KI bei der Hypothesenbildung: von der Genetik bis zu den Sozialwissenschaften

Die Genomik produziert heute mehr Daten, als jedes Forschungsteam manuell durchsehen kann. Genomweite Assoziationsstudien (GWAS) umfassen typischerweise Millionen von Varianten in Kohorten mit Hunderttausenden von Teilnehmern. In den Sozialwissenschaften ist der Maßstab ähnlich: Daten aus digitalen Medien, Verwaltungsregister, Interviewtranskriptionen. All dies schafft Korpora, deren systematische manuelle Analyse in angemessener Zeit praktisch unmöglich ist. Die Frage lautet nicht mehr „ob man KI in der Forschung einsetzen soll“, sondern „an welchen Punkten des Forschungsprozesses KI einen echten Mehrwert bietet und wo der Mensch unverzichtbar bleibt“.

Bei Cashcrown arbeiten wir mit Unternehmen zusammen, die analytische Systeme in ihren eigenen Datensätzen implementieren. Im Folgenden haben wir das zusammengefasst, was wir als wiederkehrende Muster beobachten: ohne deklarative Aussagen über eine Revolution, mit konkreten Hinweisen darauf, wo die Entscheidung weiterhin beim Forscher liegt.

Der größte Vorteil von KI-Modellen in der Genetik ist die Fähigkeit, mehrdimensionale Daten zu verarbeiten, ohne dass der Forscher im Voraus eine Struktur vorgeben muss.

Erkennung von Mustern in genomischen Daten. Modelle, die auf Sequenzierungsdaten trainiert wurden, lernen Korrelationen zwischen Varianten und phänotypischen Merkmalen, die in der klassischen Regressionsanalyse nicht sichtbar wären. AlphaMissense von DeepMind charakterisierte die Pathogenität von über 70 Millionen Missense-Varianten – eine Aufgabe, die mit traditionellen Methoden Jahrzehnte gedauert hätte. Wichtiger Vorbehalt: Die Korrelation zwischen einer Variante und einem Phänotyp ist kein kausaler Mechanismus. Der Forscher muss die biologische Plausibilität jeder identifizierten Assoziation bewerten, bevor er zum Experiment übergeht.

Literaturrecherche und -synthese. LLM mit Zugang zu Datenbanken wie PubMed, bioRxiv oder Europe PMC können innerhalb von Stunden eine Karte von Widersprüchen und Lücken in der Literatur zu einem bestimmten Thema erstellen. Ein systematischer Review, der traditionell Monate dauert, reduziert sich auf wenige Tage der Vorselektion. Dies eliminiert jedoch nicht die fachliche Bewertung der Studienqualität: Das Modell weiß nicht, ob die Methodik einer bestimmten RCT zuverlässig war, wenn dies nicht im Text beschrieben wurde.

Generierung von Hypothesenkandidaten. Ein RAG-System mit einem fachspezifischen Korpus kann Kombinationen von Faktoren identifizieren, die in einer manuellen Durchsicht unsichtbar wären (z. B. die Verbindung von Signalwegen aus verschiedenen Publikationen, die zusammen einen Mechanismus der Arzneimittelresistenz nahelegen). Nicht jede solche Hypothese ist nützlich, aber selbst wenn 5 von 100 generierten Kandidaten wertvoll sind, ist der Zeitgewinn real.

In den Sozialwissenschaften kommt KI hauptsächlich über drei Wege zum Einsatz: Textanalyse, Erkennung von Mustern in Verhaltensdaten und Integration heterogener Quellen.

Textanalyse im großen Maßstab. Klassifizierung von Aussagen, Kodierung qualitativer Interviews, Erkennung von Themen in Korpora administrativer Dokumente: Das sind Aufgaben, bei denen Modelle ähnlich gut wie menschliche Kodierer arbeiten – in einem Bruchteil der Zeit. Psychologie, Soziologie und Politikwissenschaft nutzen dies zur Analyse von Mediendiskursen, sozialer Stimmung oder der Entwicklung politischer Narrative.

Erkennung von Verhaltensmustern. Maschinelles Lernen auf Längsschnittdaten identifiziert subtile Zusammenhänge zwischen Kontextvariablen und Verhaltensweisen, die klassischen Regressionsmodellen entgehen. Forscher der Verhaltensökonomie nutzen diese Tools, um Hypothesen über Entscheidungsmechanismen zu generieren, die sie anschließend unter Labor- oder quasi-experimentellen Bedingungen testen.

