Was haben das KI-Tool „Research Rabbit“ und Lewis Carrolls Erzählung „Alice in Wonderland“ gemeinsam? Alice folgt im Traum einem weißen Kaninchen und fällt durch dessen Bau in ein unterirdisches Wunderland. Inspiriert durch das Märchen, entschieden sich die drei aus Seattle stammenden Entwickler für den Namen „Research Rabbit“. Genauso wie man in die Tiefen der Literaturrecherche gelangen kann, navigiert man auf der Benutzerplattform immer weiter durch sein eigenes „Rabbit Hole“. Willst du auch ein Research Rabbit sein?

Was kann Research Rabbit?

Research-Rabbit ist ein vollständig kostenloses KI-Tool für Literaturrecherche, welches seit dem Jahr 2021 den Nutzern zur Verfügung steht. Lediglich die Erstellung eines eigenen Accounts ist notwendig.

Zentrale Nutzenaspekte

Im Vergleich zu anderen Literaturrecherche-Plattformen verlierst du dich nicht zwischen mehreren Datenbanken und unzähligen Tabs, sondern kannst einfach die Suchfunktion der Research Rabbit-Plattform nutzen und eine oder mehrere „Collections“ deiner relevanten Literaturergebnisse erstellen.

Das Tool eignet sich hervorragend für Team- oder Forschungsprojekte. Eine „Collection“ aus mehreren Papers kann ganz einfach geteilt und gemeinsam im Team bearbeitet werden. Abgesehen von der Entdeckung von Papers eignet sich das Tool zudem besonders zur Entdeckung von relevanten Personen in dem jeweiligen Recherchegebiet. Damit ist es für Studierende möglich, besonders relevante Personen für die Studienarbeit, schnell zu entdecken. Forschende können Research Rabbit nutzen, um andere Forschungsnetzwerke weltweit für das eigene Gebiet vereinfacht zu ergründen. Damit ist es nicht nur für Studierende gedacht, sondern auch für alle, die Forschungsarbeit betreiben.

Research Rabbit als „Spotify für Papers“

Die Entwickler bezeichnen Research Rabbit auch als „Spotify für Papers“. Der Empfehlungsmechanismus von Research Rabbit funktioniert ähnlich wie die Empfehlung neuer Songs auf Spotify. Hierbei unterscheidet man zwischen der durch Algorithmen vorgenommenen Personalisierung (implizit), und deiner aktiv selbst gesteuerten Personalisierung (explizit).

Genauso wie du auf Spotify Playlists nach deinen Vorlieben erstellen kannst, erstellst du auf Research Rabbit deine eigenen „Collections“ aus Papers. Dies bezeichnet man auch als explizite Personalisierung. Basierend auf diesen Inhalten empfiehlt dir das KI-Tool entsprechende wissenschaftliche Publikationen, die für dich relevant sein könnten.

Die implizite Personalisierung basiert auf deinem bisherigen Nutzerverhalten. Anhand vorangegangener Interaktionen stellt der Algorithmus fest, welche Inhalte du bevorzugst. Auf Spotify sind das unter anderem Künstlerinnen und Künstler, deren Songs du häufig angehört hast, wobei auf Research Rabbit beispielsweise gestellte Suchanfragen, oder Papers ähnlicher Inhalte, die du gelesen hast.

Basierend auf diesem nutzerspezifischen Verhalten empfiehlt dir das KI-Tool entsprechende Inhalte für dein Recherche-Gebiet.

Suche auf Research Rabbit nach jeglichen Publikationen

Ohne unzählige Datenbanken und Tabs zu öffnen, kannst du alleine die Suchfunktion von Research Rabbit nutzen und direkt entsprechende Papers einer „Collection“ hinzufügen.

Ein Blick auf die Benutzeroberfläche

Einige Publikationen können auf der Plattform direkt als PDF heruntergeladen werden. Ansonsten klickst du auf den Titel und gelangst damit auf eine andere Website, auf welcher du dich meistens mit der Hochschul-Mailadresse einloggen kannst und somit Zugriff bekommst. Die Mehrheit der Papers ist lediglich durch entsprechende Hochschul-Berechtigung zugänglich.

Zu jedem Paper kann auch der „Abstract“ eingeblendet werden, sodass man schnell einen Überblick bekommt, um was es in den verschiedenen Papers in der „Collection“ geht. In einer Übersicht verkürzt sich damit auch der Entscheidungsprozess, welche Publikationen du tatsächlich in deine eigene Arbeit aufnehmen möchtest.

Sobald mindestens ein Paper in einer „Collection“ hinzugefügt ist, beginnt der Algorithmus von Research Rabbit mit der Generierung von Empfehlungen. Diese Empfehlungen können auf zwei Arten erkundet werden: Einerseits über die Kategorie „Explore Papers“ und des Weiteren über die Kategorie „Explore People“.

• Explore Papers: Hier kann eine Recherche-Auswahl für ähnliche Arbeiten („Similar Work“), Referenzen („All References“), oder Zitationen („All Citations“), getroffen werden. Für das Generieren entsprechender Empfehlungen kann dabei entweder ein Paper spezifisch ausgewählt werden, oder es werden Empfehlungen auf Basis von allen hinzugefügten Papers in der entsprechenden „Collection“ ausgespielt.

