Wissenschaftlicher „Geschmack" — die Fähigkeit zu beurteilen, welche Forschungsideen langfristig Wirkung entfalten — galt bisher als zutiefst menschliche Kompetenz. Ein neues Paper zeigt: KI kann diesen Geschmack lernen. Trainiert auf Community-Feedback wie Zitationsdaten, lernt ein Modell, Forschungsideen nach ihrem langfristigen Impact zu bewerten — und sogar zu generieren.
Von der Geschwindigkeit zur Auswahl
Bisherige KI-Tools für die Wissenschaft beschleunigen die Forschung: schnellere Literaturrecherche, effizientere Datenanalyse, automatisierte Paper-Zusammenfassungen. Das Paper „AI Can Learn Scientific Taste" geht einen Schritt weiter: Es geht nicht mehr darum, wie schnell geforscht wird, sondern was es wert ist, erforscht zu werden.
Das Modell wird auf Signale der wissenschaftlichen Community trainiert — insbesondere Zitationsnetzwerke, die als Proxy für „Impact" dienen. Die Ergebnisse zeigen, dass KI auf dieser Basis in der Lage ist, sowohl bestehende Ideen nach ihrer Wirkung zu ranken als auch neue Forschungsrichtungen mit höherem erwarteten Impact vorzuschlagen.
🎯 Was das für die Praxis bedeutet
1. Forschungsprioritäten automatisieren: Forschungseinrichtungen und Fördergeber könnten KI-gestützte Impact-Bewertungen in ihre Review-Prozesse einbauen — als Ergänzung zum Peer Review.
2. Bias-Risiko beachten: Zitationsdaten sind nicht neutral — sie spiegeln bestehende Machtstrukturen und Trends wider. Ein Modell, das darauf trainiert wird, könnte disruptive Randforschung systematisch untergewichten.
3. KI als Forschungsberater: Für Doktoranden und Postdocs, die ihre Forschungsrichtung wählen, könnten solche Tools ein wertvolles (aber kritisch zu hinterfragendes) Orientierungsinstrument sein.
