Methodik & Erklärbarkeit

KI, die jede Entscheidung erklären kann

Reviewer und Bewertende stellen drei Fragen zu einer KI-Entscheidung: warum sie getroffen wurde, wie sicher die KI war und wie sie sich prüfen lässt. Puraite beantwortet alle drei für jeden Datensatz.

Projekte/VerzerrungsrisikoBewertungÜbersichtstabelleAmpel

Instrument: RoB 2 (Cochrane)6 Studien

StudieD1RandomisierungsprozessD2Abweichungen von den beabsichtigten InterventionenD3Fehlende EndpunktdatenD4Messung des EndpunktsD5Auswahl des berichteten ErgebnissesGesamt
Achterberg 2018Demo Journal of RheumatologyNNNNNN
Valdés 2019Demo Journal of Clinical ImmunologyNENNNE
Lindgren 2020Demo Journal of RheumatologyNNNNNN
Petrakis 2021Demo Journal of Inflammation ResearchENHNEH
Haugen 2022Demo Journal of RheumatologyNNENNE
Moreau 2023Demo Journal of Arthritis TherapyNNNNNN
  • Legende:
  • Niedriges Risiko
  • Einige Bedenken
  • Hohes Risiko
  • Nicht bewertet
Verzerrungsrisiko je Studie und Domäne · Demodaten

Provenienz auf Zitationsebene

Jede KI-Ausgabe ist bis zur exakten Passage in der Quellliteratur nachverfolgbar.

01

Zitationen auf Passagenebene

Wenn Puraite einen Wert extrahiert, speichert es die zitierte Passage und ihre Position im PDF. So öffnen Reviewer die Quelle an dieser Stelle.

02

Entscheidungsbegründungsprotokoll

Jede Ein-/Ausschlussentscheidung enthält die PICO-Kriterien, anhand derer sie bewertet wurde, die übereinstimmende Evidenz aus dem Paper und das Konfidenzniveau. Menschenlesbar, exportierbar und zeitgestempelt.

03

Dokumentierte Versionen

Jede KI-Entscheidung wird mit dem verwendeten Modell und dem Ausführungszeitpunkt gespeichert. Suchdaten und Protokollversionen werden dokumentiert. Ein Sprachmodell kann bei erneuter Ausführung anders antworten. Für eine Publikation empfehlen wir deshalb Wiederholungsläufe auf einer Stichprobe, wie in unserem Evaluationsleitfaden beschrieben.

04

Konfliktlösungs-Audit

Je Phase wählen Sie die Rolle der KI: aus, Shadow (sie screent, ihre Stimmen zählen jedoch nie), Prüfung Ihrer Ausschlüsse, vollwertiger Reviewer oder alleiniges Screening. Eine Person entscheidet jeden Konflikt. Alle Konflikte, Begründungen und Lösungen werden protokolliert.

Wie eine Entscheidung entsteht und geprüft wird

Jede KI-Entscheidung durchläuft dieselben vier Schichten.

  1. EingangSupervised exercise versus usual care in chronic low back pain

  2. 01Ihre Evidenz

    • Protokolle
    • Publikationen
    • PDFs
    • Tabellen
  3. 02KI-Pipeline

    • Abrufen
    • Klassifizieren
    • Extrahieren
    • Synthetisieren
  4. 03Erklärbarkeit

    • Quellpassage
    • Begründung
    • Konfidenz94 %
    • Audit-Eintrag14:32
  5. 04Menschliche Kontrolle

    • GenehmigenR. Okafor
    • Überschreiben
    • Kommentieren
    • Prüfen
  6. AusgangErgebnisse

    • Entscheidungen
    • Daten
    • Tabellen
    • Berichte
  1. 01 / Ihre EvidenzIhr Protokoll, die Publikationen, ihre PDFs und Ihre Tabellen kommen in ein Projekt.
  2. 02 / KI-PipelineDie KI ruft ab, klassifiziert, extrahiert und synthetisiert, eine Stufe nach der anderen.
  3. 03 / ErklärbarkeitJede Entscheidung behält ihre Begründung, die Quellpassage, wo der Text eine hat, die eigene Konfidenz der KI von 0 bis 100 % und einen Audit-Eintrag.
  4. 04 / Menschliche KontrolleEin Mensch genehmigt, überschreibt oder kommentiert jede KI-Entscheidung. Jedes Überschreiben steht im Audit-Log.
  5. Ausgang / ErgebnisseEntscheidungen, Daten, Tabellen und Berichte verlassen das Projekt in den Formaten, mit denen Ihr Team arbeitet.

