Literatur-Screening mit Quellenbelegen

Abstracts anhand ausdrücklicher Ein- und Ausschlusskriterien prüfen, Belegzitate erhalten und Widersprüche zwischen Prüfenden vor der Auswahl zeigen.

Eingabe

Ergebnis

Screening wird leichter prüfbar, wenn Protokoll, Quellauszug und Prüfentscheidung getrennt bleiben. Die KI bewertet jeden übergebenen Datensatz anhand jedes ausdrücklichen Ein- oder Ausschlusskriteriums und liefert einen begrenzten Zuordnungsvorschlag mit wortgetreuem Zitat. Der Server prüft unabhängig die übergebenen Jahres- und Sprachmetadaten, mögliche doppelte Titel und die Abdeckung durch menschliche Prüfungen. Konflikte bleiben sichtbar, statt durch das Modell entschieden zu werden.

Deine Texte, Seiten und Bilder werden auf eigenen Servern in der EU verarbeitet. Trust-Center

Jetzt ausprobieren Preise

Für wen

Forschungsteams, Studierende und Evidenzprüfgruppen, die ein erstes Screening oder eine Prüfung übergebener Volltextauszüge organisieren. Geeignet zur Vorbereitung einer dokumentierten menschlichen Prüfung, nicht zum Nachweis der Studienqualität, der Vollständigkeit einer Literaturrecherche oder klinischer Schlussfolgerungen.

Typische Anwendungen

Dieselben ausdrücklichen Protokollkriterien auf jeden übergebenen Datensatz anwenden.
Das Zutreffen einer Ausschlussbedingung von einer endgültigen Ausschlussentscheidung unterscheiden.
Abweichende Entscheidungen und Notizen zweier Prüfender neben Modellvorschlägen sichtbar halten.
Jahre außerhalb des Bereichs, nicht unterstützte Sprachkennungen und mögliche doppelte Titel markieren, ohne Datensätze zu entfernen.

Beispiel

Eingabe

CSV der übergebenen Publikationsdatensätze: id,title,year,language,text R1,Vergleich von Workshop-Schulungen,2024,en,Die Studie vergleicht zwei Schulungsgruppen mit Erwachsenen. Die Zuteilung war nicht randomisiert. R2,Vergleich von Workshop-Schulungen,2023,en,Der Bericht beschreibt eine einzelne Schulungsgruppe ohne Vergleichsgruppe. CSV der Screening-Kriterien: id,kind,definition C1,include,Eine Vergleichsgruppe wird beschrieben. C2,exclude,Teilnehmende sind Kinder. CSV der übergebenen menschlichen Prüfungen: id,record,reviewer,decision,note V1,R1,REVIEWER1,include,Vergleichsgruppe wird beschrieben. V2,R1,REVIEWER2,unclear,Übereinstimmung des Vergleichs mit dem Protokoll prüfen. Übergebene Definitionen bestätigen: Für diese Prüfung bestätigt Bestätigte Definitionsversion: PROTOCOL-1 Zitatumfang: Ausführlich Ergebnisreihenfolge: Quellreihenfolge Erstes Veröffentlichungsjahr: 2020 Letztes Veröffentlichungsjahr: 2026 Erlaubte übergebene Sprachkennungen: en Erforderliche menschliche Prüfungen: Zwei menschliche Prüfungen Prüfung doppelter Titel: Zur Prüfung markieren Deklarierter Umfang der übergebenen Belege: Übergebener Titel und Abstract

Ergebnis

Der erste Abstract beschreibt ausdrücklich zwei Schulungsgruppen, während die Prüfenden zwischen Einschließen und Unklar abweichen. Der zweite Datensatz hat denselben normalisierten Titel und enthält im übergebenen Text keine Vergleichsgruppe. Der Entwurf hebt das mögliche Duplikat, Prüflücken und kriterienbezogene Belege hervor. Kein Datensatz wird automatisch ein- oder ausgeschlossen.

Ein festes Beispiel, gekürzt. Echte Ergebnisse sind KI-generiert: Bitte prüf sie.

Preis und Grenzen

Preis: meist 1–3 Credits
Verfügbar mit: Free, Mit Paket
Eingabegrenze: Eine Seite mit bis zu 80.000 Zeichen HTML

Datenschutz

Verarbeitet auf eigenen Servern in der EU (Polen). Eingaben und Ergebnisse werden nach 7 Tagen (Free) bzw. 30 Tagen (Pakete) gelöscht – oder direkt nach der Anzeige, wenn du das Speichern abwählst. Bilder löschen wir gleich nach der Verarbeitung.

In der API

Werkzeugname: literature_screening. Leg einen Auftrag mit POST /api/v1/jobs an und hol das Ergebnis mit GET /api/v1/jobs/{id}. Den API-Schlüssel findest du in deinem Konto.

curl -X POST https://do4u.eu/api/v1/jobs \
  -H "Authorization: Bearer d4u_…" -H "Content-Type: application/json" \
  -d '{"tool": "literature_screening", "url": "https://example.com/"}'

Zur API-Dokumentation →

Fragen und Antworten

Beweist ein passendes Zitat, dass ein Kriterium erfüllt ist?

Nein. Das Zitat beweist nur, dass die exakte Passage im übergebenen Text vorkommt. Die Verbindung zwischen Passage und Kriterium ist eine KI-Interpretation, die menschlich geprüft werden muss. Fehlende oder mehrdeutige Belege sollten unklar bleiben; nicht verfügbarer Volltext wird nicht abgeleitet.

Wie werden Ein- und Ausschlusskriterien interpretiert?

Bei beiden Kriteriumstypen bedeutet match, dass der übergebene Text die Definition des Kriteriums zu erfüllen scheint. Ein Einschlusskriterium mit no_match und ein Ausschlusskriterium mit match erzeugen beide Prüfhinweise. Keiner davon wird zu einer automatischen endgültigen Auswahl.

Wie werden Konflikte zwischen Prüfenden behandelt?

Der Server prüft unterschiedliche übergebene Prüfer-IDs und vergleicht deren erfasste Entscheidungen include, exclude oder unclear. Fehlende Prüfungen, Meinungsverschiedenheiten und unklare Entscheidungen erzeugen separate Befunde. Prüferbezeichnungen sind keine verifizierten Identitäten; das Modell kann eine übergebene menschliche Entscheidung nicht verändern.

Wird mein Text gespeichert?

Nur so lange wie nötig: 7 Tage bei Free, 30 Tage mit Paket – oder gar nicht, wenn du das Speichern abwählst. Verarbeitet wird auf eigenen Servern in der EU (Polen).

Kann ich das Ergebnis direkt verwenden?

Die Ergebnisse sind KI-generiert. Lies sie bitte, bevor du sie veröffentlichst oder verschickst.