Verstecktes öffentliches Wissen: KI bei der Entdeckung von Verbindungen zwischen Disziplinen

Interdisziplinäre Entdeckungen haben eine lange Geschichte. Die Entdeckung der DNA-Struktur verband Physik (Röntgenkristallographie), Chemie und Biologie. Penicillin entstand durch mikrobiologische Beobachtungen, die die Pharmakologie weiterentwickelte. Jedes Mal musste jemand genug aus zwei verschiedenen Feldern gelesen haben, um zu erkennen, dass etwas zusammenpasst.

Das Problem ist einfach: Die Zahl der veröffentlichten Arbeiten wächst schneller als die Fähigkeit eines jeden Forschers, sie zu verfolgen. Allein in PubMed kommen jährlich über eine Million neue Einträge hinzu. In dieser Situation macht KI als Werkzeug für die Vorabsuche Sinn – vorausgesetzt, wir verstehen, was sie wirklich leistet und was nicht.

Was ist „verstecktes öffentliches Wissen“#

Der Begriff stammt aus einem Konzept von Donald Swanson aus den 1980er Jahren. Swanson zeigte, dass die Literatur zu Fischöl und die Literatur zur Raynaud-Krankheit isoliert voneinander existierten, obwohl sie eine gemeinsame Pathophysiologie verband. Kein Autor hatte die Studien der anderen Seite gelesen. Die Verbindung existierte in der Literatur, aber niemand hatte sie entdeckt.

Swanson führte die Synthese manuell durch, indem er Indizes durchsuchte. Heute lässt sich dieselbe Operation mit semantischer Suche skalieren: Statt nach Schlüsselwörtern zu suchen, vergleicht das Modell die Bedeutung von Begriffen, die als Embeddings kodiert sind. Zwei Artikel aus verschiedenen Disziplinen können denselben Mechanismus mit unterschiedlichen Worten beschreiben – die Ähnlichkeit ihrer Vektorrepräsentationen macht dies sichtbar.

Es lohnt sich, gleich zu sagen, was das in der Praxis bedeutet: Das Modell zeigt statistische Ähnlichkeiten im Repräsentationsraum an. Es versteht weder Biologie noch Chemie oder Physik. Die Bewertung, ob die angezeigte Ähnlichkeit inhaltlich relevant ist, obliegt dem Forscher.

Wie semantische Suche in der Praxis funktioniert#

Ein typischer Pipeline für interdisziplinäre Entdeckungen sieht wie folgt aus:

1. Abstracts oder Volltexte von Artikeln werden durch ein Embedding-Modell in Vektoren umgewandelt. In Umgebungen mit Datenschutzanforderungen nutzen wir lokale Modelle wie BGE-M3.
2. Die Vektoren werden in einer Vektordatenbank (z. B. Qdrant oder pgvector) indiziert.
3. Der Forscher gibt eine Frage oder einen Textausschnitt ein. Das Modell wandelt diesen in einen Vektor um und sucht nach den nächsten Nachbarn im Repräsentationsraum.
4. Die Ergebnisse werden nach Relevanz neu geordnet und mit Quellzitaten ausgeliefert.

Das RAG-System (Retrieval-Augmented Generation) geht einen Schritt weiter: Das Sprachmodell liest die abgerufenen Fragmente und versucht, eine Antwort zu formulieren oder ein Muster aufzuzeigen. Gerade dieser Schritt löst häufig Halluzinationen aus: Das Modell kann einem echten Zitat eine falsche Interpretation „hinzufügen“. Daher sollte jedes auf RAG basierende Forschungssystem immer die Quellen angeben – und nicht nur Synthesen.

Reale Anwendungen und ihre Grenzen#

Bei Cashcrown beobachten wir mehrere Muster in Projekten, in denen Kunden KI zur Literaturarbeit einsetzen:

Literaturrecherche in der Scoping-Review-Phase. Der Forscher gibt einige zentrale Artikel zum Problem ein. Das Modell sucht semantisch ähnliche Arbeiten im Korpus und schlägt Kandidaten für den Ausschluss vor. Die Zeit für die Vorabprüfung kann sich je nach Fachgebiet und Indexqualität verkürzen. Die Entscheidung, welche Arbeiten in die Review einfließen, bleibt beim Forscher.

