Leitfaden

Der Leitfaden für Literaturbewertungen

% gelesen
Möchten Sie mehr über Literaturübersichten erfahren? In diesem Leitfaden erfahren Sie mehr über Literaturübersichten, die verschiedenen Methoden, ihren Zweck und ihre Durchführung.
Jörg Hecker
Ehemaliger CEO von ATLAS.ti
Neringa Kalpokas
Director, Training & Partnership Development
  1. Was ist eine Literaturübersicht?
  2. Der Zweck von Literaturübersichten
  3. Leitfaden zum Verfassen einer Literaturübersicht
  4. Wie organisiert man eine Literaturrecherche?
  5. Software für Literaturrecherchen
  6. Einsatz künstlicher Intelligenz für Literaturrecherchen
    1. Einführung
    2. Warum künstliche Intelligenz für eine Literaturübersicht verwenden?
    3. Wie kann KI bei Literaturrecherchen helfen?
    4. Welche KI-gestützten Tools können für Literaturübersichten verwendet werden?
    5. Zukünftige Forschungsrichtungen von KI-gestützten Tools für Literaturübersichten
  7. Wie führt man eine Literaturrecherche durch?
  8. Häufige Fehler und Fallstricke bei einer Literaturrecherche
  9. Methoden für Literaturrecherchen
  10. Was ist eine systematische Literaturrecherche?
  11. Was ist eine narrative Literaturübersicht?
  12. Was ist eine deskriptive Literaturübersicht?
  13. Was ist eine Literaturrecherche?
  14. Was ist eine realistische Literaturrecherche?
  15. Was ist eine kritische Literaturrecherche?
  16. Meta-Analyse vs. Literaturübersicht
  17. Was ist eine Umbrella-Literaturübersicht?
  18. Unterschiede zwischen kommentierten Bibliografien und Literaturübersichten
  19. Literaturübersicht vs. theoretischer Rahmen
  20. Wie schreibt man eine Literaturübersicht?
  21. Wie strukturiert man eine Literaturübersicht?
  22. Wie erstellt man ein Deckblatt für eine Literaturübersicht?
  23. Wie schreibt man eine Zusammenfassung für eine Literaturrecherche?
  24. Wie schreibt man eine Einleitung für eine Literaturrezension?
  25. Wie schreibt man den Hauptteil einer Literaturrezension?
  26. Wie schreibt man eine Schlussfolgerung für eine Literaturrezension?
  27. Wie erstellt man eine Literaturverzeichnis für eine Literaturrecherche?
  28. Wie formatiert man eine Literaturübersicht?
  29. Wie lang sollte eine Literaturübersicht sein?
  30. Beispiele für Literaturrezensionen
  31. Wie präsentiert man eine Literaturübersicht?
  32. Wie veröffentlicht man eine Literaturübersicht?

Künstliche Intelligenz für Literaturrecherchen nutzen

Literaturübersichten sind bekanntermaßen zeitaufwändig. Vom Auffinden der Artikel bis zum Lesen und Analysieren aller Bestandteile der Veröffentlichungen kann die Durchführung einer Literaturübersicht viel Zeit in Anspruch nehmen. KI-basierte Tools können Forschern jedoch helfen, den Prozess zu beschleunigen.

KI-gestützte Tools können relevante Studien schnell identifizieren, Schlüsselthemen und -konzepte extrahieren und sogar Zusammenfassungen erstellen.

In den letzten Jahren hat der Einsatz von KI für Literaturrecherchen in der akademischen Forschung erheblich an Bedeutung gewonnen. Insbesondere haben KI-Tools die Art und Weise revolutioniert, wie Wissenschaftler und Studenten verschiedene Quellen erforschen. Sie bieten hochmoderne Funktionen zur Feinabstimmung von Suchbegriffen und zur einfachen Durchsicht von Volltextartikeln. So helfen KI-gestützte Vorschläge den Forschern, relevante wissenschaftliche Artikel und Forschungsarbeiten zu identifizieren, was die Erstellung einer gründlichen Literaturübersicht vereinfacht. Tools wie Semantic Scholar und Connected Papers bieten aufschlussreiche Zitationskontexte und stellen Verbindungen zu verwandten Forschungsarbeiten her, was Zeit spart und zu einer detaillierten und präzisen Zusammenfassung des vorhandenen Wissens führt.

