Warum halluziniert ChatGPT manchmal Studien?

Pure Sprachmodelle ohne Tool-Use generieren Text basierend auf Wahrscheinlichkeiten. Wenn das Modell 'die richtige Form' einer Studien-Referenz kennt (Autor, Jahr, Journal-Name), kann es eine plausibel-klingende, aber nicht existierende Studie erfinden. Lösung: das Modell muss eine echte API (PubMed E-utils, OpenAlex) anrufen — keine freie Generierung.

Was ist der Vorteil von semantischer Suche gegenüber Keyword-Suche?

Keyword-Suche braucht exakte Begriffe ('NMN' findet keine 'Nicotinamid-Mononukleotid'-Treffer). Semantische Suche per Vector-Embedding versteht Bedeutung: eine Suche nach 'Mitochondrien-Booster' findet auch Studien über Coenzym Q10, PQQ oder Ubiquinol, weil die Embeddings nahe beieinander liegen.

Was leistet OpenAlex zusätzlich zu PubMed?

OpenAlex (~250 Mio Publikationen, Open Source) deckt auch nicht-medizinische Felder ab (Sport-Wissenschaft, Psychologie, Ernährungswissenschaft) und liefert Concept-Tagging via einer Wikipedia-basierten Taxonomie. Das ist für interdisziplinäre Biohacking-Themen wie HRV-Training oder Lichttherapie wichtig — die landen nicht alle auf PubMed.

Wie verhindert ihr Retracted-Studien?

Wir gleichen wöchentlich gegen die Retraction Watch Database ab. Eine zurückgezogene Studie verschwindet nicht aus PubMed (sie bleibt mit Retraction-Notice), aber ohne expliziten Filter erscheint sie weiter in Antworten. Auf biohacking-ai.com bekommen retracted studies einen sichtbaren Marker und werden in der Studien-Karte ausgeblendet.

Was ist der RCR-Score und wozu nutzt ihr ihn?

Der Relative Citation Ratio (von NIH iCite) normalisiert Zitate gegen den Median des Fachgebiets. Eine Studie mit RCR=5 wird fünfmal so oft zitiert wie typische Arbeiten im selben Cluster. Wir nutzen ihn als Landmark-Marker: ab RCR=5 markieren wir eine Studie als 'high-impact' in der Karte. Vorteil gegenüber Journal-IF: misst die einzelne Studie, nicht das Journal.

KI-Studienrecherche Biohacking 2026

Direkte Antwort

Eine seriöse KI-Studienrecherche-Pipeline harvested aus 4 Quellen (PubMed/E-utils, Europe PMC, OpenAlex, iCite), dedupliziert per DOI/PMID, scort jede Studie nach RCR-Impact + Studientyp + Retraction-Status und erlaubt semantische Suche per Embedding. Halluzinierte Studien (häufig bei ChatGPT ohne Tool-Use) werden so technisch unmöglich.

Vertiefung

Die 4 Datenquellen

Eine vollständige Pipeline kombiniert vier komplementäre Quellen — jede einzelne hat blinde Flecken:

Quelle	Stärke	Umfang	Blind Spot
PubMed (E-utils API)	Peer-reviewed Medizin, MeSH-Indexierung	~36 Mio	nicht-medizinische Felder
Europe PMC	Preprints (bioRxiv/medRxiv), Open-Access-Volltexte	~45 Mio	gleiche Medizin-Schwerpunkt wie PubMed
OpenAlex	interdisziplinär, Concept-Tagging, Author-IDs	~250 Mio	Qualitätsfilter schwächer
iCite (NIH)	Relative Citation Ratio pro PMID	nur PMIDs	nur biomedizinisch

Dedup-Strategie: DOI ist die primäre Schlüsselgrundlage, PMID als Fallback. Bei OpenAlex-Treffern ohne DOI/PMID nutzen wir Title-Hash + Author-Liste als Tertiärschlüssel.

Was passiert nach dem Harvesting?

Vier automatische Anreicherungen pro Studie:

Studientyp-Klassifikation — Regex-basiert aus dem Abstract (sucht nach "randomized controlled trial", "meta-analysis", "cohort study", "case report") plus Validierung gegen PubMed's strukturiertes Publication Type Feld.
Retraction-Check — wöchentlicher Abgleich gegen die Retraction Watch Database. Markierte Studien bekommen einen sichtbaren ⚠️-Marker.
Impact-Scoring — RCR-Score von iCite. Studien mit RCR >5 werden als "Landmark" markiert (das sind ~7 % aller Studien).
Embedding — der Abstract wird durch ein Sentence-Embedding-Modell geschickt (heute: lokales Ollama, früher OpenAI ada-002). Resultat: ein 768-dim Vektor pro Studie, gespeichert in einer Vector-DB.

Semantische vs. Keyword-Suche

Keyword-Suche findet was du eintippst. Semantische Suche findet was du meinst.

Beispiel: Eine Suche nach "Methode gegen oxidativen Stress" findet per Keyword nur Treffer, die diese exakten Worte enthalten. Per semantischer Suche (Cosine-Similarity zwischen Query-Embedding und Studien-Embedding) findet sie:

Studien über Antioxidantien (Vitamin C, E, NAC)
Studien über Glutathion-Synthese
Studien über mitochondriale Funktion
Studien über Hormesis und Adaptation
Studien über Astaxanthin, Quercetin, Resveratrol

Das ist der Unterschied zwischen "ich bekomme was ich kenne" und "ich entdecke was ich nicht wusste".

Wo der Hype lügt — oder die Methodik schwach ist

Drei häufige Fehler in KI-Studienrecherche-Tools:

Reines LLM ohne Tool-Use. Wenn ChatGPT eine Studie zitiert ohne PubMed-API-Call, ist die Studie potenziell halluziniert. Test: lass den Bot den DOI angeben und prüfe ihn manuell auf doi.org.
Veraltete Snapshots. Manche Tools laden PubMed nur quartalsweise. Du verpasst frische Meta-Analysen. Frag nach: "wann wurde dein Datensatz zuletzt aktualisiert?"
Fehlender Retraction-Filter. Studien wie das Wakefield-Paper zu Impfungen sind seit 2010 zurückgezogen, aber Generative-AI-Modelle ohne Retraction-Check zitieren sie noch immer.

Methodik — Wie wir das beurteilen

Auf biohacking-ai.com/studien-karte findest du das Endprodukt: 3D-Visualisierung von ~300 000 Studien, Cluster-Layout nach Topic-Embedding, Filter nach RCR/Jahr/Studientyp. Die Karte ist explizit noindex (Crawl-Budget), aber die Methodik die du hier liest, beschreibt exakt was darunter läuft.

Für die konkrete Recherche-Anleitung — also "Wie nutze ich PubMed selbst" — siehe die verlinkte Antwort.

Quellen

Hutchins et al. 2016 — Relative Citation Ratio (RCR) PMID 27599104 — die Methodik hinter iCite's RCR-Score
Priem et al. 2022 — OpenAlex: A fully-open index of scholarly works PMID 35420540 — Hintergrund zur OpenAlex-Datenbank
Reimers & Gurevych 2019 — Sentence-BERT PMID 31921908 — die Architektur die semantische Studien-Suche möglich macht

Wie funktioniert KI-gestützte Studienrecherche für Biohacking 2026?