• Explore People: Durch das Anklicken der Auswahl „These Authors“ werden weitere Publikationen von Autorinnen und Autoren aus der angelegten „Collection“ empfohlen. Durch das Anklicken der Auswahl „Suggested Authors“ zeigt das KI-Tool eine Liste an weiteren empfehlenswerten Verfasserinnen und Verfassern auf, die für das entsprechende Recherchegebiet relevante Publikationen veröffentlicht haben.

Visualisierte Paper-Verbindungen

Es ist außerdem auch möglich die empfohlenen Publikationen in der „Timeline-Ansicht“ zu sehen. In dieser Ansicht siehst du sofort welche Publikationen die höchste Aktualität haben und eventuell erst neu veröffentlicht wurden.

Visualisierte Personen-Netzwerke

Research Rabbit ermöglicht zudem die Ergründung der Verbindung zwischen Autorinnen und Autoren untereinander. Ist eine Vernetzung zwischen den genannten Personen in der Map zu sehen, so kann davon ausgegangen werden, dass mindestens eine gegenseitige Zitation oder Referenz-Nennung vorhanden ist.

Bei näherem Interesse für solch eine möglicherweise sehr einflussreiche Autorin im Recherchegebiet, kann auf den Namen der Person in der Map geklickt werden. Anschließend wird dir auf der Benutzeroberfläche eine Auswahl zwischen „Published Work“ oder „Collaborators“ angezeigt. Durch das Anklicken von beispielsweise „Published Work“ blendet dir das KI-Tool alle entsprechenden Publikationen von „Ana Paiva“ ein.

Auf diese Weise kannst du dich nach Interesse durch ein unendliches „Rabbit Hole“ durchklicken. Der theoretisch unendliche Workflow kann durch eine Scroll-Funktion von Anfang bis Ende und umgekehrt rückverfolgt werden.

Der Aufbau einer „Collection“ im Team

Subjektive Relevanz einer Publikation einstufen

Alle Papers können mit einer kleinen Notiz versehen werden, sodass deine Projektbeteiligten wichtige Informationen mitbekommen. So kannst du eine Einschätzung für die subjektive Relevanz des Papers hinterlassen oder zum Beispiel „schon gelesen!“ notieren.

Kritikpunkte und finale Empfehlungen

Wie jedes Tool ist auch Research Rabbit nicht ganz makellos. Im Folgenden sind deshalb einige Kritikpunkte aufgeführt:

Eine Priorisierungs-Funktion der Papers gibt es noch nicht, wobei man auch nicht symbolisch oder farblich „schon gelesen“ markieren kann. Diese Aspekte sind für die Benutzeroberfläche noch ausbaufähig.

Außerdem kann ein spezifischer Pfad, bei dem du dich durchgeklickt hast, nicht gespeichert werden. Deswegen ist es besonders wichtig, alle Publikationen, die du als relevant erachtest, auch ohne zu Zögern in eine „Collection“ aufzunehmen.

Da der Algorithmus erst durch den Input mehrerer Papers die besten Empfehlungen generieren kann, ist es für den Beginn der Recherche sehr sinnvoll andere Suchmasken oder die herkömmlichen Bibliothekskataloge zu nutzen. Ein Input von etwa fünf bis zehn relevanten wissenschaftlichen Publikationen steigert die Qualität der Empfehlungen schon entscheidend.

Da die Empfehlungen auf nutzerspezifischem Verhalten basieren, ist stets die Gefahr der Entstehung einer „Filterblase“ zu berücksichtigen. Während es bei Spotify bedeutet, dass immer wieder die gleichen Künstlerinnen und Künstler empfohlen werden und möglicherweise neue Genres oder Künstler verpasst werden, kann dies bei einem KI-Tool wie Research Rabbit dazu führen, dass die wissenschaftliche Recherche einseitig wird. Dies kann sich negativ auf die Studienarbeit auswirken. Um dieser Gefahr entgegenzuwirken ist beispielsweise ein regelmäßiger Austausch mit einer Mentorin oder einem Mentor sehr wertvoll, sodass neue Perspektiven eingenommen werden können.

Meine Nutzungserfahrung mit dem KI-Tool im Rückblick

Ich empfand es als größten Vorteil, dass ich zum ersten Mal nicht mehrere Datenbanken separat durchsuchen musste. Stattdessen konnte ich viele Publikationen direkt als PDF herunterladen, oder durch maximal einen Klick auf den Titel, zur entsprechenden Website für den Download gelangen. Der Überblick aller „Abstracts“ in einer Empfehlungsliste hat mir den Entscheidungsprozess für subjektiv relevante Papers stark verkürzt.

Während meiner Nutzung von Research Rabbit hatte ich jedoch das Gefühl, relativ schnell in eine Filterblase zu geraten, da mir überwiegend thematisch ähnliche Artikel empfohlen wurden. An diesem Punkt erwies sich der Austausch mit meinen Projektbeteiligten als äußerst hilfreich. In Gesprächen kamen stets viele neue Ideen zusammen, die es mir ermöglichten, mit einem erweiterten Blickwinkel neue Suchanfragen zu stellen, und damit die Empfehlungsergebnisse in eine andere Richtung zu lenken.

Gewinne mehr Einblicke zu Research Rabbit über das YouTube Video von Danny talks Tech: „How I use Research Rabbit for academic research“. Ein weiteres nützliches KI-Tool für die Literaturrecherche findest du in dem Beitrag ELICIT: Literaturrecherche leicht gemacht, dank KI.