Integration von Daten aus mehreren Quellen. Genomische Daten kombiniert mit Umwelt-, demografischen und Verhaltensdaten schaffen einen Raum, in dem KI unerwartete Korrelationen aufzeigen kann. Dies ist die Grundlage für Forschung in Epigenetik, Gesundheitspsychologie oder Medizinsoziologie. Gleichzeitig ist dies ein Bereich mit dem höchsten Risiko für Artefakte: Korrelationen zwischen unterschiedlichen Quellen spiegeln leicht Stichprobenfehler wider, nicht echte Zusammenhänge.

KI-Modelle formulieren Hypothesen basierend auf dem, was sie in den Trainingsdaten finden. Wenn die Daten systematisch verzerrt sind, übernehmen die Hypothesen diese Verzerrungen als Fakten.

In der klinischen Genetik ist ein bekanntes Problem die Überrepräsentation von Proben europäischer Herkunft in GWAS-Datenbanken. Ein auf einem solchen Korpus trainiertes Modell wird Hypothesen generieren, die besser auf diese Population zugeschnitten sind, aber schlechter auf andere. In den Sozialwissenschaften entspricht dies dem Publication Bias: Die Literatur bevorzugt positive Ergebnisse, sodass ein Modell, das auf veröffentlichten wissenschaftlichen Arbeiten trainiert wird, Effekte systematisch überschätzt.

Keine dieser Milderungen ist automatisch. Jede erfordert eine bewusste Entscheidung des Forschers in der Planungsphase des Systems. Einen systematischen Ansatz zur Erkennung und Begrenzung dieser Verzerrungen beschreiben wir im Artikel über algorithmische Verzerrungen in der Forschung.

Wissenschaft erfordert Falsifizierbarkeit. Eine Hypothese, die man nicht versteht, erlaubt es nicht, ein überprüfendes Experiment zu entwerfen.

Moderne Forschungssysteme verwenden mehrere Schichten der Erklärbarkeit. Attention Maps und Saliency zeigen, welche Teile der Eingabe (Sequenz, Protokollausschnitt, Messwerte) den größten Einfluss auf das Ergebnis hatten. In natürlicher Sprache generierte Begründungen durch LLM beschreiben den Mechanismus in einer für den Fachexperten lesbaren Weise. Konfidenzintervalle und die Erkennung von Halluzinationen markieren Antworten, für die das Modell keine starken Grundlagen hat.

Keiner dieser Mechanismen bietet eine vollständige kausale Erklärung. Sie bieten einen Ausgangspunkt: „Das Modell hat auf diese Verbindung hingewiesen – hat sie biologischen oder sozialen Sinn?“ Die Antwort auf diese Frage liegt beim Forscher, nicht beim Modell.

Die Frage der Transparenz von Modellen im Kontext wissenschaftlicher Verantwortung vertiefen wir im Artikel über die Blackbox in KI-Systemen.

Autonomie der KI im Forschungsprozess bedeutet nicht das Fehlen von Aufsicht. Sie bedeutet die durchdachte Gestaltung von Punkten, an denen der Forscher in den Prozess eingreift.

Bei Cashcrown wenden wir das Muster von drei Kontrollpunkten bei analytischen Agenten an. Dasselbe Muster ist direkt auf den Kontext wissenschaftlicher Forschung übertragbar:

Das Auslassen eines dieser Punkte ist keine Beschleunigung des Prozesses. Es verschiebt das Risiko auf eine Phase, in der Fehler teurer sind: Korrektur nach der Veröffentlichung oder Retraction.

Human-Oversight als Gestaltungsprinzip von KI-Systemen wird im Artikel über die Rolle des Menschen im Loop detailliert beschrieben. Die Frage der Autorenschaft und wissenschaftlichen Integrität bei der Nutzung von KI (Deklaration von Tools im Abschnitt „Methods“, Führung von Prompt-Logs) behandeln wir im Artikel über KI als autonomen Wissenschaftler.

Zwei technische Muster sind für die wissenschaftliche Forschung von besonderer Bedeutung.