Die Durchführung einer Literaturübersicht beinhaltet die Zusammenfassung und Diskussion veröffentlichter Ideen aus verschiedenen Quellen, um einen umfassenden Überblick über den aktuellen Stand der Forschung zu erhalten. KI kann diesen Prozess erheblich verbessern, indem sie Funktionen zur Metaanalyse bietet und Forschern dabei hilft, Zusammenfassungen zu verfassen, die das Wesentliche aus mehreren Veröffentlichungen zusammenfassen.

Beispielsweise kann KI PDF-Dokumente analysieren und wichtige Punkte extrahieren, die Ihnen helfen, prägnantere und informativere Zusammenfassungen zu verfassen. Zwar sollten alle Forscher die Verantwortung für die von KI generierten Ergebnisse übernehmen, die sie letztendlich in ihrer Forschung verwenden, doch können Sie mit KI effizient durch die Flut an wissenschaftlichen Arbeiten navigieren und Zeit sparen.

Warum künstliche Intelligenz für eine Literaturübersicht verwenden?

Die Fähigkeit der künstlichen Intelligenz, bei Literaturübersichten zu helfen, geht über das bloße Auffinden und Zusammenfassen von Artikeln hinaus. Sie kann auch in der Anfangsphase von Forschungsprojekten eine entscheidende Rolle spielen, indem sie hilft, Forschungsfragen zu verfeinern und Lücken in der vorhandenen Literatur zu erkennen. So können KI-Tools beispielsweise eine Vielzahl wissenschaftlicher Artikel durchsuchen, um aufkommende Trends zu erkennen und Bereiche vorzuschlagen, die eine weitere Erforschung verdienen.

Jüngsten Forschungsergebnissen zufolge kann KI bei der Problemformulierung helfen und durch die Analyse großer Datensätze Forschungslücken identifizieren und verifizieren (Wagner, Lukyanenko, & Paré, 2021). Für nuancierte und kontextspezifische Interpretationen ist jedoch das menschliche Urteilsvermögen entscheidend. Während KI den Zeit- und Arbeitsaufwand für sich wiederholende Aufgaben bei der Literaturrecherche erheblich reduzieren kann, sind menschliche Interpretation und Kreativität für eine aufschlussreiche Synthese und Theorieentwicklung unersetzlich.

Diese Tools haben ein beträchtliches Potenzial für die Automatisierung und Rationalisierung des Literaturrechercheprozesses gezeigt, insbesondere in den kritischen Phasen des Screenings und der Datenextraktion. Es müssen jedoch noch einige Einschränkungen behoben werden, insbesondere hinsichtlich der Benutzerfreundlichkeit und der Integration fortschrittlicherer KI-Technologien (Bolaños, Salatino, Osborne, & Motta, 2024). Probleme mit der Benutzerfreundlichkeit, wie z. B. eine steile Lernkurve und die Nichtübereinstimmung mit den Benutzeranforderungen, behindern die breite Akzeptanz dieser Tools unter den Forschern. Finanzielle Zwänge stellen ebenfalls ein Hindernis dar und schränken in einigen Fällen den Zugang zu umfassenden Funktionen ein.

Nichtsdestotrotz können Forscher durch die Integration dieser KI-gestützten Tools in den Prozess der Literaturrecherche ihre Effizienz steigern, die mit manuellen Aufgaben verbundene kognitive Belastung verringern und sich stärker auf die interpretativen und theoretischen Aspekte ihrer Arbeit konzentrieren. Die kontinuierliche Entwicklung und Verbesserung dieser Tools verspricht für die Zukunft eine noch größere Unterstützung für Forscher, um Literaturübersichten handhabbarer und aufschlussreicher zu machen (Wagner, Lukyanenko, & Paré, 2021).

KI-Tools haben ein erhebliches Potenzial für die Automatisierung und Rationalisierung der Literaturrecherche gezeigt. Foto von Rodion Kutsaiev.

Wie kann KI bei Literaturrecherchen helfen?

