ASReview LAB macht Literatur-Screening prüfbarer

Worum es geht

ASReview LAB ist ein Open-Source-Werkzeug für systematische Reviews, Meta-Analysen und andere Screening-Aufgaben mit vielen Textdatensätzen. Das Tool hilft Forschenden dabei, Titel und Abstracts nicht stur in beliebiger Reihenfolge zu prüfen, sondern die wahrscheinlich relevanten Treffer früher zu sehen. Die offizielle Website nennt offene Software, Datenschutz, keine Tracking-Cookies und Einsatz bei Universitäten, Behörden und Institutionen.

Das Thema ist nicht neu, aber 2026 besonders praktisch: Teams stehen vor immer größeren Literaturmengen, gleichzeitig werden KI-Werkzeuge in wissenschaftlichen Arbeitsabläufen kritischer geprüft. ASReview ist interessant, weil es nicht nur "KI macht Review" verspricht. Es hält den Menschen in der Entscheidungsschleife und macht das Screening als Prozess dokumentierbarer.

Was ASReview LAB tatsächlich macht

ASReview LAB importiert Referenzen aus typischen Literaturdatenbanken und zeigt den Prüfern einzelne Datensätze. Bei jedem Datensatz entscheidet ein Mensch, ob er relevant oder irrelevant ist. Aus diesen Entscheidungen lernt das System und priorisiert danach weitere Treffer. Das Verfahren heißt aktives Lernen: Die Software sucht nicht allein die endgültige Antwort, sondern fragt den Menschen möglichst effizient nach den nächsten wichtigen Beispielen.

Neben dem eigentlichen Screening bietet ASReview Simulationen und Auswertungen. Teams können mit bereits vollständig gelabelten Daten testen, welches Modell, welche Strategie oder welche Stop-Regel zu ihrem Review passt. Die Dokumentation beschreibt ASReview LAB als webbasierte Anwendung auf Basis des Python-Pakets ASReview; der GitHub-Stand verweist auf Apache-2.0-Lizenz und aktive Entwicklung.

Warum das wichtig ist

Systematische Reviews sind in Medizin, Sozialwissenschaften, Public Policy und Technik wichtig, aber teuer. Ein Suchlauf kann 1.000, 5.000 oder 20.000 Treffer ergeben. Wenn ein Team alle Treffer manuell in beliebiger Reihenfolge prüft, entstehen Tage oder Wochen Arbeit, bevor überhaupt klar ist, welche Studien relevant sind.

ASReview adressiert genau diese Engstelle. Eine unabhängige Evaluation im medizinischen Kontext berichtete, dass ASReview die Screening-Zeit im Durchschnitt um 83 Prozent reduzieren konnte, während 95 Prozent der relevanten Studien identifiziert wurden. Solche Zahlen sind kein allgemeines Leistungsversprechen für jedes Projekt. Sie zeigen aber, warum ein transparentes Screening-Tool für echte Forschungsteams nützlich sein kann: Es spart nicht nur Klicks, sondern zwingt zur Dokumentation von Entscheidungen, Modellen und Grenzen.

Einfach erklärt

Stell dir einen riesigen Stapel Bewerbungen vor. Statt jede Bewerbung alphabetisch zu lesen, zeigst du einer Assistentin zuerst ein paar klare Beispiele: passend, nicht passend, vielleicht passend. Danach legt sie dir die wahrscheinlich besten nächsten Mappen oben auf den Stapel. Du entscheidest weiterhin selbst, aber du musst nicht blind von oben nach unten arbeiten.

ASReview macht genau das mit Literaturtreffern. Es nimmt dir die wissenschaftliche Entscheidung nicht ab, aber es sortiert den Stapel lernend vor.

Praktisches Beispiel

Ein Forschungsteam untersucht digitale Interventionen gegen Burnout und findet 6.200 Treffer in mehreren Datenbanken. Drei Personen screenen zunächst gemeinsam 200 Titel und Abstracts, damit die Relevanzkriterien kalibriert sind. Danach nutzt das Team ASReview LAB, um die nächsten Datensätze priorisiert zu prüfen.

Nach 1.400 geprüften Treffern zeigt die Kurve, dass fast nur noch klar irrelevante Treffer kommen. Das Team stoppt nicht einfach blind, sondern dokumentiert Modell, Version, Trainingsentscheidungen, Stop-Regel und eine manuelle Stichprobe der zurückgestellten Treffer. Wenn später Reviewer oder Betreuer nachfragen, kann das Team erklären, was die Software getan hat und was weiterhin menschliche Entscheidung war.

Einordnung und Grenzen

• ASReview ersetzt keine saubere Suchstrategie. Wenn die Datenbanksuche wichtige Studien nie importiert, kann das Tool sie auch nicht finden.
• Aktives Lernen hängt von frühen menschlichen Labels ab. Schlechte oder uneinheitliche Entscheidungen am Anfang können die Priorisierung verzerren.
• Nicht jedes Fachgebiet akzeptiert KI-gestütztes Screening ohne Zusatzdokumentation. Teams müssen Berichtspflichten, Prüferwartungen und Reproduzierbarkeit vorher klären.

Der beste nächste Test ist deshalb klein: ein bereits abgeschlossener Review mit bekannten Einschlüssen, eine Simulation in ASReview und ein Vergleich, wie früh relevante Treffer gefunden worden wären. Erst danach sollte man das Tool in ein laufendes Review übernehmen.

SEO- und GEO-Schlüsselbegriffe

ASReview LAB, systematic review, active learning, literature screening, open source research tools, meta-analysis, human in the loop, reproducible research, Utrecht University, Nature Machine Intelligence, evidence synthesis, research workflow