Asta: Funktionen, Datenbasis und Grenzen

Natives KI-Tool: frei nutzbarer Forschungsassistent

Funktionsweise

Ai2 Scholarly Task Assistant des Allen Institute for AI, das auch Semantic Scholar entwickelt. Frei nutzbar, komplett kostenlos. Aktuell 108 Mio. Abstracts und 12 Mio. Volltexte.
Drei Hauptfunktionen: „Find papers“ (einfache Literatursuche), „Generate a report“ (KI-generierte Zusammenfassung als Antwort auf die Suchanfrage) und „Analyze Data“ (zum Beispiel Excel-Datei hochladen, Frage stellen, Ergebnisse werden zusammengefasst und visualisiert).
Semantic Scholar ist die Datenbasis (mit allen Verzerrungen), Asta die Interpretations- und Interaktionsschicht („Chatbot“): Die KI übernimmt Auswahl und Interpretation. Die Analyse beruht primär auf Abstracts und Metadaten: schnell, aber methodische Details und Nuancen können verloren gehen.
Der Korpus ist überwiegend englischsprachig, enthält vor allem Studien statt Bücher und wenig graue Literatur. Asta deckt alle Fächer ab, wenn auch ungleichmäßig, und hat keine spezielle Medizin-Gewichtung.
Evidence Cards („Show Evidence“) zeigen die Belegpassage, Paper Finder begründet die Relevanz (perfekt relevant, relevant, etwas relevant), strukturierte Reports enthalten TL;DR und Inline-Zitate, mindestens zwei Quellen je Kapitel.
Eine Studie mit 258.000 Anfragen zeigt: Nutzer springen zwischen Quellen und Antworten hin und her und verwenden die KI zunehmend als agentischen Forschungsassistenten statt als reine Suchmaschine.

Anfrage zerlegen und suchen Die Frage wird in Teilfragen zerlegt (Intention, Kriterien, Teilaspekte). Die Suche kombiniert Keyword- und semantische Suche mit Zitationen (Citation Traversal) und Passagen.
Ordnen und belegen Ein Reranking gewichtet die Treffer nach Relevanz für die konkrete Frage. Aus den Papers werden Belegpassagen extrahiert.
Zusammenführen Ein LLM erzeugt Antwort, Paperliste oder Bericht, Aussagen werden mit Zitationen und Evidence Cards verknüpft.

Tiefe Retrieval-Pipeline aus Retrieval, Re-Ranking, Zitationslogik und Evidenzextraktion. Anders als bei vielen Tools wird nicht nur mit Abstracts gearbeitet, sondern auch mit einem Volltextindex von ca. 12 Mio. Papers.
Evidence Cards und Relevanzbegründung erleichtern die Prüfung. Sie ersetzen sie nicht, zeigen aber, worauf eine Aussage beruht. Auswahl- und Reasoning-Schritte werden angezeigt, die Verarbeitungsschritte sind dokumentiert.
Strukturierte Reports mit TL;DR und Inline-Zitaten sind besser überprüfbar als freie Chat-Antworten.
Gute Abdeckung technisch-naturwissenschaftlicher Literatur, kostenfrei nutzbar.

Begrenzte Volltextabdeckung (ca. 12 Mio. gegenüber über 100 Mio. Abstracts): Viele Synthesen beruhen weiter nur auf Abstracts und Metadaten.
Abhängig von Semantic Scholar: Nicht dort indexierte Literatur existiert für Asta praktisch nicht.
Passage-Level-Retrieval fragmentiert Papers: Evidenz wird aus einzelnen Snippets statt aus vollständigen Argumentationszusammenhängen extrahiert. Die Vorselektion begrenzt die Auswahl auf maximal 256 Passagen, es bleibt womöglich viel Literatur unberücksichtigt.
Verdeckte Evidenzhierarchien: Das Neural Re-ranking entscheidet aktiv, welche Passagen als wichtiger gelten, ohne dass man es sieht. Sprachlich ähnliche Papers werden bevorzugt, methodisch relevante, aber anders formulierte Arbeiten fehlen eventuell. Citation Traversal verstärkt häufig zitierte Forschungsrichtungen.
Evidence Cards zeigen nur extrahierte Ausschnitte, oft ohne vollständigen methodischen oder argumentativen Kontext. Schlecht strukturierte PDFs oder komplexe Layouts führen zu Informationsverlust. Die Retrievalqualität hängt von Embeddings, Parsing, Chunking und den internen Retrieval-Agenten ab.
Wie Reranking, Verstärkung von Bekanntem und sprachliche Nähe die Auswahl verzerren, beschreibt Kapitel 20.