Finden von Literatur

KI-gestützte Tools wie maschinelle Lernalgorithmen und natürliche Sprachverarbeitung (NLP) können die Suche nach relevanter Literatur erheblich vereinfachen. Diese Tools können umfangreiche Datenbanken und digitale Bibliotheken durchsuchen, um Artikel, Bücher und Abhandlungen zu finden, die bestimmten Stichworten und Themen entsprechen. Außerdem können sie auf der Grundlage des Inhalts bereits identifizierter Materialien verwandte Werke empfehlen, was Forschern viel Zeit und Mühe erspart.

Zusammenfassungen der Literatur

KI kann dabei helfen, große Mengen an Literatur schnell und präzise zusammenzufassen. Tools, die natürliche Sprachverarbeitung (NLP) verwenden, können Schlüsselpunkte, Themen und Ergebnisse aus zahlreichen Artikeln extrahieren und prägnante Zusammenfassungen erstellen. Dies hilft den Forschern, die wesentlichen Informationen aus einer Vielzahl von Quellen zu erfassen, ohne dass sie jeden Artikel in allen Einzelheiten lesen müssen. Solche Zusammenfassungswerkzeuge können für Literaturübersichten von unschätzbarem Wert sein, da sie einen klaren Überblick über die bestehende Forschungslandschaft bieten.

Analyse von Text

Künstliche Intelligenz kann eine gründliche Textanalyse durchführen und dabei Muster, Trends und Erkenntnisse erkennen, die vielleicht nicht sofort ersichtlich sind. Techniken wie Stimmungsanalyse, Themenmodellierung und die Extraktion von Schlüsselwörtern können zugrundeliegende Themen und Verbindungen in der Literatur aufdecken. Diese analytische Fähigkeit ermöglicht es den Forschern, differenziertere Schlussfolgerungen zu ziehen und Lücken oder Bereiche für weitere Untersuchungen zu identifizieren.

Techniken wie Stimmungsanalyse, Themenmodellierung und Schlagwortextraktion können in der Literatur zugrunde liegende Themen und Zusammenhänge aufdecken. Foto über Freestocks.

Screening für die Aufnahme

Während der Literaturrecherche kann KI dabei helfen, Artikel auf der Grundlage vordefinierter Forschungskriterien zu überprüfen. Modelle für maschinelles Lernen können so trainiert werden, dass sie relevante Studien erkennen, indem sie Zusammenfassungen und Volltexte analysieren und so die erste Screening-Phase automatisieren. Dies reduziert den manuellen Arbeitsaufwand und gewährleistet einen systematischeren Auswahlprozess.

Qualitätsbewertung

Das Potenzial von KI bei der Qualitätsbewertung ist mäßig, da dieser Schritt ein Expertenurteil zur Bewertung der methodischen Stringenz erfordert. Mit KI ausgestattete Tools können erste Einblicke in die Qualität anderer Studien geben, indem sie prüfen, ob gemeinsame Probleme im Zusammenhang mit der Transparenz der Methodenbeschreibung und der Überprüfung der Autoren bestehen. Durch die Automatisierung von Teilen der Qualitätsbewertung können sich die Forscher auf eine eingehendere Analyse und Interpretation hochwertiger Studien konzentrieren.

Informationsextraktion

KI-Tools können den Prozess der Datenextraktion rationalisieren, indem sie automatisch relevante Datenpunkte aus Forschungsartikeln identifizieren und extrahieren. Algorithmen für maschinelles Lernen können so trainiert werden, dass sie bestimmte Arten von Informationen erkennen und extrahieren, z. B. statistische Ergebnisse, Stichprobenmerkmale und wichtige Erkenntnisse. Mit KI ausgestattete Tools können erste Einblicke in die Qualität anderer Studien geben, indem sie prüfen, ob allgemeine Probleme im Zusammenhang mit der Transparenz der Methodenbeschreibung und der Überprüfung der Autoren auftreten.

KI-Tools sind darauf ausgelegt, große Datenmengen effizient zu verarbeiten, wodurch der Prozess der Literaturrecherche schneller und umfassender wird. Mit dem Aufkommen der Tools stehen den Forschern mehrere Hilfsmittel zur Verfügung, die sie nutzen können. Von der Zusammenfassung von Artikeln bis hin zur Unterstützung bei der Literatursuche können KI-Tools den Forschern helfen, Zeit zu sparen und neue Wege der Datenanalyse zu finden.

