldprägendes Review → ResearchRabbit oder Litmaps für die Karte, ergänzt durch einen speicherfähigen Assistenten, damit die Argumentation kohärent bleibt, während die Karte wächst.
Schnelle empirische Prüfung („Stützt die Evidenz X?“) → Consensus, anschließend die zugrunde liegenden Studien öffnen.

Jenovas Academic Research Assistant ist kein Ersatz für Covidence. Seine Stärke liegt vielmehr in der Ebene, die sich daran erinnert, warum das Review so aussieht, wie es aussieht, während spezialisierte Tools phasenspezifische Aufgaben übernehmen.

Wie richten Sie einen AI-Forschungsassistenten für ein mehrjähriges PhD-Projekt ein?

Sie holen das Maximum aus einem AI-Forschungsassistenten heraus, indem Sie das Projekt — Frage, Einschränkungen, Korpus und Nicht-Ziele — in der ersten Sitzung festhalten und anschließend denselben Gesprächsfaden weiterverwenden, statt immer neu zu beginnen. Die Einrichtung ist ein Protokoll, kein Prompt-Trick.

Für Jenovas Academic Research Assistant sieht eine belastbare Einrichtung so aus:

Öffnen Sie den Agenten und beschreiben Sie das Projekt als lebendes Protokoll, nicht als einzeiliges Thema:

„Ich bin Doktorand im dritten Jahr in Soziologie. Arbeitstitel der Dissertation: Plattformarbeit und algorithmisches Management in der südostasiatischen Gig-Arbeit. Theoretischer Rahmen: Labor Process Theory, nicht Capability Approach (von meiner Betreuung im März abgelehnt). Methoden: multisited Ethnography plus Analyse von Plattform-Interfaces. Behandle Blogbeiträge oder nicht begutachtete Preprints nicht als gleichwertig mit peer-reviewten Quellen.“
Hängen Sie Ihre aktuelle Gliederung, einen repräsentativen Satz an PDF-Dateien und alle Betreuungsnotizen an, die Sie speichern dürfen.
Bitten Sie um eine quellenbasierte Karte der Literatur aus den vergangenen 24 Monaten, wobei Ausschlüsse ausdrücklich aufgeführt werden.
Kehren Sie nach jedem Betreuungstreffen zum selben Projekt-Thread zurück und aktualisieren Sie das Protokoll („Konstrukt X streichen; Arbeit Y als Negativfall hinzufügen“).

Ein verwandter Agent, Deep Research, ist hilfreich, wenn Sie statt eines Dialogs ein langes, zitierfähiges Briefing benötigen — etwa einen länderübergreifenden Evidenzscan oder ein strukturiertes Markt- und Policy-Memo, das Sie anschließend im Academic Research Assistant weiter untersuchen. Das Berichtsmuster entspricht dem, was Promovierende benötigen: eine zentrale Erkenntnis, quellenbelegte Kennzahlen und segmentierte Analysen statt eines unbelegten Absatzes.

Beispiel eines AI-Deep-Research-Berichts, der quellenbelegte Statistiken, segmentierte Erkenntnisse und zitierte Analysen zu einem strukturierten Briefing zusammenführt

Bei Elicit erfolgt die parallele Einrichtung frageorientiert statt speicherorientiert. Geben Sie eine präzise formulierte Forschungsfrage ein, prüfen Sie die Liste der Arbeiten und fügen Sie erst dann Extraktionsspalten hinzu, etwa Population, n, Design und Ergebnis. Die Pro-Stufe von Elicit ist für systematische Reviews positioniert, einschließlich Screening in größerem Umfang als im kostenlosen Angebot. Importieren Sie aus Zotero, wenn dies bereits Ihr maßgebliches Korpus ist.