Terminologie-Mapping. Verschiedene Disziplinen beschreiben dieselben Phänomene mit unterschiedlichen Worten. „Signalkaskade“ in der Biologie und „Rückkopplungsschleife“ in der Systemtheorie können ähnliche Vektorrepräsentationen aufweisen. Beschreiben sie denselben Mechanismus? Das ist eine Frage für den Experten, nicht für das Modell.

Vorläufige Identifikation von Forschungslücken. Wenn zwei Disziplinen semantisch nah beieinanderliegen, aber nur wenige Artikel sie verbinden, ist das eine potenzielle Nische. Modelle können solche Asymmetrien erkennen, aber das ist ein Hinweis, keine fertige Hypothese.

Wo es regelmäßig versagt. Modelle haben keinen Zugriff auf Daten aus geschlossenen Repositorien, Rohdaten oder unveröffentlichten Ergebnissen. Interdisziplinäres Wissen, das in Laboren, Patenten ohne Volltexte oder klinischen Daten verborgen ist, bleibt außer Reichweite. Zudem reproduzieren Modelle die Lücken des Trainingskorpus: Es gibt deutlich mehr englischsprachige Literatur als polnisch- oder japanischsprachige, was bestimmte Forschungstraditionen systematisch begünstigt.

Human-Oversight: Wo der Mensch in die Schleife muss#

Human-Oversight ist im Kontext interdisziplinärer Entdeckungen keine Option oder Hürde. Es ist die Voraussetzung dafür, dass Ergebnisse wissenschaftlichen Wert haben.

Einige konkrete Punkte, die der Mensch durchlaufen muss:

Auswahl des Eingangskorpus. Die Qualität der Ergebnisse hängt davon ab, was im Index enthalten ist. Die Entscheidung, welche Datenbanken indiziert werden, welche Jahre und Dokumenttypen berücksichtigt werden, ist inhaltlich begründet. Es macht keinen Sinn, Verbindungen in einem Korpus zu suchen, der bestimmte Forschungstraditionen oder Sprachen bewusst ausschließt.

Bewertung der aufgezeigten Verbindungen. Das Modell liefert eine Liste ähnlicher Artikel oder zeigt ein Muster auf. Der Experte des Fachgebiets muss bewerten, ob die semantische Ähnlichkeit einem tatsächlichen inhaltlichen Zusammenhang entspricht. Hier gibt es keine Abkürzung: Fachwissen ist erforderlich.

Formulierung der Hypothese. KI kann aufzeigen, dass etwas ähnlich ist. Sie kann keine testbare Hypothese im wissenschaftlichen Sinne formulieren, weil sie kein kausales Modell der Realität besitzt. Die Hypothese, die experimentell überprüfbar ist, entsteht im Kopf des Forschers.

Überprüfung vor der Veröffentlichung. Jede Aussage, die auf einer von einem Modell generierten Synthese basiert, muss mit der Primärquelle überprüft werden. Halluzinationen im Kontext wissenschaftlicher Zitate sind ein ernstes Problem: Modelle können überzeugend klingende, nicht existierende Artikeltitel mit echten Autorennamen generieren.

In unseren Implementierungen analytischer Agenten verwenden wir das Human-Gate-Muster: Jede Aktion, die außerhalb des Überprüfungskontexts genutzt werden könnte (Versand eines Berichts, Speicherung in der Wissensdatenbank), erfordert eine explizite Bestätigung. Im Forschungskontext entspricht dies der Anforderung, dass jedes KI-Ergebnis als „Kandidat zur Überprüfung“ und nicht als „Fakt“ gekennzeichnet sein muss.

Mehr dazu, warum das wichtig ist, im Artikel über die Rolle des Menschen in der Schleife.

Fallstricke und Grenzen, die nicht verschwiegen werden dürfen#

Algorithmic Bias. Embedding-Modelle, die hauptsächlich auf englischsprachiger Literatur trainiert wurden, repräsentieren Konzepte aus anderen Forschungstraditionen schlechter. Der Effekt: Verbindungen zwischen arabisch-, chinesisch- oder polnischsprachigen Arbeiten werden weniger effektiv gefunden. Das ist kein Fehler, der mit einem Parameter behoben werden kann, sondern eine Folge der Struktur der Trainingsdaten.

Falsche Ähnlichkeiten. Zwei Artikel können im Embedding-Raum nah beieinanderliegen, weil sie einen ähnlichen akademischen Stil verwenden – nicht, weil sie verwandte Phänomene beschreiben. Das Problem verschärft sich beim Vergleich von Reviews aus verschiedenen Disziplinen.