Structured Output ermöglicht es dem Modell, Ergebnisse in einem Schema zurückzugeben, das mit den Anforderungen eines Laborinformationsmanagementsystems (LIMS) oder einer klinischen Datenbank übereinstimmt. Statt unstrukturiertem Text, der manuell übertragen werden muss, generiert das Modell JSON, das gegen ein Schema validiert wird. Dies reduziert das Risiko von Transkriptionsfehlern und beschleunigt die Integration von KI-Ergebnissen in bestehende Workflows.

RAG auf der eigenen Wissensbasis einer Institution (Protokolle, Ergebnisse früherer Experimente, Standardarbeitsanweisungen) ermöglicht es dem Modell, Hypothesen im spezifischen Kontext des jeweiligen Labors zu formulieren – nicht nur basierend auf der öffentlichen Literatur. Dies ist ein entscheidender Unterschied für translationale Forschung, bei der der institutionelle Kontext kritisch ist.

Detaillierte Prinzipien für die Implementierung solcher Systeme unter Berücksichtigung von verantwortungsvoller Innovation und Datenmanagement beschreiben wir im Artikel über Daten-Governance für KI.

Technisch ja, aber „eigenständig“ ist hier irreführend. Das Modell generiert Hypothesenkandidaten basierend auf Mustern in den Trainingsdaten. Es hat kein kausales Modell der Welt und weiß nicht, ob der vorgeschlagene Mechanismus biologisch oder sozial plausibel ist. Ein Forscher mit Fachwissen ist notwendig, um jeden Kandidaten zu bewerten, bevor Ressourcen in ein Experiment investiert werden. Ohne diese Überprüfung ist das Risiko, Artefakten hinterherzujagen, hoch.

Entscheidend ist die Forderung nach Quellenangaben für jede faktografische Aussage. Ein RAG-System mit einem Index verifizierter Publikationen und der Anforderung, eine Quellen-ID anzugeben, reduziert Halluzinationen von Fakten drastisch, eliminiert sie aber nicht vollständig. Jede Zitierung muss vor der Aufnahme in das Manuskript überprüft werden. Systeme mit Structured Output und einem Schema, das das Format von Zitaten validiert, erleichtern dieses Audit.

Der AI Act reguliert nicht alle Forschungsanwendungen gleich. Systeme, die die Literaturrecherche oder die vorläufige Hypothesengenerierung unterstützen und nicht direkt hochriskante Entscheidungen beeinflussen, unterliegen weniger strengen Anforderungen. Systeme, die diagnostische, therapeutische oder regulatorische Entscheidungen unterstützen (z. B. Analyse genomischer Daten im Hinblick auf Krankheitsprädispositionen), werden als hochriskant eingestuft und erfordern ein Register, eine Konformitätsbewertung und technische Dokumentation. Es ist ratsam, die Klassifizierung eines bestimmten Systems vor der Implementierung mit einem Juristen zu besprechen.

Genomische, psychologische und Verhaltensdaten von Studienteilnehmern sind besondere Kategorien von Daten im Sinne der DSGVO (Art. 9). Ihre Verarbeitung durch KI-Systeme erfordert eine rechtliche Grundlage (meist Einwilligung oder öffentliches Interesse in der wissenschaftlichen Forschung), eine Datenschutz-Folgenabschätzung (DPIA) und die Implementierung von Maßnahmen zur Datenminimierung. Daten dürfen nicht ohne entsprechende Auftragsverarbeitungsverträge und Bewertung des Transfers an externe Cloud-APIs gesendet werden. Self-Hosting- oder On-Premises-Architekturen mit lokalem LLM werden in Forschungsumgebungen mit sensiblen Daten oft bevorzugt.

Ja, vorausgesetzt, der Umfang ist klar definiert. Ein RAG-Assistent für die eigene PDF-Bibliothek, eine Pipeline zur automatischen Datenextraktion aus Berichten, ein Tool zur Generierung von Hypothesenentwürfen basierend auf einer Forschungsfrage: Das sind Aufgaben, die ohne umfangreiche Infrastruktur zugänglich sind. Der Einstiegspunkt ist in der Regel eine Bewertung der Einsatzbereitschaft, die identifiziert, welche Forschungsprozesse das größte Potenzial für KI-Unterstützung haben, bevor in die Implementierung investiert wird.

Verwandte Themen: Wissenschaftler mit KI erreichen mehr, LLM als Hypothesengenerator.