Warum Methodik wichtig ist

Der Unterschied zwischen einem Sprachmodell und einem für Audits gebauten Evidenzsynthese-Tool.

EigenschaftGenerisches LLMPuraite
Quelle jeder BewertungNicht angezeigtZitierte Passage je Kriterium
Wiederholte LäufeKönnen abweichenKönnen abweichen, Modell und Laufzeit je Entscheidung gespeichert
Audit TrailKeinerNur ergänzbar, Export als CSV, JSON oder PDF
BerichterstattungAd hocPRISMA-2020-Flussdiagramm und Checkliste
Menschliche KontrolleKeineKI-Rolle je Phase festgelegt, Menschen lösen Konflikte
Projekte/GRADE-BewertungEvidenzprofilSummary of Findings
  • Hoch
  • Moderat
  • Niedrig
  • Sehr niedrig
HTMLExportieren

Summary of Findings4/7

EndpunktStudienTeilnehmendeEffektschätzer (95 %-KI)VertrauenswürdigkeitRisiko mit VergleichAbsoluter EffektZusammenfassung in einfacher Sprache
ACR20-Ansprechen in Woche 1252.068RR 2,32 (95 %-KI 1,94 bis 2,77)Moderat281 pro 1.000371 mehr pro 1.000 (von 264 mehr bis 497 mehr)Die Intervention erhöht wahrscheinlich das ACR20-Ansprechen in Woche 12.
DAS28-Remission in Woche 2441.656RR 5,02 (95 %-KI 3,41 bis 7,39)Moderat54 pro 1.000217 mehr pro 1.000 (von 130 mehr bis 345 mehr)Die Intervention erhöht wahrscheinlich die Rate an DAS28-Remissionen in Woche 24.
Schwerwiegende unerwünschte Ereignisse62.678RR 1,23 (95 %-KI 0,89 bis 1,70)Niedrig52 pro 1.00012 mehr pro 1.000 (von 6 weniger bis 36 mehr)Die Intervention führt möglicherweise zu keinem oder kaum einem Unterschied in Bezug auf die Rate schwerwiegender unerwünschter Ereignisse.
Studienabbruch wegen unerwünschter Ereignisse62.678RR 1,58 (95 %-KI 1,04 bis 2,40)Moderat31 pro 1.00018 mehr pro 1.000 (von 1 mehr bis 43 mehr)Die Intervention erhöht wahrscheinlich die Rate an Studienabbrüchen wegen unerwünschter Ereignisse.
GRADE-Zusammenfassung der Ergebnisse · Demodaten

Methodische Leitlinien

RAISE als Orientierung

Leitlinien zu KI in der Evidenzsynthese

RAISE (Responsible use of AI in evidence SynthEsis) ist eine internationale Leitlinie zu KI in der Evidenzsynthese. Version 4, ein Konsultationsentwurf vom 25. September 2026, besteht aus drei Teilen: Empfehlungen für jede Rolle (RAISE 1), Entwicklung und Evaluation von KI-Tools (RAISE 2) sowie deren Auswahl und Nutzung (RAISE 3).

01

RAISE 1

Empfehlungen für jede Rolle

02

RAISE 2

Entwicklung und Evaluation von KI-Tools

03

RAISE 3

Auswahl und Nutzung von KI-Tools

Als Tool-Entwickler orientieren wir uns an RAISE 2. Wir dokumentieren, was jeder KI-Schritt leistet, testen ihn gegen menschliche Entscheidungen und unterstützen unabhängige Evaluationen mit unserem Leitfaden How to evaluate an AI tool for evidence synthesis.

RAISE-Leitlinien lesen

Möchten Sie einen Deep-Dive in die Methodik?

Vereinbaren Sie einen technischen Walkthrough mit unserem CTO: Provenienz-Architektur, KI-Begründungen und Ihr spezifischer Anwendungsfall.

Funded by the German Federal Ministry for Economic Affairs and Energy and the European Union through the European Social Fund Plus (ESF Plus). Implemented by Projektträger Jülich as part of the EXIST programme.