Problem negativer Publikationen. Öffentliches Wissen ist stark vom Publication Bias betroffen: Positive Ergebnisse werden deutlich häufiger veröffentlicht. Das Modell reproduziert diesen Fehler: Eine von KI aufgezeigte Verbindung kann stark erscheinen, weil negative Experimente nie in den Index aufgenommen wurden.

Fragen des geistigen Eigentums und der Daten. Die Verarbeitung von Artikeln durch externe APIs kann Lizenzen von Datenbanken wie Web of Science oder Scopus verletzen. Lokale Verarbeitung ohne Übertragung vollständiger Texte nach außen fällt in der Regel unter die Lizenzbedingungen. Mehr zur Architektur solcher Lösungen im Artikel über Daten-Governance für KI.

Perspektive für 2026: Was realistisch ist und was Hype#

Nachfolgend eine Zusammenstellung des aktuellen praktischen Stands für Forschungsteams:

Interdisziplinarität, angetrieben durch KI, ist eine reale Veränderung im Arbeitstempo – nicht in der Struktur des wissenschaftlichen Prozesses. Ein Forscher, der die Grenzen der Modelle versteht, gewinnt einen Zeitvorteil. Ein Forscher, der die Ergebnisse des Modells als fertige Entdeckungen behandelt, geht das Risiko schwerwiegender Fehler ein. Mehr dazu in den Artikeln über Wissenschaftler, die mit KI arbeiten und KI als autonomer Wissenschaftler.

FAQ#

Kann KI eigenständig interdisziplinäre Verbindungen ohne Beteiligung eines Forschers entdecken?#

Das Modell kann statistische Ähnlichkeiten zwischen Artikeln aus verschiedenen Disziplinen aufzeigen. Es kann nicht bewerten, ob diese Ähnlichkeit inhaltlich relevant ist. Jede potenzielle Verbindung erfordert die Überprüfung durch eine Person, die den Kontext beider Fachgebiete versteht. Systeme, die ohne menschliche Kontrolle arbeiten, können mit hoher Sicherheit falsche Entdeckungen generieren.

Wie vermeidet man das Problem der Halluzinationen bei der Literatursynthese?#

Die wichtigste Schutzmaßnahme ist die Forderung, dass das System genaue Zitate mit Quellenangaben liefert – und nicht nur Synthesen. Jede Aussage in einem von KI generierten Bericht sollte einen Link oder Identifikator zum Quelldokument enthalten. Der Forscher überprüft die zitierten Passagen im Original, bevor er die Aussagen in einer Arbeit verwendet. Details zum Ansatz im Artikel über die Begrenzung von KI-Halluzinationen.

Welche Embedding-Modelle eignen sich am besten für polnischsprachige wissenschaftliche Literatur?#

Mehrsprachige Modelle wie BGE-M3 (1024 Dimensionen) oder multilingual-e5 schneiden mit polnischen Texten deutlich besser ab als Modelle, die ausschließlich auf englischen Korpora trainiert wurden. Für gemischte Literatur (polnische Abstracts, englischsprachige Volltexte) bietet BGE-M3 einen guten Kompromiss zwischen Repräsentationsqualität und der Möglichkeit, lokal ohne Datenübertragung an externe APIs zu arbeiten.

Verletzt der Einsatz von KI zur Literaturanalyse Urheberrechte oder Datenbanklizenzen?#

Das hängt vom Verarbeitungsmodell ab. Die Übertragung vollständiger Texte an externe APIs kann Lizenzen von Datenbanken verletzen, die maschinelle Verarbeitung einschränken. Lokale Verarbeitung mit Embeddings, die auf der eigenen Infrastruktur generiert werden, fällt in der Regel unter die Lizenzbedingungen. Vor der Implementierung lohnt es sich, die Bedingungen der jeweiligen Datenbank zu prüfen und sich rechtlich beraten zu lassen.

Wie misst man, ob ein System zur Entdeckung interdisziplinären Wissens tatsächlich funktioniert?#

Ein grundlegender Benchmark ist die retrospektive Validierung: Würde das System bekannte historische Verbindungen aufzeigen, wenn es nur Zugang zur Literatur vor deren Entdeckung hätte? Ergänzend dazu dient Precision@k: Wie viele der k höchstbewerteten Kandidaten werden vom Experten als inhaltlich treffend eingestuft? Diese Zahl ist aussagekräftiger als ein allgemeines Maß für vektorielle Ähnlichkeit.