Zum Beispiel kartiert Research Rabbit Forschungsartikel, so dass Forscher Verbindungen zwischen Artikeln, Autoren und Themen visualisieren können. Einige Recherche-Tools wie LitSonar erleichtern die Suche in Datenbanken, indem sie Suchanfragen automatisch in Formate übersetzen, die mit verschiedenen Literaturdatenbanken kompatibel sind, wie EBSCO, AIS eLibrary und ProQuest.

ATLAS.ti ist ein umfassendes CAQDAS, das eine Reihe von KI-Tools zur Erleichterung der Literaturrecherche integriert hat. Dazu gehören verschiedene KI-Funktionen zum Auffinden, Zusammenfassen und Codieren von Literatur.

Paper Search in ATLAS.ti Web

Paper Search 2.0 in ATLAS.ti Web ist ein hochmodernes KI-Tool, das Forschungsabläufe rationalisiert, indem es schnell die Relevanz wissenschaftlicher Arbeiten bewertet. Der Benutzer gibt seine Forschungsfragen ein, und das Tool führt eine umfassende Suche durch und liefert prägnante Zusammenfassungen der relevantesten Papers. Diese Innovation spart den Forschern Zeit und Mühe und ermöglicht es ihnen, sich auf die Analyse zu konzentrieren.

Paper Search 2.0 greift auf über 200 Millionen wissenschaftliche Ressourcen von Semantic Scholar zu und bietet damit eine umfangreiche Datenbank für relevante Studien. Die optimierte Suchfunktion findet und importiert effizient die wichtigsten wissenschaftlichen Ressourcen. Die KI bietet zielgerichtete Zusammenfassungen der fünf wichtigsten Arbeiten und hebt die für die Forschungsfrage des Nutzers relevanten Inhalte hervor. Darüber hinaus ermöglicht sie die einfache Zitierung von Dokumenten innerhalb von ATLAS.ti-Projekten und gewährleistet so einen vollständig integrierten Workflow.

ATLAS.ti Web Paper Search 2.0

Das Tool unterstützt den gesamten Prozess der Literaturrecherche innerhalb einer einzigen Plattform. Die fortschrittliche Verarbeitung natürlicher Sprache sorgt für ein tiefes Verständnis des Forschungsbedarfs, was zu hoch relevanten Suchergebnissen und Zusammenfassungen führt. Wenn Benutzer ihre Forschungsfragen eingeben, verfeinert die KI diese, generiert relevante Schlüsselwörter und durchsucht die Datenbank von Semantic Scholar. Sie identifiziert einschlägige Arbeiten, fasst die Ergebnisse zusammen und liefert verwertbare Erkenntnisse. Dieser vom ATLAS.ti AI Lab gesteuerte Prozess verwandelt Rohdaten in wertvolles Wissen und stellt sicher, dass die Forscher wichtige Erkenntnisse für ihre Arbeit erhalten.

ATLAS.ti Web ermöglicht es Forschern, ihre Literaturrecherche mit Hilfe von KI-Tools und qualitativen Datenanalysefunktionen zu vervollständigen. Gezielte Zusammenfassungen von Paper Search 2.0 sparen Zeit und ermöglichen es den Forschern, effizienter vorzugehen. Die integrierten Tools machen Literaturrecherchen effizienter und weniger zeitaufwändig. Zukünftige Erweiterungen umfassen die Ausweitung der Datenbanken über Semantic Scholar hinaus, die Bereitstellung verfeinerter Suchfunktionen und die Integration fortschrittlicher KI-Funktionen für tiefere Einblicke.