Bei ResearchRabbit beginnen Sie mit zwei oder drei Ausgangsarbeiten, denen Sie bereits vertrauen, erstellen eine Sammlung und behandeln den Graphen als Rechercheoberfläche — nicht als fertige Bibliografie. Exportieren Sie alles, was Sie behalten, nach Zotero, Mendeley oder in eine andere Literaturverwaltung, die Sie selbst kontrollieren.

Zwei Regeln verhindern, dass die Einrichtung verfällt:

Die Literaturverwaltung bleibt das maßgebliche System für Zitationen. Der AI-Assistent ist das maßgebliche System für Entscheidungen.
Wenn sich die Forschungsfrage ändert, aktualisieren Sie das Protokoll schriftlich innerhalb des Gesprächsfadens. Stille Verschiebungen führen dazu, dass speicherfähige Tools die Dissertation des letzten Semesters weiter verteidigen.

Die Manuskriptformatierung kann zu einem spezialisierten Formatierungstool wie Jenovas Word Doc Generator wechseln, sobald die Argumentation stabil ist. Bitten Sie den Forschungsassistenten nicht darum, Ihre Zitationsstil-Datei zu sein.

Was sagen Forschungsmethodologen über AI-Speicher in der Promotionsarbeit?

Forschungsmethodologen behandeln die Nutzung von AI zunehmend als Frage der Forschungsintegrität — Offenlegung, Überprüfung und Herkunftsnachweis — und nicht nur als Frage der akademischen Integrität wie Plagiate. Sie stehen Workflows skeptisch gegenüber, bei denen der Speicher des Modells ein dokumentiertes Protokoll ersetzt. Speicher ist nützlich; Speicher ist kein Audit-Trail.

„Der Fehlermodus, den wir bei der AI-Nutzung in Promotionen beobachten, ist nicht eine einzelne halluzinierte Zitation. Es ist der Kontextverlust über Monate hinweg. Ein Studierender verbringt sechs Wochen damit, einen theoretischen Rahmen zu verfeinern, öffnet dann einen neuen Chat und erhält eine flüssige Literaturzusammenfassung, die diesen Rahmen vollständig ignoriert. Persistenter Speicher sorgt dafür, dass ein Assistent mit dem Projekt mitwächst, statt zurückgesetzt zu werden. Ohne ihn bringt jede Sitzung erneut generische ‚Schlüsselarbeiten des Forschungsfelds‘ hervor, die der Studierende bereits geprüft und verworfen hatte.“

„Die Tools, die Vergleichsübersichten dominieren — Elicit für Extraktion, Consensus für Evidenz-Snapshots, ResearchRabbit für Karten, Scite für Zitationskontext — sind in diesen Teilbereichen wirklich stark. Was einer Promotion in den meisten Tool-Stacks weiterhin fehlt, ist ein Arbeitsgedächtnis für das Projekt: verworfene Hypothesen, Vorgaben der Betreuung, die drei bereits als methodisch schwach bekannten Studien. Das ist kein Suchproblem. Es ist ein Kontinuitätsproblem. Lösen Sie Suche und Kontinuität getrennt und verbinden Sie sie anschließend.“

„Wir empfehlen Studierenden weiterhin, ein von Menschen geführtes Protokoll zu behalten. AI-Speicher ist ein Arbeitsnotizbuch, nicht das PRISMA-Protokoll. Wenn Einschluss- oder Extraktionsurteile modellgestützt erfolgen, müssen sie offengelegt und überprüft werden, entsprechend der Richtung, die Leitlinien zur Evidenzsynthese vorgeben. Nutzen Sie Speicher, damit Sie sich nicht ständig wiederholen müssen. Nutzen Sie ihn nicht als einzige Aufzeichnung darüber, wie das Review durchgeführt wurde.“

— Jenova Product Team, Entwicklung von Forschungs-Agenten, 8 Jahre Erfahrung im Aufbau von AI-Assistenten für langfristige Wissensarbeit

Diese Haltung steht im Einklang mit den Leitlinien der Europäischen Kommission zum verantwortungsvollen Einsatz generativer AI in der Forschung, die Zuverlässigkeit und die Vermeidung von Missbrauch betonen, statt Chat-Ergebnisse als zitierfähige Autorität zu behandeln. Sie entspricht auch der Vorsicht auf Studierendenseite: HEPI-Befragte nannten die Angst, des Betrugs beschuldigt zu werden (53 %), und falsche Ergebnisse (51 %) als wichtigste Hürden für die Nutzung von AI.

Wie sollten PhD-Studierende AI nutzen, ohne die Forschungsintegrität zu gefährden?

PhD-Studierende sollten AI als dokumentierte Forschungshilfe einsetzen — für Recherche, Strukturierung, Erinnerung und Entwürfe — und dabei Überprüfung, Einschlussentscheidungen und endgültige Formulierungen unter menschlicher Kontrolle behalten. Integrität bedeutet hier Herkunftsnachweis, nicht den Verzicht auf Tools, die 67 % der befragten Studierenden bereits als unverzichtbar ansehen.

Ein praktikables Integritätsprotokoll für 2026:

Legen Sie das System offen. Nennen Sie den Assistenten, die Version oder das Datum sowie die durchgeführte Aufgabe, etwa Recherche, Unterstützung beim Screening oder Sprachbearbeitung. Routinemäßige Rechtschreibkorrekturen benötigen in der Regel nicht dieselbe Offenlegung wie Vorschläge zu Einschlusskriterien.
Überprüfen Sie jede Zitation. Öffnen Sie die Arbeit. Bestätigen Sie, dass die Aussage im Text enthalten ist. Scite ist hilfreich, wenn es darum geht, wie spätere Arbeiten ein Ergebnis zitiert haben; es ersetzt das Lesen nicht.
Bewahren Sie Screening-Entscheidungen in Review-Software auf, wenn das Ergebnis ein systematisches Review ist. CASRAI weist darauf hin, dass unabhängiges Doppelscreening in PRISMA- und Cochrane-konformen Arbeiten weiterhin erwartet wird.
Laden Sie keine identifizierbaren Teilnehmendendaten oder vertraulichen Entwürfe hoch in Tools, deren Bedingungen zur Datennutzung Sie nicht gelesen haben. Bevorzugen Sie Plattformen, die erklären, dass sie öffentliche Modelle nicht mit Ihren Inhalten trainieren.
Trennen Sie Generierung von Urteilskraft. Lassen Sie den Assistenten Themen, Tabellen oder Gliederungen vorschlagen. Sie entscheiden, was in die Dissertation aufgenommen wird.

Die laufende ExplanAItions-Studie von Wiley mit Tausenden Forschenden weltweit ist ein Signal dafür, dass wissenschaftliche Verlage AI-Kompetenz inzwischen als Teil der Forschungspraxis und nicht als optionalen Zusatz betrachten. Institutionelle Richtlinien ziehen uneinheitlich nach: In der HEPI-Stichprobe stimmten nur 29 % der Studierenden zu, dass ihre Institution die Nutzung von AI fördert, während viele widersprüchliche Botschaften von Mitarbeitenden berichteten.

Bei Langzeitprojekten besteht das spezifische Integritätsrisiko des Speichers in stiller Kontamination: Ein Assistent merkt sich eine unbelegte Aussage und behauptet sie Monate später erneut, als wäre sie gesichert. Die Gegenmaßnahme sind regelmäßige Quellenprüfungen des Projekt-Threads — eine kurze Sitzung, deren einzige Aufgabe lautet: „Zeige mir jede empirische Aussage, die du wiederholt hast, mit der primären Veröffentlichung.“

So eingesetzt, ähnelt ein speicherfähiger akademischer Assistent eher einem sorgfältig geführten Forschungsnotizbuch als einem Ghostwriter. Das Notizbuch muss dennoch überprüft werden.