Intentional AI Coding in Desktop und Web

ATLAS.ti's Intentional AI Coding nutzt die fortschrittlichen Möglichkeiten der ChatGPT-Technologie von OpenAI. Diese innovative Lösung ermöglicht es Forschern, die automatische Kodierung zu steuern, indem sie detaillierte Angaben zu ihren Absichten, Konzepten von Interesse und dem Forschungsumfang machen. Auf diese Weise werden genauere und relevantere Kodierungsvorschläge generiert, die auf die jeweiligen Forschungsziele zugeschnitten sind. Intentional AI Coding wahrt auch die wissenschaftliche Strenge, indem es nachvollziehbare Forschungsfragen erstellt, die mit der Methodik und den Zielen des Nutzers verknüpft sind und so für Transparenz im gesamten Forschungsprozess sorgen.

Darüber hinaus gibt diese Funktion dem Nutzer die volle Kontrolle, da er die Forschungsfragen und Code-Kategorien vor ihrer Anwendung überprüfen, verfeinern und anpassen kann, wodurch sichergestellt wird, dass die endgültigen Codes vollständig vom Nutzer generiert werden. Dieses Maß an Kontrolle hilft den Forschern, ihre eigene analytische Perspektive beizubehalten. Darüber hinaus steigert Intentional AI Coding die Geschwindigkeit und Tiefe der Erkenntnisse, indem es die Präzision der Kodierung von Anfang an verbessert und es den Forschern ermöglicht, Themen zu identifizieren und schneller belastbare Schlussfolgerungen zu ziehen.

Als Reaktion auf Datenschutzbedenken hat ATLAS.ti einen KI-Privatsphärenmodus eingeführt, der es den Nutzern ermöglicht, die OpenAI-Integration zu deaktivieren, um sicherzustellen, dass keine Daten an externe Stellen übermittelt werden. Diese Funktion kann auch auf Organisationsebene für Mehrbenutzerlizenzen verwaltet werden, um einheitliche Datenschutzstandards für alle Benutzer zu gewährleisten. Darüber hinaus unterstützt die verbesserte Conversational AI in ATLAS.ti Web nun die Interaktion mit mehreren Dokumenten gleichzeitig, so dass Benutzer in natürliche Konversationen eintreten können, um Daten aus verschiedenen Quellen zu erforschen und zu vergleichen, was ihren analytischen Spielraum erweitert und tiefere Einblicke ermöglicht. Diese Neuerungen, die sich derzeit in der Beta-Phase befinden, versprechen, die Effizienz und Effektivität der qualitativen Forschung deutlich zu steigern.

Gezielte KI-Codierung in Desktop und Web

Conversational AI in ATLAS.ti Web

ATLAS.ti bietet einen revolutionären Weg, mit Ihren Daten durch natürliche Konversation zu interagieren. Conversational AI jetzt auch für ATLAS.ti Web verfügbar. Dieses experimentelle Feature nutzt die ChatGPT-Technologie von OpenAI, um den Forschungsprozess zu verändern, indem es den Benutzern ermöglicht, in Echtzeit in natürlicher Sprache mit ihren Dokumenten zu kommunizieren. Sie können Fragen stellen, um Klarstellungen bitten und mühelos durch Ihre Daten navigieren, was einen intuitiveren und effizienteren Weg zur Extraktion und zum Verständnis wichtiger Informationen ermöglicht.

Zu den wichtigsten Vorteilen dieser Funktion gehören die natürliche Interaktion, bei der Sie sich mit Ihren Daten wie mit einem Forschungspartner unterhalten, und die gezielte Navigation, die es Ihnen ermöglicht, bestimmte Passagen und Details ohne manuelles Suchen zu finden. Ein besseres Verständnis wird dadurch erreicht, dass komplexe Passagen direkt in der Chatbot-Benutzeroberfläche erläutert werden, was eine genaue Interpretation der Daten gewährleistet. Das benutzerfreundliche Design des Chatbots macht ihn einfach und zugänglich und bietet Unterstützung in Echtzeit, um umfangreiche Dokumente zu bearbeiten und Einsichten, Zusammenhänge, Themen und Muster aufzudecken, die sonst vielleicht übersehen würden.

Die Nutzer können die Antworten des Chatbots bewerten, um das Modell zu trainieren und seine Genauigkeit und Relevanz kontinuierlich zu verbessern. Während sich Conversational AI derzeit in einer experimentellen Phase befindet und manchmal ungenaue oder langsamere Antworten liefert, arbeitet ATLAS.ti an der Verbesserung seiner Leistung. Diese erste Version von Conversational AI ist der erste Schritt in der Vision von ATLAS.ti, die qualitative Datenanalyse durch fortschrittliche KI-Interaktionen zu optimieren und Schnittstellen zu schaffen, die die Zusammenarbeit mit einem sachkundigen menschlichen Partner simulieren. Bleiben Sie dran, denn ATLAS.ti wird die Grenzen der KI-gestützten qualitativen Forschung weiter verschieben und verspricht für die Zukunft weitere bahnbrechende Innovationen.

Konversationelle KI in ATLAS.ti Web

AI-Zusammenfassungen in ATLAS.ti Desktop

ATLAS.ti Desktop AI Summaries ist ein Feature, das Ihre Literaturrecherche und qualitative Forschung rationalisiert, indem es prägnante Schnappschüsse von großen Dokumenten und Codesets liefert. KI-Zusammenfassungen steigern die Effizienz, indem sie komplexe Informationen verdichten und so das schnelle Erfassen der wichtigsten Punkte erleichtern. Das Tool lässt sich nahtlos in Memos integrieren und unterstützt vielseitige Verknüpfungen, Dokumentenkonvertierungen und Codierungen. Mit dem Fokus auf Datenschutz und Sicherheit gewährleistet AI Summaries den Schutz Ihrer Forschungsdaten und revolutioniert gleichzeitig Ihren Forschungsprozess.

AI-Zusammenfassungen in ATLAS.ti Desktop

Zukünftige Forschungsrichtungen von KI-gestützten Tools für Literaturübersichten

Die zukünftigen Forschungsrichtungen im Bereich KI konzentrieren sich auf die Verbesserung der Fähigkeiten und der Benutzerfreundlichkeit von Literaturrecherche-Tools. konzentrieren sich auf die Verbesserung der Fähigkeiten und der Benutzerfreundlichkeit von Werkzeugen zur Literaturrecherche. Die Einbeziehung modernster NLP-Technologien, wie z. B. Large Language Models (LLMs), kann die Leistung dieser Tools erheblich verbessern und sie effektiver und zuverlässiger machen. Es besteht die Notwendigkeit, fortgeschrittene Interpretationsverfahren zu entwickeln, um Vertrauen zu schaffen und tiefere Einblicke in die Entscheidungsprozesse von KI-Modellen zu ermöglichen. Die Integration semantischer Technologien und die Schaffung robuster Benchmarks und Bewertungsrahmen werden objektivere Vergleiche und Bewertungen verschiedener Literaturrecherche-Tools ermöglichen. Durch die Bewältigung dieser Herausforderungen können künftige KI-gestützte Überprüfungswerkzeuge benutzerfreundlicher werden und eine breite Akzeptanz finden, was letztlich den systematischen Überprüfungsprozess verändert und zu effizienteren und umfassenderen Forschungsmethoden beiträgt.

ATLAS.ti's AI Lab arbeitet kontinuierlich an der Optimierung seiner KI-Tools. Es sorgt für Transparenz, indem es den Nutzern die Möglichkeit gibt, die Originaldaten hinter den von der KI generierten Erkenntnissen einzusehen, was eine rigorose und präzise Analyse gewährleistet. Das KI-Labor hat einzigartige Tools entwickelt, die über die grundlegenden KI-Funktionen hinausgehen und den Schwerpunkt auf die Benutzerkontrolle und die Optionen für die Datenhaltung legen, um Datenschutzbedenken zu berücksichtigen.

Der Einsatz modernster NLP-Technologien wie Large Language Models (LLMs) kann die Leistung von KI-Tools erheblich verbessern. Foto von Conny Schneide.

Referenzen

  1. Wagner, G., Lukyanenko, R., & Paré, G. (2021). Künstliche Intelligenz und die Durchführung von Literaturrecherchen. Zeitschrift für Informationstechnologie, 37(2), 209-226. https://doi.org/10.1177/02683962211048201

  2. Bolaños, F., Salatino, A., Osborne, F., & Motta, E. (2024). Künstliche Intelligenz für Literaturrecherchen: Chancen und Herausforderungen. arXiv. https://arxiv.org/abs/2402.08565